PhysMani: 基于物理原理的动态物体操作三维世界模型

arXiv 2026 41.2 method, benchmark, application

TLDR

PhysMani结合基于物理的三维高斯世界模型与策略，实现动态物体操作，在仿真和真实任务中取得优越成功率。

评分理由

The paper introduces a novel framework integrating physics-principled 3D world modeling with action policy, supported by a new benchmark and real-world experiments. Strengths include clear methodology and empirical validation; weaknesses are not evident from the abstract but limited detail on baselines.

Read-first 评分解释

综合优先阅读分 41.2，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 42。

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

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、基准、实验

主题相关性 29%

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：无

引用影响力 18%

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。引用数：0

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

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：265。

关键词评分

world model

world dynamics prediction

world simulator

model-based reinforcement learning world model

interactive world model

generative world model

video world model

深度分析

创新点

基于物理原理的三维高斯世界模型，具有无散度高斯速度场，用于物理上合理的未来动力学预测
未来感知动作策略模型，通过可学习的基于令牌的交叉注意力整合预测的三维场景动力学
PhysMani-Bench，一个包含16个任务的动态操作基准

方法

PhysMani将基于物理原理的三维高斯世界模型与未来感知动作策略模型相结合。世界模型通过在线优化学习无散度高斯速度场，以实现快速且物理上合理的未来动力学预测。策略模型通过可学习的基于令牌的交叉注意力模块整合预测的三维场景未来动力学。

关键结果

PhysMani在引入的PhysMani-Bench（16个任务）的仿真和真实世界机器人实验中，相较于强基线取得了优越的成功率。

资源

论文