WEAVER:一种更优、更快、更长的机器人操作世界模型

HuggingFace Daily Papers(社区热门论文)·2026-06-11 08:00·80天前
AI 导读

WEAVER是一种多视图世界模型架构,通过流匹配损失训练预测未来潜变量和奖励值,满足保真度、一致性和效率三个要求。在机器人操作任务上,WEAVER在政策评估中与真实成功率的相关系数ρ=0.870,在π₀.₅基础模型基础上实现政策改进成功率提升38%,测试时规划成功率提升14%,且速度比先前世界模型快5–10倍。在分布外场景下表现也优于先前世界模型。代码、模型和视频已开源。

HuggingFace Daily Papers(社区热门论文)
精选
75AI 编辑部评分,满分 100

WEAVER:一种更优、更快、更长的机器人操作世界模型

2026-06-11 08:00· 80天前
AI 导读

WEAVER是一种多视图世界模型架构,通过流匹配损失训练预测未来潜变量和奖励值,满足保真度、一致性和效率三个要求。在机器人操作任务上,WEAVER在政策评估中与真实成功率的相关系数ρ=0.870,在π₀.₅基础模型基础上实现政策改进成功率提升38%,测试时规划成功率提升14%,且速度比先前世界模型快5–10倍。在分布外场景下表现也优于先前世界模型。代码、模型和视频已开源。

推荐理由

世界模型在机器人操控上第一次同时跑通了「高保真、长时一致、高推理效率」这三个硬指标,真机实验把成功率拉高38%,代码模型全开源,搞具身智能的值得认真读。

正文 · AI 翻译

同等贡献。通讯作者:Arnav <arnav-kumar.jain@mila.quebec> 和 Yilin <yilinwu@andrew.cmu.edu>。

摘要

世界模型(WM,即学习型模拟器)对机器人技术的潜在影响十分深远——涵盖策略评估、策略改进以及测试时规划——且所有这些都只需有限的真实世界交互。为了释放这些下游能力,世界模型需要同时满足三个必要条件:(i) 保真度(即生成与真实情况相关的模拟轨迹),(ii) 一致性(即生成长时间跨度内连贯的模拟轨迹),以及 (iii) 效率(即快速生成模拟轨迹)。我们提出 WEAVER(面向具身推理的多视角世界估计):一种同时满足上述三个必要条件的世界模型架构,在机器人操作任务上取得了最先进的结果。WEAVER 是一个多视角世界模型,通过流匹配损失来预测未来的潜在状态和奖励值。我们提炼了模型架构、记忆和预测目标方面的关键设计决策,这些决策对于攻克此前世界建模方法难以处理的长期动态操作任务至关重要。我们将 WEAVER 应用于机器人硬件,证明了其在策略评估(与真实世界成功率的关联性)、策略改进(在机器人基础模型之上实现真实世界成功率的提升)以及测试时规划(相较于先前世界模型,真实世界成功率提升且速度加快)方面的有效性。在分布外场景下评估时,WEAVER 也展现出优于先前世界模型的性能。代码、模型及视频请访问:https://arnavkj1995.github.io/WEAVER/。

1 引言

世界模型(WM,[13]),即学习型模拟器,已引起学术界 [12, 54, 51, 33] 和工业界 [6, 36] 的浓厚兴趣。这是因为世界模型为机器人技术带来了巨大前景:无需代价高昂且往往不安全的真实世界交互,即可评估和改进策略。此外,当世界模型被整合到规划算法中时,还能实现测试时扩展。

为了同时实现评估、改进和规划这三项承诺,机器人世界模型必须共同满足三个核心需求。首先是(i)保真度:生成与真实世界结果相关的、物理上准确的预测。其次是(ii)一致性:在长预测范围内保持预测的连贯性。第三是(iii)效率:快速生成预测。例如,策略评估和改进需要高保真度的预测(以处理任意的视觉运动机器人策略)以及一致性(以处理多阶段任务)。同样,规划需要快速推理以满足机器人的实时性要求。

尽管进展迅速,但目前尚无机器人世界模型能同时满足所有这三个需求。例如,视频生成模型 [29] 以低效率为代价生成高保真度的内容。同样,JEPA 风格的世界模型 [2] 具有潜在状态,这些状态可能无法解码为评估任意视觉运动机器人策略所需的图像。而尽管 Dreamer-v4 [16] 看起来很有前景,但从头开始学习编码器而非使用预训练模型,可能会损害其在分布外场景下的鲁棒性。

当我们聚焦于机器人操作时,世界建模问题变得更为复杂,因为我们必须处理场景的多视角、从历史信息中推断被遮挡的物体,并确保预测的世界状态具有相对较高的保真度,而不仅仅是视觉上的美观。处理这些复杂性往往以牺牲效率为代价,例如像 Ctrl-World [12] 这样用于操作任务的最先进世界模型,其运行速度远慢于真实世界,这使其无法用于测试时的规划,并使得策略改进在计算上变得困难。

为此,我们提出了 WEAVER(面向具身推理的多视角世界估计):一种世界模型架构,实现了(i)高保真度、(ii)长程一致性以及(iii)高效生成,从而在具有挑战性的机器人操作任务中,于策略评估、策略改进和测试时规划方面均达到了最先进的性能。为了实现这三重能力,WEAVER 融合了以往世界建模方法中的关键设计决策。从视频生成领域,我们采用了扩散强制(Diffusion Forcing)[7] 和流匹配(Flow Matching)[27](用于在快速推理速度下实现长程生成),以及使用预训练编码器 [35](用于提升分布外鲁棒性)。从潜在世界模型 [16, 37, 12] 中,我们采用了奖励预测头,以便无需像 VLM 这样的外部评判模型即可进行高效评估。从 JEPA [3] 中,我们将未来潜在预测(而非图像重建)作为主要训练目标。最后,为了处理机器人操作中的特定复杂性,我们采用了 Ctrl-World [12] 的多视角生成和记忆架构。

