STORM: 搜索引导的生成式世界模型用于机器人操作

arXiv 25.12 2025 69.3 method

TLDR

STORM融合扩散动作生成、视频预测和MCTS，实现可解释的机器人操作规划，在SimplerEnv上达到最优。

评分理由

The paper presents a novel framework that explicitly grounds planning in visual rollouts, with strong empirical results (51.0% success rate, 75% FVD reduction) on a simulation benchmark. However, it lacks real-world experiments and only evaluates on a single simulated environment, limiting generalizability claims.

Read-first 评分解释

综合优先阅读分 69.3，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 58。

近期性 8%

86.7

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：2025

主题相关性 42%

82.9

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 25%

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、评估、实验

可复现性 25%

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

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：157。

关键词评分

world model

generative world model

video world model

world simulator

world dynamics prediction

interactive world model

model-based reinforcement learning world model

深度分析

创新点

将基于扩散的动作生成、条件视频预测和基于搜索的规划统一到一个框架中，用于机器人操作中的时空推理。
将规划建立在显式的视觉推演之上，而非抽象潜在动态或基于语言的推理，实现可解释且具有前瞻性的决策。
引入奖励增强的视频预测，显著提高时空保真度和任务相关性，将弗雷歇视频距离降低超过75%。

方法

STORM采用基于扩散的视觉-语言-动作（VLA）策略提出多样化的候选动作，生成式视频世界模型模拟其视觉和奖励结果，蒙特卡洛树搜索（MCTS）通过前瞻评估选择性优化规划。该框架在SimplerEnv操作基准上进行了评估，并与CogACT等基线进行了比较。

关键结果

STORM在SimplerEnv上达到了51.0%的新最优平均成功率，优于CogACT等强基线，并通过奖励增强的视频预测将弗雷歇视频距离降低了超过75%。此外，它在长时域任务中展现出鲁棒的重新规划和失败恢复行为。

技术栈

Diffusion modelsVideo predictionMonte Carlo Tree SearchVision-Language-Action (VLA) models

资源

论文