FlowDreamer: 基于流运动表示的RGB-D世界模型用于机器人操作

arXiv 25.5 2025 71.3 method

TLDR

FlowDreamer利用3D场景流作为显式运动表示，在视频预测与规划任务上优于基线。

评分理由

The paper introduces a novel explicit motion representation (3D scene flow) within a modularized yet end-to-end trained world model, showing clear improvements across multiple benchmarks. However, it lacks explicit mention of real-world experiments, and the scope is limited to RGB-D inputs and robot manipulation domains.

Read-first 评分解释

综合优先阅读分 71.3，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 54。

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、评估、实验、结果

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

主题相关性 42%

77.1

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：GitHub

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：53。

关键词评分

world model

video world model

world dynamics prediction

generative world model

interactive world model

model-based reinforcement learning world model

world simulator

深度分析

创新点

引入显式3D场景流作为RGB-D世界模型的运动表示，替代隐式动力学预测。
模块化架构：使用U-Net预测场景流，扩散模型生成未来帧，并实现端到端训练。
在多个基准测试的视频预测和视觉规划任务上展示了一致的性能提升。

方法

FlowDreamer首先使用U-Net从过去的RGB-D帧和机器人动作中预测3D场景流。然后，扩散模型以预测的场景流为条件生成未来帧。尽管采用模块化设计，整个模型仍进行端到端训练。评估在四个涵盖视频预测和视觉规划任务的基准测试上进行。

关键结果

FlowDreamer在多种机器人操作领域中，语义相似性提升7%，像素质量提升11%，成功率提升6%，优于基线RGB-D世界模型。

技术栈

U-Net扩散模型RGB-D3D场景流

资源

论文项目