综合来看,我们最终形成了一个完整的整体:一个可用于机器人操作的世界模型,能够灵活地应用于评估、改进和规划。在一套包含五项操作任务(从抓取放置到可变形物体操作)的真实硬件实验中,WEAVER 在用于评估时,与真实世界成功率展现出强相关性;在无需任何真实世界交互的情况下,提升了 [21] 机器人基础模型的真实世界成功率;并且实现了比 Ctrl-World [12] 更快的测试时规划。

Refer to caption
图 1:我们提出了 WEAVER,一个满足三个需求的世界模型:(i)高保真度,(ii)长程一致性,以及(iii)高效生成。凭借这些特性,我们释放了下游策略评估(中)、策略改进(右上)和测试时规划(右下)的潜力。

2 相关工作

机器人世界模型。虽然世界模型已在自动驾驶[36, 45]、视频游戏[18]和代码生成[8]等领域得到探索,但我们重点关注其在机器人技术[49, 12, 37, 42, 3]中的应用——更具体地说,是视觉操作任务。尽管视频生成技术的进步[47, 4]带来了高(i)保真度的世界模型[29, 12, 37, 33, 12, 10, 36],但这些世界模型通常(iii)效率不足以用于测试时规划。然而,通过融入更广泛视觉社区的关键技术,如流匹配[27]和扩散强制[7],我们得以提升WEAVER的(iii)效率。此外,使用预训练视频生成模型的编码器[35]增强了WEAVER对分布外视觉输入的鲁棒性,而使用预训练解码器则使我们能够评估任意视觉运动机器人策略,这与JEPA风格的模型[3]不同。最后,我们采用了Dreamer-v4[16]的潜在奖励和价值头,以实现(iii)高效的评估和规划,无需像[11]那样将解码后的图像传递给外部且通常较慢的VLM评判器。

以往的世界模型[14, 15, 17, 49, 50, 23, 22]难以在长时间跨度内保持时间(ii)一致性。为此,我们借鉴了[12, 36]中的多视角预测、历史记录和记忆机制,确保即使在夹爪与物体交互存在遮挡的情况下,生成的序列也能保持连贯。这与WorldGym[33]、DreamerV4[16]和DreamDojo[10]等早期世界模型形成了对比。

与我们的方法最为接近的可能是Ctrl-World[12]和Dreamer-v4[16]。通过采用视频生成社区的技术[7, 27]实现更(iii)高效的推理,我们能够在更短时间内生成更高(i)保真度且时间(ii)一致性更强的序列,在帕累托意义上优于Ctrl-World[12]。通过使用预训练编码器[35]而非像Dreamer-v4[16]那样从头学习一个编码器,我们很可能继承了更好的分布外视觉输入鲁棒性。

世界模型在机器人技术中的应用。世界模型有望在机器人策略评估、改进和测试时规划方面带来“下游”进展。先前的研究表明,足够保真的世界模型能够实现可扩展的策略评估[42, 51, 46],同时早期结果也提示,合成轨迹可能有助于改进策略[11, 46],不过其实际效果能达到何种程度仍是一个悬而未决的问题。最近,世界模型被探索用于测试时规划[32, 50],其核心挑战在于为在线优化快速生成准确结果。WEAVER正是针对机器人操作领域的这些下游应用而设计的。

3 WEAVER:面向具身推理的多视角世界估计

Refer to caption
图2:WEAVER架构。左图:世界模型对记忆、历史记录和动作序列进行编码,以在潜在空间中生成未来的推演结果。中图:配备奖励和评论家头的潜在验证器,会选择优势值较高的样本,从而引导策略分布。右图:对应于不同动作序列结果所生成的解码输出。

我们现在介绍WEAVER的关键组成部分:一个旨在支持策略评估、策略改进和测试时规划的机器人世界模型。世界模型在操作任务中的这些下游应用,在上游提出了三个关键需求:(i) 在物理交互过程中保持多视角的保真度,(ii) 在可能引入遮挡的长时程交互中保持预测的一致性,以及(iii) 具备足够高效的生成能力,以用于实时规划算法。

为了同时满足这三个需求,WEAVER融合了多种技术要素。我们首先描述关键的世界模型设计决策和训练目标(第3.1节),随后介绍推理加速(第3.2节)和潜在空间价值估计(第3.3节)。最后,我们将展示这些组件如何共同实现评估、改进和规划功能(第3.4节)。

设置:机器人与策略。我们考虑由自然语言指令指定的长时域机器人操作任务。设机器人的本体感知状态(例如关节角度)为 。机器人还拥有场景的 RGB 视图(例如来自腕部摄像头和第三人称摄像头);设这组多视角图像为 。在时间步 ,机器人同时观察多视角图像和本体感知状态: 。设机器人的动作为 (例如关节速度)。给定任意 ,机器人的基础策略生成一个 步的未来动作块(即 ),随后在 WM/环境中执行。

世界模型架构。我们的 WM 通过一个预训练编码器 将观测映射为潜在状态 。一个关键的设计选择是让我们的世界模型同时以每第 个先验潜在状态的记忆 以及最近 步潜在状态的历史 为条件。给定记忆、历史和一个 步的动作计划 ,WM 预测未来的潜在状态:

(1)

其中 是 步的未来。我们还训练了一个奖励模型,用于对预测的潜在状态与语言指令的对齐程度进行评分:其中 。为了实现对视觉运动策略的迭代调用,我们使用一个预训练解码器来获取未来的观测(摄像头视图和本体感知状态),即 ,其中 是 步的未来观测。最终的预测 被反馈给策略,以生成下一个动作块。

