GeoSem-WAM: 几何与语义感知的世界动作模型

arXiv 2026 53.6 method

TLDR

GeoSem-WAM通过向潜在表示添加几何和语义监督来增强世界动作模型，无需显式未来展开即可改进动作预测。

评分理由

The paper addresses a key limitation of RGB-only world models by introducing auxiliary prediction branches for geometry and semantics, which strengthens latent representations. Its strengths include a clear motivation and demonstrated improvements in action prediction and robustness. However, the abstract lacks explicit mention of real-world experiments, and the reliance on simulated environments may limit generalizability claims.

Read-first 评分解释

综合优先阅读分 53.6，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 37。

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%

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：0.9201906

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：实验、指标

主题相关性 29%

52.9

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 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：无

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：400。

关键词评分

world model

world dynamics prediction

interactive world model

model-based reinforcement learning world model

video world model

generative world model

world simulator

深度分析

创新点

在未来的RGB预测之外，引入了两个辅助预测分支，分别用于未来的几何和语义表示
在统一的潜在空间中联合捕捉场景动态、空间几何和语义上下文
通过避免测试时的显式未来展开或视频生成，保持高效推理

方法

提出的GeoSem-WAM框架通过几何和语义监督增强潜在表示。它在标准的未来RGB预测基础上增加了两个辅助预测分支，分别用于未来的几何和语义表示，并联合训练它们以在统一的潜在空间中捕捉场景动态、空间几何和语义上下文。该模型避免了测试时的显式未来展开或视频生成，保持了高效推理。

关键结果

大量实验表明，引入结构化世界监督能够持续提高动作预测准确性、场景理解能力以及在具有挑战性的具身场景中的鲁棒性。

资源

论文