WristWorld: 通过4D世界模型生成腕部视角用于机器人操作

arXiv 25.10 2025 57.6 method, application

TLDR

WristWorld通过4D世界模型从锚定视角生成腕部视角视频，提升VLA操作性能。

评分理由

The paper introduces a novel two-stage method combining geometric reconstruction and video generation to bridge the anchor-wrist view gap, with strong empirical results on real robotic datasets. However, the approach is specialized to wrist-view generation and relies on a specific geometric model (VGGT), limiting generality.

Read-first 评分解释

综合优先阅读分 57.6，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%

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：数据集、实验、指标、结果

主题相关性 42%

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：310。

关键词评分

world model

video world model

generative world model

world dynamics prediction

world simulator

interactive world model

model-based reinforcement learning world model

深度分析

创新点

首个仅从锚定视角生成腕部视角视频的4D世界模型，解决了丰富锚定视角与稀缺腕部视角之间的差距。
空间投影一致性（SPC）损失函数，用于估计几何一致的腕部视角姿态和4D点云。
两阶段流程：重建（扩展VGGT并加入SPC损失）和生成（从重建视角合成时间连贯的视频）。

方法

WristWorld分两个阶段运行：(i) 重建阶段，扩展VGGT并引入空间投影一致性（SPC）损失，以估计几何一致的腕部视角姿态和4D点云；(ii) 生成阶段，采用视频生成模型从重建视角合成时间连贯的腕部视角视频。模型在Droid、Calvin和Franka Panda数据集上进行评估。

关键结果

WristWorld在视频生成方面达到了最先进的水平，具有优越的空间一致性，并将VLA性能提升至Calvin上平均任务完成长度提高3.81%，缩小了42.4%的锚定-腕部视角差距。

技术栈

VGGTSpatial Projection Consistency (SPC) LossVideo generation model

资源

论文