3.1 实现高保真、时序一致的世界模型生成的关键设计决策

多视角相机预测。尽管在设计用于操作的视觉运动机器人策略时,使用多个视角(例如腕部相机和外部相机)是常见做法,以应对部分可观测性并捕捉更精细的物体-夹爪交互 [21],但许多世界模型仅预测单一视角 [33, 10]。遵循 [12, 24, 44] 的做法,WEAVER 同时预测外部相机和腕部相机的观测结果。多视角提供的更多信息有助于通过处理操作过程中的遮挡来提升(ii)一致性。每个视角都使用预训练的 Stable Diffusion 3 VAE 编码器 [9] 编码为图像块 token。我们将本体感受状态投影到相同的 token 维度,并通过拼接图像块 token 和本体感受 token 来获得结果。

本体感受状态预测。除了未来的视觉潜变量,WEAVER 还预测未来的本体感受状态。我们发现,显式预测机器人的配置(而不仅仅是像 Ctrl-World [12] 那样的视觉观测)对于处理可变形物体的接触密集型操作至关重要,因为这类操作通常需要知道手臂的精确位置和夹爪的张开宽度。

稀疏记忆与短期历史。世界模型生成过程中的时间(ii)一致性要求模型理解在交互过程中哪些发生了变化、哪些保持不变。这在操作任务中尤其具有挑战性,因为遮挡和腕部相机视角变化可能导致物体和背景场景的一部分离开或进入机器人的视野。为此,WEAVER 基于 [12] 的方法,在生成未来状态时以两组观测结果为条件:长期稀疏记忆和短期历史。具体来说,记忆包含每第 th 个编码后的观测结果,以帮助捕捉更长期的上下文;而历史则包含最近两帧,以捕捉动作带来的短期后果。

潜在动力学模型。该潜在动力学模型基于记忆、历史记录和候选行动方案来预测未来的潜在状态。为了在(i)保真度与(iii)效率之间取得平衡,WEAVER 采用了遵循文献[16, 33]的高效 2D Transformer 架构,其动力学模块由空间注意力机制和因果时序注意力机制组成。在每个预测步骤中,模型以潜在 token、行动 token 和流时间步嵌入为条件,自回归地生成一个步长的片段。为了稳定训练,每个模块均使用 RMSNorm [52]、RoPE [39]、QKNorm [19] 和 SwiGLU 前馈层 [38](更多细节见附录 A2)。

训练目标。与文献[16]类似,我们使用流匹配损失 [27] 来训练潜在动力学模型以预测未来的潜在状态。设 表示真实的下一个潜在状态, 表示一个维度相同的高斯噪声向量。接着,我们定义 ,其中 。然后,我们通过最小化均方误差来训练模型预测“速度”:。为了提升长程(ii)一致性,我们采用了扩散强制 [7] 方法,该方法在未来的不同时间步上使用独立采样的噪声水平来训练潜在动力学模型。我们还使用了 SPRINT 模块 [30],该模块会主动丢弃潜在状态中的补丁 token,以提升(iii)效率。

3.2 加速世界模型推理速度

对于像 WEAVER 这样基于扩散 Transformer 的世界模型 [12, 16, 33],延迟是(a)模型前向传播和(b)迭代去噪两者的共同结果。因此,(iii)高效生成需要同时解决这两个问题。我们通过在所有去噪步骤中对记忆和历史 token 使用 KV 缓存来降低(a)的成本。我们通过调整去噪过程来降低(b)的成本。具体来说,在扩散强制 [7] 的基础上,我们采用了渐进式噪声调度。与文献[12, 16]中使用的线性调度不同,WEAVER 采用余弦调度以实现更高的(i)保真度生成。

为了进一步提升(iii)效率,使其达到测试时规划所需的水平,我们采用整流流目标[28]对 WEAVER 进行后训练,使其能够在少量前向传播内生成高质量内容。具体而言,我们首先利用去噪过程生成一条高质量的潜在轨迹,然后将其作为二次蒸馏步骤的目标。更多实现细节请参见附录 A2.3。

3.3 基于世界模型的精确高效价值估计

奖励模型。为了实现(iii)对提议动作片段的高效评分,而无需(a)将潜在表示解码为图像以及(b)将其输入外部 VLM 评判模型[11, 33],我们将现成奖励模型产生的分数蒸馏到一个轻量级奖励头中,该奖励头直接对潜在状态和语言指令进行操作。奖励头使用 AdaPool[5] 聚合潜在 token,随后接入 MLP 层。我们使用简单的均方误差目标进行训练。

评论家。为了支持使用世界模型进行截断时间范围的推演,WEAVER 学习了一个评论家网络,用于估计超出想象时间范围的价值。该评论家与奖励模型共享相同的潜在空间设计,并使用 MSE 目标进行训练,以预测自举的 λ 回报[40]。给定来自 的潜在奖励,目标递归定义为 , 。然后通过最小化 来训练评论家。

3.4 下游世界模型应用:评估、改进与规划

通过同时满足(i)保真度、(ii)一致性和(iii)效率这三个理想特性,WEAVER 能够支持评估、改进和规划等下游能力。

策略评估。对于策略评估,我们从真实世界推演中获取记录的动作轨迹,在 WEAVER 内部以开环方式执行这些轨迹,并沿途记录预测的奖励值。我们专注于长时域任务,这些任务有时需要对 WEAVER 的潜在动力学模型进行 40 次以上的迭代评估,这凸显了时间(ii)一致性和(iii)效率的重要性。

策略改进。对于策略改进,我们从策略中采样一个长度为 τ 步的动作块,并在世界模型内向前模拟 N 次,总共覆盖 T 个时间步,利用 WEAVER 的(i)保真度和(ii)一致性。从相同的初始观测值出发,重复此过程 K 次后,我们收集到一批轨迹展开。然后,我们计算每条轨迹展开的 τ 步优势函数的蒙特卡洛估计:如果该批次中得分最高的轨迹展开(即 τ*)的优势值超过某个小的正阈值(即 A > δ),我们就将其蒸馏到基础策略中。这种基于优势的过滤机制可以防止策略在那些所有 τ 步采样计划都被预测为比当前策略预期行为更差的状态下被更新[23, 1]。

