WM-Craftnet：面向泛化且稳健的灵巧手内操作的世界联觉模型

arXiv 2026 34.6 method, application

TLDR

WM-Craftnet 将世界联觉模型用作任务上下文，提升灵巧手内操作的稳健性、泛化性与仿真到现实迁移。

评分理由

The paper introduces a clever use of a world model as recurrent context rather than for policy optimization, with strong ablations and multi-object generalization. Weaknesses include limited abstract-level detail on real-world evaluation and no direct comparison to state-of-the-art world simulators.

Read-first 评分解释

综合优先阅读分 34.6，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 5%

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

方法质量 15%

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：消融、基线、指标

主题相关性 25%

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 15%

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

图谱声望 15%

5.7

基于可用 OpenAlex 引用关系构建局部引用图，并计算 PageRank 风格的图谱声望。局部 PageRank：0.0016

引用影响力 15%

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。引用数：0

引用速度 10%

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

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：338。

关键词评分

world model

world dynamics prediction

interactive world model

generative world model

model-based reinforcement learning world model

world simulator

video world model

深度分析

创新点

提出 WM-Craftnet，一种以世界模型为条件的框架，将所学到的 World Synesthesia Model (WSM) 用作非对称 Actor-Critic 策略的循环任务上下文，而非用于潜在想象或策略优化。
从本体感觉、深度、触觉感知和动作中学习紧凑的、以动作条件化的潜在动力学，并通过多模态重建和奖励预测进行监督。
训练 WSM 从带噪声的深度输入重建干净的深度目标，从而为真实机器人部署提供去噪后的几何状态。
使用在 9 个 z 轴物体上预训练的 WSM 作为 49 个物体下游策略学习的可复用先验。
通过消融实验证明，预测性世界建模、干净深度监督和触觉接触线索共同塑造了学到的状态。

方法

WM-Craftnet 学习一个世界联觉模型（WSM），该模型从本体感觉、深度、触觉感知和动作中编码以动作条件化的潜在动力学，并通过多模态重建和奖励预测进行监督。WSM 被用作非对称 Actor-Critic 策略的循环任务上下文；在 9 个 z 轴物体上预训练的 WSM 被迁移到 49 个物体的下游策略学习。消融实验比较了循环基线、辅助头、触觉掩蔽和 WSM 模态头。

关键结果

WSM 上下文提升了多物体旋转性能；消融实验表明，预测性世界建模、干净深度监督和触觉接触线索均对学到的状态有贡献。针对未见物体、扰动恢复和 sim-to-real 迁移，报告了定量与定性证据。

资源

论文