基于几何潜在扩散的空间感知世界动作模型

arXiv 2026 42.9 method, application

TLDR

SA-WAM 复用预训练视频扩散模型，联合预测动作、RGB 和深度，实现 3D 感知世界建模，助力机器人策略学习。

评分理由

The paper's strength is integrating geometric depth into a frozen video diffusion tokenizer, achieving strong results on benchmarks and real-world robot evaluations. Weaknesses include limited visible detail on limitations and reliance on existing benchmarks rather than new datasets.

Read-first 评分解释

综合优先阅读分 42.9，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 49。

方法质量 15%

100

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：分析、基线、基准、评估、指标、结果

近期性 5%

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

主题相关性 25%

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 15%

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

图谱声望 15%

5.7

基于可用 OpenAlex 引用关系构建局部引用图，并计算 PageRank 风格的图谱声望。局部 PageRank：0.0016

引用影响力 15%

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 10%

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：676。

关键词评分

world model

generative world model

video world model

world dynamics prediction

world simulator

interactive world model

model-based reinforcement learning world model

深度分析

创新点

提出了SA-WAM，一种空间感知世界动作模型，在单一扩散骨干网络中重新利用预训练视频扩散模型进行动作、RGB和深度的联合预测。
使用非线性编码将无界深度信号映射到冻结的VAE tokenizer所期望的有界输入域，从而无需针对3D进行微调即可复用该tokenizer。
在保留预训练视觉与物理先验的同时，实现3D感知的世界建模和动作预测。

方法

SA-WAM重新利用预训练视频扩散模型，在单一扩散骨干网络中联合预测未来动作、RGB观测和深度。非线性编码将无界深度映射到冻结的VAE tokenizer所需的有界输入域，避免了针对3D的微调。该方法在RoboCasa和LIBERO-Plus基准以及真实世界UR5机械臂设置中进行了评估，与强基线进行了比较，并分析了预测质量与rollout成功率之间的关系。

关键结果

SA-WAM在RoboCasa和LIBERO-Plus基准上取得了最先进的结果，同时改进了未来状态预测。在真实世界UR5机械臂评估中，它也优于强基线，在随机化环境中提升尤为显著，并显示出世界模型预测质量与rollout成功率之间的相关性。

资源

论文