测试时规划。我们采用单块、最佳 N 次[26]的测试时扩展方法,该方法不涉及迭代调用潜在动力学模型。具体来说,给定当前观测值和指令,我们从策略中采样候选动作块,用世界模型想象它们的结果,并执行通过潜在奖励头和评论家头估算出优势值最高的那个动作块。WEAVER 的(iii)效率(包括潜在动力学模型的速度,以及无需调用外部 VLM 评判器,仅通过奖励头即可评估候选动作序列的能力)对于解锁这种测试时扩展能力至关重要。

4 实验设置

基础策略与硬件。我们的基础策略是[21],这是一个在 DROID 数据集[41]上训练的最先进的视觉-语言-动作(VLA)策略。我们遵循 DROID 硬件设置,使用一个 Franka Emika Panda 机械臂、两个安装在工作区左右两侧的外部 Zed 2i 摄像头,以及一个安装在手腕上的 Zed Mini 摄像头(见附录图 10)。VLA 策略和我们的 WEAVER 世界模型仅使用右侧摄像头视图和手腕摄像头¹。 ¹我们设置了所有三个摄像头,因为我们的主要世界模型基线[12]使用了全部三个视图。

数据集与任务。为了使世界模型与基础策略的数据分布对齐,我们首先在 DROID 数据集上对 WEAVER 世界模型进行预训练,然后在我们真实世界的设置上对其进行微调。我们通过执行五项真实世界操作任务来收集数据以微调世界模型,每项任务执行 50 次。我们还为每项任务额外收集了 20 次执行数据作为评估数据。我们选择的任务使得基础策略至少能达到一定的成功率,同时涵盖从刚性物体抓取放置到可变形物体操作以及动态操作等一系列能力。具体来说,我们的任务是:叠碗(将一个碗叠在另一个碗上);抓放袋子(将一个可变形的薯片袋放到盘子上);抓放记号笔(重新调整记号笔的方向并将其插入杯子中);抓放毛巾(将一条柔软的毛巾放入篮子中);以及倒咖啡豆(将装满咖啡豆的杯子倒入碗中)。每项任务的详细信息可在附录 A1.1 中找到。

世界模型训练。WEAVER 是一个拥有 9.28 亿参数的模型。我们在 DROID 数据集 [41] 上使用 32 的批量大小和 1e-4 的学习率在 GPU 上预训练了 100 万步,耗时 10 天。为了在 WEAVER 的潜在表示之上训练奖励模型和评论家,我们使用 Robometer [25] 获得的进度奖励(减 1 以得到负奖励)对 DROID 数据集进行了标注。在世界模型微调期间,模型在我们收集的任务数据上以较低的学习率 1e-5 更新了 1.6 万步。得到的模型用于策略评估、策略微调和测试时规划。与先前的工作 [12] 一样,我们将步长下采样 3 倍,以使用 5Hz 的频率进行世界模型想象。我们将动作表示为两个时间步之间的关节位置差,以匹配策略的动作空间。我们还学习了一个额外的关节速度到位置的动作适配器,用于在数据生成和测试时规划之间转换动作空间(参见 A1.2)。

5 实验结果

我们首先单独研究 WEAVER 世界模型的性能(第 5.1 节),然后研究其在策略评估、策略改进和测试时规划等下游用例中的性能(第 5.2 节)。

5.1 WEAVER 在帕累托最优意义上优于领先的操作世界模型

我们首先将仅在 DROID 数据集上预训练的 WEAVER 与领先的多视角操作世界模型进行性能比较。Ctrl-World [12] 是一个 1.5B 参数的扩散模型,在 DROID 数据集上训练,并从预训练的 SVD 检查点 [4] 初始化。

设置与指标。我们在 DROID 数据集的一个验证集(256 条轨迹)和一个使用 VLA 收集的分布外数据集(100 条轨迹)上评估这两个模型。对于每条轨迹,模型以自回归方式展开,生成 10 秒长的序列,其中每次生成联合预测 15 步动作块(1 秒)的结果。遵循之前的评估 [12],我们使用 FID [20] 和基于真实视频计算的 FVD [43] 来衡量解码生成的视觉保真度。更多指标详见附录 A3.1。

外部视角 腕部视角 时间
方法 NFE FID FVD FID FVD (秒)
\rowcolorpastellavender DROID(验证集)
Ctrl-World 16 26.09 78.73 33.83 195.37 14.65
50 22.44 55.05 25.32 91.77 42.33
WEAVER 16 \cellcolorlightblue10.20 27.83 21.50 90.72 \cellcolorlightblue4.78
50 \cellcolorlightblue9.51 \cellcolorlightblue26.54 \cellcolorlightblue16.75 \cellcolorlightblue66.89 14.25
\rowcolorpastelmint 任务数据(分布外)
Ctrl-World 16 36.16 139.54 38.76 277.13 14.65
50 31.44 91.48 33.47 145.86 42.33
WEAVER 16 \cellcolorlightblue23.95 \cellcolorlightblue88.27 30.77 184.62 \cellcolorlightblue4.78
50 \cellcolorlightblue23.48 \cellcolorlightblue87.03 \cellcolorlightblue27.37 \cellcolorlightblue145.04 14.25
媒体内容 · 前往原文查看
表 1:我们报告了在 DROID(验证集)和分布外任务数据集上的 FID 和 FVD,以及不同 NFE 下的推理时间。在保真度与推理预算(NFE 和推理时间)的权衡上,WEAVER 帕累托优于 Ctrl-World。
[Uncaptioned image]
媒体内容 · 前往原文查看
图 3:我们报告了不同生成长度下的 FID,发现 WEAVER 在长程展开中始终表现更好。

