OrbiSim：作为可微分物理引擎的世界模型用于具身智能

arXiv 2026 53.6 method, system

TLDR

OrbiSim将世界模型重新定义为可微分物理引擎，实现仿真与策略优化的端到端可微性。

评分理由

The paper introduces a novel paradigm that bridges structured scene assets, neural dynamics, and RL through full differentiability, with empirical results showing improved predictive fidelity and control. However, the abstract lacks explicit details on real-world experiments or specific benchmarks, and some claims about potential are not fully supported by visible evidence.

Read-first 评分解释

综合优先阅读分 53.6，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 46。

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%

80.7

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：0.80689593

主题相关性 29%

65.7

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

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：结果

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：无

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

排序敏感性

稳定性：volatile；排名波动范围：358。

关键词评分

world model

world dynamics prediction

model-based reinforcement learning world model

world simulator

interactive world model

video world model

generative world model

深度分析

创新点

将世界模型重新定义为面向具身智能的完全可微分物理引擎
建立统一且基于物理的路径，连接结构化场景资产、神经动力学与下游强化学习
实现从显式状态转换到视觉观测生成的整个仿真循环的端到端可微性
支持传统仿真器难以处理的任务，如可微分接触建模、稀疏奖励下的梯度策略优化及直观物理推理

方法

OrbiSim是一种机器人仿真范式，将结构化场景资产、神经动力学和强化学习整合为完全可微分的物理引擎。它通过覆盖状态转换和视觉观测生成的整个仿真循环实现端到端可微性，从而支持策略学习和物理推理的梯度优化。

关键结果

OrbiSim在预测保真度和控制性能上均显著优于最先进的世界模型，并对资产配置和物理参数表现出一致的响应性。

技术栈

PyTorch

资源

论文