⌁ Awesome World Model Hub 论文 · 数据集 · 项目
English GitHub
← 返回论文列表

VILP：基于潜在视频规划的模仿学习

arXiv 2025 50.6 method

TLDR

提出VILP，用潜在视频扩散模型生成多视角预测视频，提升时间一致性与策略性能，降低动作数据依赖。

评分理由

The paper proposes a practical integration of video generation into robot policy learning, with clear claims about temporal consistency, efficiency, and reduced action data dependence. However, the abstract lacks details about whether evaluations are in simulation or on real robots, and does not specify baselines or limitations.

Read-first 评分解释

综合优先阅读分 50.6，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 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

方法质量 25%
60

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：实验、指标

主题相关性 42%
50

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 25%
30

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

排序敏感性

稳定性：volatile；排名波动范围：452。

关键词评分

video world model
8
world model
6
generative world model
6
world dynamics prediction
6
world simulator
4
interactive world model
3
model-based reinforcement learning world model
2

深度分析

创新点

  • 提出基于潜在视频规划（VILP）的模仿学习方法。
  • 提出潜在视频扩散模型，生成具有时间一致性的预测机器人视频。
  • 生成多视角高度时间对齐的视频，包括两个不同视角各6帧96×160分辨率、5 Hz生成。
  • 证明减少对大规模高质量任务特定机器人动作数据的依赖，并稳健表达多模态动作分布。

方法

VILP 使用潜在视频扩散模型从多个视角生成预测机器人视频，用于机器人策略学习。该方法的评估与现有视频生成机器人策略及其他模仿学习方法进行对比，比较训练成本、推理速度、时间一致性和策略性能。

关键结果

VILP 在训练成本、推理速度、生成视频的时间一致性和策略性能上均优于现有视频生成机器人策略；在较少高质量任务特定动作数据下保持稳健性能，并能稳健表示多模态动作分布。

资源

论文

标签