KAM-WM：基于潜在世界模型的运动学可操作度图用于机器人操作

arXiv 2026 40.1 method

TLDR

KAM-WM从冻结的潜在视频世界模型中提取运动学可操作度图，引导机器人操作策略，在LIBERO和RoboTwin2.0上取得高成功率。

评分理由

The paper presents a novel method that leverages a frozen video world model to provide directional interaction cues without rollout or fine-tuning, demonstrating strong empirical results. However, the approach is evaluated only on two specific benchmarks and relies on a pre-trained backbone, which may limit generalizability and adaptability to new tasks.

Read-first 评分解释

综合优先阅读分 40.1，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 36。

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

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：基准、结果

主题相关性 29%

51.4

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：代码

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。引用数：0

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

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：284。

关键词评分

world model

video world model

generative world model

world dynamics prediction

interactive world model

world simulator

model-based reinforcement learning world model

深度分析

创新点

从冻结的潜在视频世界模型中提取运动学可操作度图（方向性交互线索），无需展开或微调
将Flow Matching图像到视频骨干网络的单步潜在速度解释为运动学可操作度图（KAM）
通过轻量级Perceiver压缩KAM为令牌，与RGB和本体感知一起条件化扩散策略
证明超出空间定位的方向信息能提升少样本操作性能

方法

KAM-WM对冻结的Flow Matching图像到视频模型进行一次查询，将其潜在速度解释为编码任务条件化交互区域和粗略运动结构的运动学可操作度图（KAM）。Perceiver将该图压缩为令牌，与RGB观测和本体感知一起条件化扩散策略。该框架在LIBERO和RoboTwin2.0基准上进行评估。

关键结果

KAM-WM在LIBERO上达到90.6%的平均成功率，在RoboTwin2.0 Easy上达到65.7%，在RoboTwin2.0 Hard上达到22.4%。与零阶掩码先验的对比实验表明，方向信息对性能提升的贡献超出空间定位。

局限性

仅提供粗略的方向性线索和粗略运动结构，而非精细运动
在RoboTwin2.0 Hard设置中成功率较低（22.4%）
仅在LIBERO和RoboTwin2.0上评估，对其他任务和领域的泛化性尚不明确

技术栈

Flow MatchingPerceiverDiffusion PolicyLatent World Model

资源

论文