LaWAM: 潜在世界动作模型用于高效动力学感知机器人策略

arXiv 2026 56.7 method

TLDR

LaWAM利用潜在视觉子目标实现高效动力学感知机器人控制，低延迟高成功率。

评分理由

The paper introduces a novel latent world model that avoids expensive video generation, achieving strong results on benchmarks and real-world tasks. However, it lacks explicit comparison to model-based RL methods and the latent representation's interpretability is unclear.

Read-first 评分解释

综合优先阅读分 56.7，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 32。

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：0.93996694

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：基线、基准、评估

主题相关性 29%

45.7

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方法锚点

排序敏感性

稳定性：volatile；排名波动范围：380。

关键词评分

world model

world dynamics prediction

model-based reinforcement learning world model

world simulator

generative world model

interactive world model

video world model

深度分析

创新点

用紧凑的潜在视觉子目标替代计算昂贵的像素级视频生成，实现预测性动力学
引入潜在动作条件潜在世界模型（LaWM），在预训练视觉基础模型的潜在空间中训练
将动作生成条件化于预测的潜在视觉子目标，实现低延迟的动力学感知机器人控制

方法

LaWAM通过构建潜在世界模型（LaWM），在预训练视觉基础模型的潜在空间中训练潜在动作模型，并利用其前向解码器预测未来观测特征。策略随后将动作生成条件化于这些预测的潜在视觉子目标，避免了像素级视频重建。该方法在LIBERO、RoboTwin和真实世界操作任务上进行了评估，基线包括像素空间的世界动作模型。

关键结果

LaWAM取得了最先进或具有竞争力的成功率：在LIBERO上为98.6%，在RoboTwin上为91.22%，在真实世界任务上表现强劲。每次动作块预测耗时187毫秒，相比像素空间WAM实现了高达24倍的墙钟延迟降低。

局限性

依赖预训练视觉基础模型可能限制其在训练数据未充分表示的视觉领域中的泛化能力
潜在子目标可能丢弃对精确操作任务至关重要的细粒度像素级信息
评估仅限于特定基准（LIBERO、RoboTwin）和一组真实世界任务，未展示更广泛的泛化能力

资源

论文