LDA-1B：通过通用具身数据摄入扩展潜动力学动作模型

arXiv 2026 40.8 method, system

TLDR

LDA-1B通过联合学习动力学、策略和视觉预测扩展机器人基础模型，超越先前方法。

评分理由

The paper introduces a novel approach to scaling robot foundation models via universal data ingestion and latent dynamics prediction, with strong empirical results in simulation and real world. However, the reliance on a specific latent representation (DINO) and complex multi-modal architecture may limit generalizability.

Read-first 评分解释

综合优先阅读分 40.8，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 42。

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

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：数据集、实验

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：数据集

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

排序敏感性

稳定性：volatile；排名波动范围：263。

关键词评分

world dynamics prediction

world model

interactive world model

generative world model

world simulator

video world model

model-based reinforcement learning world model

深度分析

创新点

通过联合学习动力学、策略和视觉表示，为不同质量数据分配不同角色，实现通用具身数据摄入。
通过结构化的DINO潜空间中的预测进行可扩展的动力学学习，避免像素空间外观建模。
采用多模态扩散变换器处理异步视觉和动作流，实现1B参数规模下的稳定训练。
创建了EI-30k，一个包含超过30k小时人类和机器人轨迹的统一具身交互数据集。
数据高效的微调，利用通常有害的30%低质量轨迹获得10%的提升。

方法

LDA-1B是一个1B参数的机器人基础模型，从统一异构数据集（EI-30k）中联合学习动力学、策略和视觉表示。它使用结构化的DINO潜空间进行动力学预测以避免像素空间建模，并采用多模态扩散变换器处理异步视觉和动作流。

关键结果

LDA-1B在接触密集、灵巧和长时域任务上分别比先前方法（如π_{0.5}）高出21%、48%和23%，并通过利用30%低质量轨迹实现了数据高效的微调，获得10%的提升。

资源

论文