UniT：迈向统一物理语言，用于人-人形机器人策略学习与世界建模

arXiv 2026 48.8 method, application

TLDR

UniT用视觉锚定潜在动作分词器统一人类与类人策略学习与世界建模，实现零样本迁移与高效视频生成。

评分理由

Strengths: novel cross-embodiment transfer using visual anchoring, demonstrated on real-world and simulation. Weaknesses: limited details on world modeling evaluation; reliance on human data may have biases.

Read-first 评分解释

综合优先阅读分 48.8，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 38。

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%

62.5

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：0.62533644

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：基准、评估

主题相关性 29%

54.3

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

前沿论文桥接论文

排序敏感性

稳定性：volatile；排名波动范围：242。

关键词评分

world model

video world model

generative world model

world dynamics prediction

model-based reinforcement learning world model

interactive world model

world simulator

深度分析

创新点

通过视觉锚定实现人类到类人机器人迁移的统一物理语言
三分支交叉重建机制：动作预测视觉，视觉重建动作，融合分支
与具体形态无关的物理意图的共享离散潜在空间
两种范式：VLA-UniT用于策略学习，WM-UniT用于世界建模

方法

UniT采用三分支交叉重建机制：动作预测视觉以将运动学锚定到物理结果，视觉重建动作以过滤无关视觉混淆因素，融合分支将这些净化后的模态协同整合到与具体形态无关的物理意图的共享离散潜在空间中。该框架在策略学习（VLA-UniT）和世界建模（WM-UniT）两种范式下，利用大量第一人称人类数据进行验证，并在类人机器人仿真基准和真实世界部署中进行了评估。

关键结果

VLA-UniT实现了最先进的数据效率和鲁棒的分布外泛化，包括在类人机器人仿真和真实世界部署中的零样本任务迁移。WM-UniT实现了直接的人类到类人机器人动作迁移以进行视频生成，t-SNE可视化证实了人类和类人机器人特征收敛到共享流形。

资源

论文