SCAR：自监督连续动作表示学习

arXiv 2026 51.4 method

TLDR

SCAR通过联合逆向前向动力学学习跨本体统一动作表示，提升世界模型泛化性和跨本体适应能力。

评分理由

The paper introduces a novel self-supervised framework with regularization and adversarial invariance to learn transferable action representations, which is a strength. However, evaluation is limited to Procgen and Robotwin datasets, and reliance on a pretrained generative backbone may limit applicability.

Read-first 评分解释

综合优先阅读分 51.4，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 29。

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%

80.8

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：0.80810256

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、实验、结果

主题相关性 29%

41.4

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：280。

关键词评分

world model

world dynamics prediction

generative world model

model-based reinforcement learning world model

interactive world model

video world model

world simulator

深度分析

创新点

提出SCAR，一种联合逆向-正向动力学框架，用于从视觉转换中学习跨具身的统一动作表示。
论证动作是一个独特的表示因子，将可控变化与具身特定驱动解耦，而不仅仅是辅助条件信号。
引入将潜在动作后验正则化到标准高斯先验以限制任意视觉编码，以及对抗不变性以抑制具身和环境特定的干扰因素。

方法

SCAR使用预训练生成骨干网络，结合逆向动力学模型（IDM）从潜在观测对中推断潜在动作，以及正向动力学模型（FDM）基于这些潜在动作预测未来动态。潜在动作空间通过标准高斯先验和对抗不变性进行正则化，以使表示跨具身可迁移。

关键结果

在Procgen和Robotwin数据集上的实验表明，学习到的统一潜在动作表示作为世界建模的条件接口比具身特定原始动作更强，实现了更好的跨具身低数据适应和跨任务迁移。

资源

论文