ManiGaussian++: 基于分层高斯世界模型的通用机器人双臂操作

IROS 25 2025 66.8 method

TLDR

通过分层高斯世界模型扩展ManiGaussian实现多任务双臂机器人操作，超越现有最优方法。

评分理由

The paper presents a novel hierarchical Gaussian world model for bimanual manipulation, addressing multi-body spatiotemporal dynamics. Strengths include clear methodology and strong results, but the abstract lacks explicit real-world validation, and the cut-off text limits full assessment.

Read-first 评分解释

综合优先阅读分 66.8，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 45。

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

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：有；数据：无；命中信号：代码、GitHub

主题相关性 42%

64.3

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：结果

研究版图角色

前沿论文复现锚点

排序敏感性

稳定性：volatile；排名波动范围：155。

关键词评分

world model

world dynamics prediction

generative world model

interactive world model

world simulator

video world model

model-based reinforcement learning world model

深度分析

创新点

用于双臂操作的分层高斯世界模型及其领导者-跟随者架构
面向任务的高斯泼溅，用于区分主动臂和稳定臂以建模多体时空动力学

方法

ManiGaussian++从中间视觉特征生成面向任务的高斯泼溅，以区分主动臂和稳定臂。然后构建分层高斯世界模型，其中领导者预测由稳定臂运动引起的高斯泼溅变形，跟随者生成由主动臂运动产生的物理后果，从而通过未来场景预测获得中间视觉表示。

关键结果

该方法在10个模拟任务中比当前最先进的双臂操作技术提升20.2%，并在9个具有挑战性的真实世界任务中平均达到60%的成功率。

资源

论文代码