基于视觉与触觉的推理时策略引导

arXiv 2026 47.6 method

TLDR

ViTaL利用视觉和触觉，通过双层优化与视觉触觉潜在世界模型进行推理时策略引导，将接触丰富操作成功率提升51%。

评分理由

The paper presents a novel multimodal steering framework with strong real-world results, but its focus on contact-rich tasks may limit generality. The bi-level optimization and tactile-guided diffusion are well-motivated, though the abstract lacks detailed ablation or comparison to other world model approaches.

Read-first 评分解释

综合优先阅读分 47.6，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 28。

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%

91.8

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：0.91787084

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：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：GitHub

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：390。

关键词评分

world model

world dynamics prediction

world simulator

generative world model

model-based reinforcement learning world model

interactive world model

video world model

深度分析

创新点

ViTaL: 一种视觉-触觉推理时引导框架，将多模态引导形式化为双层优化问题
高层视觉采样与验证用于长时域模式选择
低层触觉引导的扩散编辑用于短时域局部接触优化
学习视觉-触觉潜在世界模型，并采用语义对齐的视觉和触觉验证器，包括一种新颖的文本条件触觉奖励

方法

ViTaL采用双层优化方法：高层通过视觉采样与验证选择长时域行为；低层通过触觉引导的扩散编辑在较短时域内优化动作序列以满足局部接触要求。它学习一个视觉-触觉潜在世界模型，并使用语义对齐的视觉和触觉验证器，包括一个在潜在空间中直接对预测触觉未来进行评分的文本条件触觉奖励。该框架在三个真实世界的接触丰富操作任务上进行了评估。

关键结果

ViTaL在三个接触丰富操作任务上，相较于基础策略整体成功率提升51%，优于单模态引导至少33%，并超过简单多模态融合至少20%。

技术栈

diffusion modelslatent world modelsvisual and tactile sensors

资源

论文