EV-WM：事件验证的世界模型用于长时域机器人操作

arXiv 2026 53 method, application

TLDR

EV-WM提出基于谓词验证的世界模型规划方法，用于长时域机器人操作，提升可解释性和任务对齐。

评分理由

Strengths: novel verification framework using event states and multiple scoring terms, tested on diverse manipulation tasks. Weaknesses: lacks explicit real-world validation and quantitative comparisons; reliance on pretrained features may limit generalization.

Read-first 评分解释

综合优先阅读分 53，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 43。

近期性 6%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

引用影响力 18%

86.8

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.86841732

主题相关性 29%

61.4

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：无

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：代码

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

基础论文前沿论文桥接论文

排序敏感性

稳定性：volatile；排名波动范围：378。

关键词评分

world model

world dynamics prediction

generative world model

model-based reinforcement learning world model

world simulator

interactive world model

video world model

深度分析

创新点

基于谓词验证的世界模型规划框架（EV-WM）
在预训练视觉特征空间中展开候选未来，解码为结构化事件状态，并使用任务进展、语义一致性、物理可行性和不确定性项进行评分
验证器引导基于采样的规划，门控候选动作，并在接触敏感设置中从PPO生成的提案中选择
使特征空间世界模型规划更具可解释性，且与任务进展更一致

方法

EV-WM使用预训练特征世界模型展开候选未来，将其解码为结构化事件状态，并使用任务进展、语义一致性、物理可行性和不确定性项进行评分。验证器引导基于采样的规划，门控候选动作，并在接触敏感设置（如LIBERO酒架任务）中从PPO生成的提案中选择。

关键结果

在导航、可变形物体、墙壁约束和语言描述的操作研究中，EV-WM表明基于谓词的验证可以使特征空间世界模型规划更具可解释性，且与任务进展更一致。

资源

论文