WoMAP：面向具身开放词汇目标定位的世界模型

arXiv 25.6 2025 59.8 method, application

TLDR

WoMAP利用潜在世界模型、高斯泼溅和开放词汇检测器实现机器人零样本主动目标定位。

评分理由

The paper presents a novel pipeline combining world models with scalable data generation and reward distillation, achieving strong empirical results in simulation and real hardware. However, the abstract lacks discussion of failure cases or limitations, and some keyword relevance is indirect.

Read-first 评分解释

综合优先阅读分 59.8，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 43。

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%

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：基线、数据集、实验

主题相关性 42%

61.4

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

可复现性 25%

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：数据集

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：199。

关键词评分

world model

world dynamics prediction

model-based reinforcement learning world model

interactive world model

world simulator

generative world model

video world model

深度分析

创新点

基于高斯泼溅的“真实-仿真-真实”流水线，无需专家演示即可实现可扩展数据生成
从开放词汇目标检测器中蒸馏密集奖励信号
利用潜在世界模型进行动力学和奖励预测，以在推理时锚定高层动作提议

方法

WoMAP使用基于高斯泼溅的“真实-仿真-真实”流水线生成训练数据，无需专家演示；从开放词汇目标检测器中蒸馏密集奖励；并利用潜在世界模型进行动力学和奖励预测以锚定动作提议。该方法在仿真和硬件上进行了评估，基线包括视觉语言模型和扩散策略方法。

关键结果

WoMAP在零样本目标定位任务中，成功率分别比视觉语言模型和扩散策略基线高出9倍和2倍以上，并在TidyBot上展示了强泛化能力和仿真到真实的迁移能力。

技术栈

Gaussian SplattingLatent World ModelOpen-Vocabulary Object DetectorsReal-to-Sim-to-Real Pipeline

资源

论文