机器人学习中的世界模型：全面综述
TLDR
全面综述机器人学习中的世界模型，涵盖架构、应用、数据集与未来方向。
评分理由
The paper provides a thorough and systematic review of world models in robot learning, effectively bridging fragmented literature and highlighting key paradigms and applications. However, as a survey, it does not introduce novel experimental results or methods, which limits its direct contribution beyond synthesis.
Read-first 评分解释
综合优先阅读分 63.3，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 57。
研究版图角色
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：430。
关键词评分
深度分析
创新点
- 从机器人学习视角全面综述世界模型，解决文献碎片化问题
- 提出世界模型与机器人策略耦合、作为学习模拟器、作为视频生成模型的分类体系
- 将世界模型概念与导航和自动驾驶领域相连接
- 总结代表性数据集、基准和评估协议
方法
作者对机器人学习中的世界模型进行了系统性文献综述，考察了架构、功能角色和应用。他们根据世界模型与策略的耦合方式、作为强化学习和评估的学习模拟器、以及从基于想象的生成到可控、结构化、基础规模公式的机器人视频世界模型进展对工作进行分类。综述还将这些思想与导航和自动驾驶联系起来，并总结了代表性数据集、基准和评估协议。
关键结果
该综述识别了机器人学习世界模型的关键范式，包括策略耦合、学习模拟和视频生成。它还提供了代表性数据集、基准和评估协议的总结，并强调了具身智能体中预测建模的主要挑战和未来方向。