结果:感知高保真度生成。表 1 比较了 WEAVER 和 Ctrl-World 在不同评估数据集上的 FID 和 FVD 结果。WEAVER 在推理时间更短的情况下优于 Ctrl-World。随着我们减少函数评估次数(NFE)以降低延迟,我们发现 Ctrl-World 的质量下降幅度比 WEAVER 更显著;两个模型在预测腕部相机视角时均产生最高误差。我们提供了额外结果来比较 NFE(附录 A3.2)、不同噪声调度(附录 A3.4)以及通过 KV 缓存实现的推理加速(附录 A3.3)。

结果:长时域下质量更高。接下来,我们衡量世界模型想象力的感知质量如何受长时域预测的影响。对于两个世界模型,我们生成长动作序列(150 步或 10 秒)的 rollout,并测量每 15 步间隔预测视频的 FID,以估算随时间域变化的生成质量。如图 3 所示,在 DROID 数据集上,我们发现即使推理预算从 50 NFE 减少到 16 NFE,WEAVER 相比 Ctrl-World 仍能保持持续更低的 FID。在 OOD 数据集上,WEAVER 在外景视角上保持了性能差距,并在腕部视角上具有可比性能。

结果:WEAVER 在推理速度与质量上实现帕累托占优。接下来,我们研究在固定推理时间预算(以 NFE 衡量)下,生成质量如何受影响,该预算基于在单个 H100 GPU 上生成 10 秒片段所需的推理时间。在图 5 中,我们看到 WEAVER 在 NFE 为 8、16、32、50 时显著优于 Ctrl-World,同时享有显著更低的推理速度(例如,Ctrl-World 为 30-50 秒,而 WEAVER 为 10-30 秒)。通过帕累托占优 Ctrl-World,WEAVER 实现了更快的评估和规划,我们将在下文第 5.2 节中探讨这一点。

结果:潜在奖励预测准确性。最后,我们将 WEAVER 的潜在奖励预测与 RoboMeter [25] 的奖励标签进行了比较,并在真实保留轨迹上进行了评估。图 4 显示了 PnP Stack 任务一次 rollout 的预测奖励;WEAVER 正确想象了抓取和堆叠等关键事件,且想象奖励与真实 RoboMeter 奖励相关。在图 4 的右侧面板中,我们看到使用预测奖励计算的优势值也能够区分动作样本的不同结果。这是一个有希望的指标,表明 WEAVER 及其潜在奖励适用于第 5.2.1 节中的合成数据过滤和第 5.2.3 节中的测试时规划。

Refer to caption
图 4:奖励预测与基于优势过滤的测试时规划。(左)WEAVER 的预测奖励与轨迹上的 Robometer 奖励相匹配。(右)高亮的动作样本是在 WEAVER 想象中具有最佳优势值和最佳结果的样本。
Refer to caption
图 5:我们展示了 WEAVER 和 Ctrl-World 在 DROID(验证集)和 OOD 任务数据集上不同视角下的 FVD 与推理时间(秒)对比。我们发现,在不同 NFE 下,WEAVER 在帕累托意义上优于领先方法 Ctrl-World,同时使用的推理时间更少。

5.2 WEAVER 实现有效的评估、改进与规划

到目前为止,我们已经验证了 WEAVER 有效平衡了(i)保真度、(ii)长程一致性和(iii)高效生成。接下来,我们将转向世界模型的下游应用:策略评估(第 5.2.1 节)、策略改进(第 5.2.2 节)和测试时规划(第 5.2.3 节)。

5.2.1 WEAVER 实现与真实情况紧密相关的有效策略评估

首先,我们评估 WEAVER 是否可以作为离线策略评估的学习型模拟器,从而减少对昂贵的真实世界 rollout 的需求。

设置。给定一个初始真实观测值 和动作序列 ,我们自回归地生成想象观测值,并根据生成的 rollout 来估计策略性能。我们比较了三种世界模型:在 DROID [12] 上预训练的 Ctrl-World、在 DROID 上预训练的 WEAVER,以及在 上微调的 WEAVER-FT。为了测试世界模型在不同基础策略质量下的鲁棒性,我们分别在基础策略和微调策略生成的 rollout 上对每个模型进行了评估。

指标。遵循先前的工作 [51],我们通过比较人工标注的想象 rollout 上的二值成功率与 上的真实成功率(每个任务平均 20 次试验),来衡量生成 rollout 的性能与真实世界性能的相关程度。我们报告了皮尔逊相关系数 [31] 和最大矩阵排序违反度 (MMRV) [42](参见附录 A4.1)。

结果。图 6 显示,预训练的世界模型倾向于低估策略性能,但 WEAVER 与真实 rollout 的一致性优于 Ctrl-World,具有更高的皮尔逊相关系数和更低的 MMRV。这种设置具有挑战性,因为 rollout 可能持续长达 40 秒,并且需要准确的长程预测。对于预训练模型来说,倾倒任务尤其困难,这很可能是因为颗粒动力学在 DROID 数据集中代表性不足,且本身难以建模。经过微调后,WEAVER-FT 显著提高了评估准确性,将皮尔逊相关系数提升至 ,并在不同性能的策略之间更好地匹配了真实结果。图 6 左侧的定性示例进一步表明,WEAVER-FT 比基线方法更准确地预测了 PnP Towel 和 Pour Beans 任务的结果。

Refer to caption
图 6:策略评估。我们比较了不同策略和世界模型下的性能。(左)对于 PnP Towel,只有 WEAVER 和 WEAVER-FT 准确地想象出毛巾在篮子内部。对于 Pour Beans,只有 WEAVER-FT 捕捉到了豆子散落在桌子上的情景。(右)在 WEAVER-FT 内部进行的评估,其成功率与真实世界的相关性达到了非常高的水平。

