USS：面向具身视觉跟踪的统一空间-语义提示与潜在动态学习

arXiv 2026 52.1 method, application

TLDR

USS提出统一空间-语义提示与潜在世界模型，用于具身视觉跟踪，提升目标定位与时间鲁棒性。

评分理由

The paper presents a novel paradigm shift from text-only to spatial-semantic prompts, supported by real-robot experiments showing higher success rates. However, the latent world model is a secondary component, and the paper focuses on tracking rather than general world modeling.

Read-first 评分解释

综合优先阅读分 52.1，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 17。

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%

95.3

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：0.95329477

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、结果

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、GitHub

主题相关性 29%

24.3

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

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方法锚点

排序敏感性

稳定性：volatile；排名波动范围：359。

关键词评分

world model

world dynamics prediction

generative world model

video world model

world simulator

interactive world model

model-based reinforcement learning world model

深度分析

创新点

从纯文本目标指示到统一空间语义提示的范式转变，用于具身视觉跟踪
USS框架在单一架构内支持多种提示类型（文本、点、边界框、掩码）
引入潜在世界模型，通过自监督对齐预测未来表示，以提升时间鲁棒性

方法

USS是一个端到端的具身跟踪框架，使用模态特定编码器对异构提示（文本、点、边界框、掩码）进行编码，通过混合注意力将提示令牌与视觉特征融合，并将紧凑的提示条件表示解码为自我中心航点。为了增强时间鲁棒性，它集成了一个潜在世界模型，通过自监督对齐预测未来表示。

关键结果

真实机器人实验表明，显式的空间目标线索比纯文本提示获得更高的成功率，尤其是在存在相似干扰物和更长时域跟踪的场景中，其中保持实例级目标身份至关重要。在仿真基准测试中，USS在非MLLM方法中取得了最先进的性能，并且与最近的MLLM方法相比，以更快的推理速度获得了有竞争力的结果。

局限性

纯文本提示仍然支持，但在具有多个语义相似对象的杂乱场景中可能导致目标定位模糊
该方法需要初始空间线索（点、边界框或掩码）以获得最佳性能，而该线索可能并非总是可用
潜在世界模型的自监督对齐可能无法泛化到高度不可预测或新颖的动态
仿真基准比较仅限于非MLLM方法和部分MLLM方法，并未涵盖所有最先进的方法

资源

论文