SWAP: 对称等变世界模型用于敏捷机器人跑酷

arXiv 2026 53.5 method

TLDR

SWAP将对称性嵌入四足机器人跑酷的世界模型，实现破纪录跳跃和零样本泛化。

评分理由

The paper presents a novel symmetric equivariant world model that reduces learning burden and achieves impressive real-world parkour records. Strengths include real-world validation and strong geometric generalization, but the approach is limited to symmetric quadruped locomotion and lacks explicit baseline comparisons in the abstract.

Read-first 评分解释

综合优先阅读分 53.5，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 35。

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%

88.4

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：0.88370536

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：指标、结果

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：代码

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

排序敏感性

稳定性：volatile；排名波动范围：343。

关键词评分

world model

model-based reinforcement learning world model

world dynamics prediction

world simulator

generative world model

interactive world model

video world model

深度分析

创新点

端到端等变对称世界模型，将左右对称性直接嵌入世界模型和演员-评论家网络
通过避免在潜在世界模型中冗余编码对称交互来减少学习负担
证明对称等变性是推动学习型腿式运动物理极限的有效结构先验

方法

SWAP是一个端到端等变对称世界模型，将对称性直接融入世界模型和演员-评论家网络。它使用带有等变层的潜在世界模型架构来强制左右对称性，减少冗余学习。该模型在真实机器人数据上训练，并在包括跨越间隙和攀爬平台在内的跑酷任务上进行评估。

关键结果

机器人成功跨越2.13米间隙并攀爬1.63米平台，打破了四足机器人跑酷的先前记录。该框架还展现出对未见过的镜像地形的鲁棒几何泛化能力，以及在多样户外环境中的零样本迁移能力。

资源

论文