5.2.2 WEAVER 能够在无需真实交互的情况下实现有效的策略改进

高保真世界模型的另一个理想用途是为策略改进生成合成数据。我们利用世界模型对候选动作片段进行采样和验证,然后将高价值的想象片段提炼回策略中 [23, 1]。

实验设置。为了评估 WEAVER 在改进策略方面的效用,我们探索了多种为策略微调生成数据的策略:(1) 基础策略:在 DROID 上训练的原始 VLA;(2) 使用真实数据微调:我们利用优势估计值修剪真实轨迹中的片段,每个任务得到 1000 个包含 36 步动作块的片段;(3) 使用合成数据微调:我们使用基础策略和 WEAVER 采样多个片段,根据预测的优势值(第 3.4 节)进行筛选,每个任务保留 1000 个片段;(4) 使用混合数据微调:合并经过筛选的真实数据集和合成数据集(每个任务 2000 个片段)(更多细节和结果见附录 A2.2 和 A4.2)。

实验结果。图 7 显示,所有经过微调的策略相比基础策略,成功率均有显著提升。值得注意的是,基于合成数据的微调与基于真实数据的微调结果非常接近,平均性能差距仅为 。这表明我们的合成数据质量极高,能够实现与昂贵的真实世界数据相似的策略改进效果。结合真实数据和合成数据可进一步提升性能,平均成功率比单独使用真实数据微调提高了 。这些结果表明,来自世界模型的想象轨迹为知识蒸馏提供了有价值的来源,减少了对昂贵的真实世界数据采集和人工筛选的需求。图 7 还显示了在接触密集型和动态操作任务上的改进,例如更精确的标记物放置和倒豆子。我们进一步在倒豆子任务上研究了合成数据的规模效应,将想象片段的数量从 1000 个变化到 2000 个和 5000 个。图 7(右)显示,随着合成数据量的增加,策略性能持续提升,最终超过了仅使用真实数据微调所达到的性能。

Refer to caption
Refer to caption
图 7:(左)通过微调进行策略改进。我们使用多种数据源进行微调,发现将真实数据与通过 WEAVER 获得的合成数据(Syn)相结合,其效果优于其他变体。(右)策略改进的数据规模扩展。我们消融了用于微调的合成数据中的片段数量,并报告了在“倒豆子任务”中 20 次试验的成功率。
Refer to caption
图 8:策略改进结果。我们展示了基础策略和经合成数据微调后的策略的真实运行结果。与基础策略相比,在 WEAVER 生成的合成数据上进行微调,能够带来更好的策略性能以及更高的任务执行成功率。

5.2.3 WEAVER 通过平衡推理速度与质量实现测试时规划

最后,测试时搜索需要在执行前评估多个动作序列,这使得推理速度成为关键瓶颈。与在图像空间中使用重建和 VLM 作为评判者 [11, 37] 进行规划不同,WEAVER 在潜在空间中进行规划,以实现更高的效率 [15, 23]。

Refer to caption
图 9:我们展示了使用 WEAVER 进行测试时引导,在所有五个任务上的平均表现比基础策略高出 14%。

实验设置。我们使用基础策略,并采样一批动作块。对于每个动作块,WEAVER 会想象未来状态的潜在表示,并使用奖励头和评论家头评估优势。这降低了解码预测观测结果和查询外部 VLM 评判者的成本。遵循第 5.2.2 节的策略改进设置,我们在五个任务上评估了测试时规划,并与基础策略进行了比较。我们使用并行样本和设定的想象范围,以平衡规划质量和延迟。

结果。我们报告了任务成功率以及测试时规划流程中的推理时间分解。图9显示,基于优势的选择将策略引导至成功的行为。测试时规划将平均成功率提升至基础策略之上,最大提升幅度达到 。当基础策略较弱时,提升幅度更大,但由于规划仅限于单个动作片段且必须在延迟约束下运行,其提升仍小于直接微调。附录A4.3中的表7显示,动力学预测仍是主要的计算瓶颈。尽管如此,在RTX A6000 Ada GPU上,WEAVER比Ctrl-World推理流程[12]快约 ,并且批量采样的扩展速度与候选数量呈次线性关系,这表明我们的推理优化使基于世界模型的测试时规划在实时操控中变得可行。

6 结论

我们提出了WEAVER:一种用于操控的世界模型,它实现了(i)高保真度、(ii)时间连贯性以及(iii)高效生成。在各项任务中,WEAVER与真实世界成功率评估显示出强相关性(),无需任何真实世界交互即可将策略成功率提升 ,并且解锁了比Ctrl-World[12]更快的测试时规划。

局限性。尽管WEAVER释放了大规模世界模型在操控领域的潜力,但仍存在若干局限性。首先,视觉世界模型仅能观测到底层状态的部分视图,可能需要触觉感知来解决歧义。其次,融入物理先验知识可以提升涉及可变形物体操控任务的性能。第三,当前的生成延迟将测试时规划限制在单个动作片段上的短时域推理。最后,来自RoboMeter的奖励监督可能存在噪声,这促使我们开发更好的奖励模型用于失败预测。我们在附录A5中提供了进一步讨论。

更广泛的影响。本研究探索了大规模世界模型,旨在通过减少对昂贵现实世界交互的依赖,提升机器人操作的效率、安全性和可扩展性。想象推演可以在执行前支持策略评估、改进和测试时规划,但不准确或有偏差的预测可能导致风险决策,这在辅助机器人等安全关键领域尤为重要。因此,负责任的部署需要仔细的验证、不确定性估计,以及防范利用所学世界模型或奖励模型中的错误。

