通过残差潜在动作学习基于视觉特征的世界模型

arXiv 2026 58.9 method

TLDR

提出残差潜在动作（RLA）和RLA-WM，通过流匹配预测视觉特征，在仿真和真实任务上超越先前方法。

评分理由

The paper introduces a novel latent action representation (RLA) and a flow-matching-based world model that predicts visual features, achieving strong performance on both simulation and real-world datasets while being faster than video diffusion. Strengths include efficiency and reduced hallucination; weaknesses include limited discussion of limitations and potential complexity of flow matching.

Read-first 评分解释

综合优先阅读分 58.9，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 53。

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%

75.7

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

引用影响力 18%

74.4

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：0.74366489

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

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、数据集、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

前沿论文桥接论文

排序敏感性

稳定性：volatile；排名波动范围：434。

关键词评分

world model

world dynamics prediction

generative world model

model-based reinforcement learning world model

interactive world model

world simulator

video world model

深度分析

创新点

从DINO残差中学习到的残差潜在动作（RLA）表示，具有预测性、泛化性并编码时间进程
RLA世界模型（RLA-WM），通过流匹配预测RLA值，优于最先进的基于特征和视频扩散的世界模型
两种机器人学习技术：基于RLA的无动作演示视频的世界动作模型，以及完全在仅离线视频学习的世界模型内训练的视觉强化学习框架

方法

本文引入从DINO残差中学习的残差潜在动作（RLA）。RLA世界模型（RLA-WM）使用流匹配预测未来的RLA值。该模型在仿真和真实世界数据集上评估，与基于特征和视频扩散的世界模型进行比较，并用于开发两种机器人学习方法：从无动作视频中学习的世界动作模型，以及完全基于离线视频训练的视觉强化学习框架。

关键结果

RLA-WM在仿真和真实世界数据集上均优于最先进的基于特征和视频扩散的世界模型，同时比视频扩散快数个数量级。

资源

论文