FlowMo-WM：具有物体动量与隐藏环境漂移的世界模型

arXiv 2026 63.3 method, application

TLDR

FlowMo-WM 分解图像-动作为短期运动与长期漂移，实现水上车辆长时准确预测。

评分理由

The paper introduces a novel factorization of visual history to handle inertia and hidden drift, which is a clear strength. However, it is only evaluated in simulated environments, lacking real-world validation, and the abstract does not discuss limitations or comparisons to non-latent models.

Read-first 评分解释

综合优先阅读分 63.3，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 56。

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%

94.2

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：0.94158875

主题相关性 29%

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：消融

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：484。

关键词评分

world model

interactive world model

world dynamics prediction

generative world model

video world model

model-based reinforcement learning world model

world simulator

深度分析

创新点

将图像-动作历史分解为用于物体中心运动的短期历史潜在状态和用于缓慢变化的外生影响（如隐藏漂移）的长期历史上下文
零上下文残差转换，在潜在展开期间将动作条件基础动力学与上下文依赖的漂移效应分离
端到端可训练的视觉世界模型，无需流场直接监督即可从图像-动作历史中推断物体中心运动状态和隐藏漂移

方法

FlowMo-WM 是一个端到端可训练的视觉世界模型，它将图像-动作历史分解为短期历史潜在状态（总结物体中心运动）和长期历史上下文（总结缓慢变化的外生影响，如隐藏漂移）。零上下文残差转换在潜在展开期间将动作条件基础动力学与上下文依赖的漂移效应分离。该模型在具有多种隐藏流、扰动和随机车辆动力学的模拟水上交通工具环境中进行训练，并使用长时展开准确度与代表性的动作条件潜在世界模型进行评估。

关键结果

FlowMo-WM 在具有隐藏流和扰动的模拟水上交通工具环境中，相比代表性的动作条件潜在世界模型提高了长时展开准确度。预测时上下文消融实验（将推断的上下文置零或打乱）表明，环境上下文对于隐藏漂移下的稳定预测至关重要，而冻结线性探针则表征了学习因子中编码的信息。

局限性

仅在模拟水上交通工具环境中评估，未在真实机器人或其他领域验证
假设隐藏漂移是缓慢变化的，这可能不适用于快速变化的外生影响
需要长期历史上下文，可能增加计算和内存成本
仅限于物体中心运动和隐藏漂移；未证明对其他类型动力学或扰动的适用性

资源

论文