致谢

我们感谢 Jesse Zhang 在奖励模型和 ROBOMETER 方面的有益讨论。AJ 获得魁北克研究基金(FRQ)(DOI 编号:https://doi.org/10.69777/350253)、Calcul Quebec 和加拿大卓越研究讲席(CERC)计划的资助。GKS 获得一项 STTR 资助。本研究部分由加拿大数字研究联盟(https://alliancecan.ca)和 Mila(https://mila.quebec)提供的计算资源支持。YW 和 AB 部分获得国家科学基金会(NSF)奖项和 NSF CAREER 奖项的资助。文中观点仅代表作者本人,不一定反映 NSF 的观点。

参考文献

  • Anthony 等人 [2017] Thomas Anthony, Zheng Tian, and David Barber. 结合深度学习与树搜索的快慢思考. 收录于《神经信息处理系统大会》(NeurIPS),2017年。
  • Assran 等人 [2023] Mahmoud Assran, Quentin Duval, Ishan Misra, Piotr Bojanowski, Pascal Vincent, Michael Rabbat, Yann LeCun, and Nicolas Ballas. 基于联合嵌入预测架构的图像自监督学习. 收录于《IEEE/CVF 计算机视觉与模式识别大会》(CVPR),2023年。
  • Assran 等人 [2025] Mido Assran, Adrien Bardes, David Fan, Quentin Garrido, Russell Howes, Matthew Muckley, Ammar Rizvi, Claire Roberts, Koustuv Sinha, Artem Zholus, 等. V-jepa 2:自监督视频模型实现理解、预测与规划. CoRR, 卷 abs/2506.09985, 2025年。
  • Blattmann 等人 [2023] Andreas Blattmann、Tim Dockhorn、Sumith Kulal、Daniel Mendelevitch、Maciej Kilian、Dominik Lorenz、Yam Levi、Zion English、Vikram Voleti、Adam Letts 等。稳定视频扩散:将潜在视频扩散模型扩展到大型数据集。CoRR,abs/2311.15127,2023年。
  • Brothers [2025] Greyson Brothers。通过Transformer输出的自适应池化实现鲁棒噪声衰减。国际学习表征会议(ICLR),2025年。
  • Bruce 等人 [2024] Jake Bruce、Michael D Dennis、Ashley Edwards、Jack Parker-Holder、Yuge Shi、Edward Hughes、Matthew Lai、Aditi Mavalankar、Richie Steigerwald、Chris Apps 等。Genie:生成式交互环境。国际机器学习大会(ICML),2024年。
  • Chen 等人 [2024] Boyuan Chen、Diego Martí Monsó、Yilun Du、Max Simchowitz、Russ Tedrake 和 Vincent Sitzmann。扩散强制:下一token预测与全序列扩散的结合。神经信息处理系统大会(NeurIPS),2024年。
  • Copet 等人 [2025] Jade Copet、Quentin Carbonneaux、Gal Cohen、Jonas Gehring、Jacob Kahn、Jannik Kossen、Felix Kreuk、Emily McMilin、Michel Meyer、Yuxiang Wei 等。Cwm:一个用于基于世界模型的代码生成研究的开放权重大语言模型。CoRR,abs/2510.02387,2025年。
  • Esser 等人 [2024] Patrick Esser、Sumith Kulal、Andreas Blattmann、Rahim Entezari、Jonas Müller、Harry Saini、Yam Levi、Dominik Lorenz、Axel Sauer、Frederic Boesel 等。扩展整流流Transformer以实现高分辨率图像合成。国际机器学习大会(ICML),2024年。
  • Gao 等人 [2026] Shenyuan Gao、William Liang、Kaiyuan Zheng、Ayaan Malik、Seonghyeon Ye、Sihyun Yu、Wei-Cheng Tseng、Yuzhu Dong、Kaichun Mo、Chen-Hsuan Lin 等。Dreamdojo:一个基于大规模人类视频的通用机器人世界模型。CoRR,abs/2602.06949,2026年。
  • Guo 等人 [2026a] Yanjiang Guo、Tony Lee、Lucy Xiaoyang Shi、Jianyu Chen、Percy Liang 和 Chelsea Finn。Vlaw:视觉-语言-动作策略与世界模型的迭代协同改进。CoRR,abs/2602.12063,2026a。
  • Guo 等人 [2026b] Yanjiang Guo, Lucy Xiaoyang Shi, Jianyu Chen, 和 Chelsea Finn。《Ctrl-world:一种用于机器人操作的可控生成式世界模型》。发表于国际学习表征会议(ICLR),2026b。
  • Ha 和 Schmidhuber [2018] David Ha 和 Jürgen Schmidhuber。《世界模型》。CoRR,abs/1803.10122,2018。
  • Hafner 等人 [2020] Danijar Hafner, Timothy Lillicrap, Jimmy Ba, 和 Mohammad Norouzi。《通过想象控制梦想:通过潜在想象学习行为》。发表于国际学习表征会议(ICLR),2020。
  • Hafner 等人 [2021] Danijar Hafner, Timothy P Lillicrap, Mohammad Norouzi, 和 Jimmy Ba。《使用离散世界模型掌握 Atari 游戏》。发表于国际学习表征会议(ICLR),2021。
  • Hafner 等人 [2025] Danijar Hafner, Wilson Yan, 和 Timothy Lillicrap。《在可扩展世界模型内部训练智能体》。CoRR,abs/2509.24527,2025。
  • Hansen 等人 [2022] Nicklas Hansen, Xiaolong Wang, 和 Hao Su。《用于模型预测控制的时间差分学习》。发表于国际机器学习大会(ICML),2022。
  • He 等人 [2025] Xianglong He, Chunli Peng, Zexiang Liu, Boyang Wang, Yifan Zhang, Qi Cui, Fei Kang, Biao Jiang, Mengyin An, Yangyang Ren, 等。《Matrix-game 2.0:一个开源实时流式交互世界模型》。CoRR,abs/2508.13009,2025。
