OSCAR：面向机器人的全具身动作条件视频世界模型

arXiv 2026 70.1 method, application

TLDR

OSCAR是一个动作条件视频世界模型，通过统一骨架表示和大规模数据，跨机器人形态泛化用于策略评估。

评分理由

The paper addresses key challenges in robot world models with a novel data pipeline and conditioning method, showing strong results and correlation with real-world evaluation. However, it relies on finetuning an existing model and lacks details on data curation and limitations.

Read-first 评分解释

综合优先阅读分 70.1，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 61。

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%

90.9

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：0.90927581

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：基线、数据集、评估、实验

主题相关性 29%

87.1

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

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方法锚点

排序敏感性

稳定性：volatile；排名波动范围：393。

关键词评分

world model

video world model

generative world model

interactive world model

world dynamics prediction

world simulator

model-based reinforcement learning world model

深度分析

创新点

大规模标准化数据管道，用于策划、过滤和去重广泛的机器人及自我中心人类数据集，以进行联合训练
2D运动学骨架渲染作为统一的条件表示，可跨不同机器人臂和人类手部泛化
在单个GH200 GPU上微调Cosmos-Predict2.5-2B模型，尽管模型更小、GPU更少，仍实现了强劲性能
展示了OSCAR中虚拟策略评估与使用RoboArena的真实世界评估之间的显著相关性

方法

OSCAR使用大规模标准化数据管道来策划、过滤和去重多样化的机器人和自我中心人类数据集。它通过2D运动学骨架渲染对视频世界模型进行条件化，该渲染作为跨形态的统一表示。在单个GH200 GPU上微调Cosmos-Predict2.5-2B模型，并与基线（更大模型或更多GPU）进行比较评估，同时部署OSCAR评估来自RoboArena的机器人策略，测量与真实世界结果的相关性。

关键结果

与现有基线相比，OSCAR在动作跟随、外观质量和运动一致性上取得了显著改进。OSCAR中的虚拟策略评估与真实世界评估显示出显著相关性，表明其替代物理机器人测试的潜力。

局限性

当前机器人训练数据集的场景多样性有限，数据管道仅部分解决了这一挑战
动作跟随不精确的问题有所改善，但可能仍存在残余误差
跨形态泛化能力差的问题得到缓解但未完全解决，尤其是对于未见过的机器人形态
模型在单个GPU上微调，可能限制在不同硬件上的可扩展性或可重复性
与真实世界评估的相关性显著但不完美，在完全替代物理评估方面仍存在不确定性

资源

论文