从音频世界模型学习机器人操作

arXiv 25.12 2025 49.1 method, application

TLDR

提出一种生成式潜在流匹配模型，用于预测机器人操作的未来音频，实现多模态推理。

评分理由

The paper addresses an underexplored modality (audio) in world models for robotics, with clear methodology and empirical validation on two tasks. However, the scope is limited to audio-specific tasks and lacks comparison to broader world model approaches.

Read-first 评分解释

综合优先阅读分 49.1，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 41。

近期性 8%

86.7

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：2025

主题相关性 42%

58.6

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 25%

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 25%

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

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：504。

关键词评分

world model

generative world model

world dynamics prediction

interactive world model

model-based reinforcement learning world model

world simulator

video world model

深度分析

创新点

提出一种生成式潜在流匹配模型来预测未来的音频观测
将音频世界模型集成到机器人策略中，实现长期推理
证明准确预测具有节奏模式的未来音频状态对机器人操作任务至关重要

方法

本文提出了一种生成式潜在流匹配模型，用于预测未来的音频观测。该模型被集成到机器人策略中，使系统能够推理长期后果。系统在两个需要野外音频或音乐信号的操作任务上进行了评估，并与没有未来前瞻的方法进行了比较。

关键结果

所提出的系统在两个操作任务上相比没有未来前瞻的方法表现出优越性能，突显了准确预测未来音频对于具有内在节奏模式的任务的重要性。

技术栈

generative latent flow matchingrobot policyaudio world models

资源

论文