UniviewVLA：一种统一的多视角视觉-语言-动作模型与世界建模

arXiv 2026 59.4 method, application

TLDR

UniviewVLA利用世界模型从两个摄像头生成多视角未来视图，无需额外硬件即可改善遮挡任务中的机器人操作。

评分理由

The paper presents a novel approach to handle occlusion by generating future multiview views, with efficient token compression and view selection. However, it relies on standard two-camera input and benchmarks that may not fully capture real-world occlusion complexity.

Read-first 评分解释

综合优先阅读分 59.4，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 50。

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%

94.4

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：0.94368595

主题相关性 29%

71.4

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

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、实验

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

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：474。

关键词评分

world model

generative world model

world dynamics prediction

video world model

interactive world model

model-based reinforcement learning world model

world simulator

深度分析

创新点

统一的多视角视觉-语言-动作模型，结合世界建模，仅从标准双摄像头观测推断多视角场景演变
运动信息令牌压缩，将每个生成视图从625个令牌压缩至16个，将每视图延迟从6-7秒降至0.2-0.3秒
无需训练的动作熵视图选择，动态识别不同推理阶段对动作信息最丰富的视图

方法

UniviewVLA使用世界模型从标准双摄像头观测（智能体视角和腕部视角）生成多视角未来视图，然后应用运动信息令牌压缩减少每视图令牌数量，以及动作熵视图选择选择对动作预测信息最丰富的视图。该模型在标准无遮挡基准（LIBERO、CALVIN）和定制遮挡任务上进行训练和评估，并进行了真实机器人实验。

关键结果

UniviewVLA在标准无遮挡基准上，LIBERO达到95.8%，CALVIN ABCD到D达到4.60；在定制遮挡任务上，成功率从40.0%提升至73.3%，真实机器人平均成功率提升33.4个百分点。

资源

论文