FLARE: 隐式世界建模的机器人学习

arXiv 25.5 2025 48.3 method, application

TLDR

FLARE通过特征对齐将预测性潜在世界建模融入机器人策略，在仿真中取得最先进结果。

评分理由

The paper presents a lightweight method that adds world modeling to VLA models, showing strong gains in simulation benchmarks and generalization from human video. However, it lacks real-world experiments and does not explicitly address several keyword concepts like world simulators or interactive world models.

Read-first 评分解释

综合优先阅读分 48.3，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 27。

近期性 8%

86.7

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：2025

方法质量 25%

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：基线、基准、结果

主题相关性 42%

38.6

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

可复现性 25%

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：无

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：394。

关键词评分

world model

world dynamics prediction

model-based reinforcement learning world model

generative world model

world simulator

interactive world model

video world model

深度分析

创新点

通过未来潜在表示对齐(FLARE)将预测性潜在世界建模集成到扩散变换器策略中
对VLA模型进行轻量级架构修改，添加少量令牌以实现世界建模
与无标注的人类自我中心视频演示共同训练，以最少机器人数据提升策略泛化能力

方法

FLARE修改扩散变换器策略，添加令牌以将其特征与未来观测的潜在嵌入对齐，使策略在生成动作时能够预测未来潜在表示。在两个多任务仿真模仿学习基准（单臂和人形桌面操作）上评估，并在使用无动作标签的人类自我中心视频共同训练的泛化任务上测试。

关键结果

FLARE在两个具有挑战性的多任务仿真基准上取得最先进性能，比先前策略学习基线高出最多26%。与人类自我中心视频共同训练使得仅需单个机器人演示即可泛化到具有未见几何形状的新物体。

技术栈

Diffusion TransformerVision-Language-Action (VLA) modelsSimulation imitation learning benchmarks

资源

论文项目