  • Henry 等人 [2020] Alex Henry, Prudhvi Raj Dachapally, Shubham Shantaram Pawar, 和 Yuxuan Chen。《Transformer 的查询键归一化》。发表于自然语言处理实证方法会议(EMNLP),2020。
  • Heusel 等人 [2017] Martin Heusel, Hubert Ramsauer, Thomas Unterthiner, Bernhard Nessler, 和 Sepp Hochreiter。《采用双时间尺度更新规则训练的生成对抗网络收敛于局部纳什均衡》。发表于神经信息处理系统大会(NeurIPS),2017。
  • Intelligence 等人 [2025] Physical Intelligence, Kevin Black, Noah Brown, James Darpinian, Karan Dhabalia, Danny Driess, Adnan Esmail, Michael Equi, Chelsea Finn, Niccolo Fusai, 等。《pi0.5:一个具有开放世界泛化能力的视觉-语言-动作模型》。CoRR,abs/2504.16054,2025。
  • Jain 等人 [2022] Arnav Kumar Jain, Shiva Kanth Sujit, Shruti Joshi, Vincent Michalski, Danijar Hafner, 以及 Samira Ebrahimi Kahou。通过变分稀疏门控学习鲁棒动力学。发表于《神经信息处理系统大会》(NeurIPS),2022 年。
  • Jain 等人 [2026] Arnav Kumar Jain, Vibhakar Mohta, Subin Kim, Atiksh Bhardwaj, Juntao Ren, Yunhai Feng, Sanjiban Choudhury, 以及 Gokul Swamy。平静的海面练不出娴熟的水手:通过学会搜索实现鲁棒模仿。发表于《神经信息处理系统大会》(NeurIPS),2026 年。
  • Jiang 等人 [2025] Yuxin Jiang, Shengcong Chen, Siyuan Huang, Liliang Chen, Pengfei Zhou, Yue Liao, Xindong He, Chiming Liu, Hongsheng Li, Maoqing Yao 等。Enerverse-ac:通过动作条件构想具身环境。CoRR,abs/2505.09723,2025 年。
  • Liang 等人 [2026] Anthony Liang, Yigit Korkmaz, Jiahui Zhang, Minyoung Hwang, Abrar Anwar, Sidhant Kaushik, Aditya Shah, Alex S. Huang, Luke Zettlemoyer, Dieter Fox, Yu Xiang, Anqi Li, Andreea Bobu, Abhishek Gupta, Stephen Tu, Erdem Biyik, 以及 Jesse Zhang。Robometer:通过轨迹比较扩展通用机器人奖励模型。发表于《机器人学:科学与系统 2026》,2026 年。
  • Lightman 等人 [2024] Hunter Lightman, Vineet Kosaraju, Yura Burda, Harri Edwards, Bowen Baker, Teddy Lee, Jan Leike, John Schulman, Ilya Sutskever, 以及 Karl Cobbe。让我们逐步验证。发表于《国际学习表征会议》(ICLR),2024 年。
  • Lipman 等人 [2023] Yaron Lipman, Ricky TQ Chen, Heli Ben-Hamu, Maximilian Nickel, 以及 Matt Le。用于生成式建模的流匹配。发表于《国际学习表征会议》(ICLR),2023 年。
  • Liu 等人 [2023] Xingchao Liu, Chengyue Gong, 以及 Qiang Liu。流直且快:通过修正流学习生成和迁移数据。发表于《国际学习表征会议》(ICLR),2023 年。
  • Mei 等人 [2026] Zhiting Mei, Tenny Yin, Ola Shorinwa, Apurva Badithela, Zhonghe Zheng, Joseph Bruno, Madison Bland, Lihan Zha, Asher Hancock, Jaime Fernández Fisac 等。机器人学中的视频生成模型——应用、研究挑战与未来方向。CoRR,abs/2601.07823,2026 年。
  • Park 等人 [2026] Dogyun Park, Moayed Haji-Ali, Yanyu Li, Willi Menapace, Sergey Tulyakov, Hyunwoo J Kim, Aliaksandr Siarohin, 和 Anil Kag。Sprint:面向高效扩散 Transformer 的稀疏-密集残差融合。发表于国际学习表征会议 (ICLR),2026 年。
  • Pearson [1920] Karl Pearson。相关性历史笔记。《生物计量学》,13(1):25–45,1920 年。
  • Qi 等人 [2026] Han Qi, Haocheng Yin, Aris Zhu, Yilun Du, 和 Heng Yang。通过预测性世界模型在推理时增强生成式机器人策略。IEEE 机器人与自动化快报,11(5):5534–5541,2026 年。
  • Quevedo 等人 [2026] Julian Quevedo, Ansh Kumar Sharma, Yixiang Sun, Varad Suryavanshi, Percy Liang, 和 Sherry Yang。Worldgym:将世界模型作为策略评估的环境。发表于国际学习表征会议 (ICLR),2026 年。
  • Radford 等人 [2021] Alec Radford, Jong Wook Kim, Chris Hallacy, Aditya Ramesh, Gabriel Goh, Sandhini Agarwal, Girish Sastry, Amanda Askell, Pamela Mishkin, Jack Clark 等。从自然语言监督中学习可迁移的视觉模型。发表于国际机器学习大会 (ICML),2021 年。
  • Rombach 等人 [2022] Robin Rombach, Andreas Blattmann, Dominik Lorenz, Patrick Esser, 和 Björn Ommer。基于潜在扩散模型的高分辨率图像合成。发表于 IEEE/CVF 计算机视觉与模式识别会议 (CVPR),2022 年。
  • Russell 等人 [2025] Lloyd Russell, Anthony Hu, Lorenzo Bertoni, George Fedoseev, Jamie Shotton, Elahe Arani, 和 Gianluca Corrado。Gaia-2:面向自动驾驶的可控多视角生成式世界模型 (2025)。CoRR,abs/2503.20523,2025 年。
  • Sharma 等人 [2026] Ansh Kumar Sharma, Yixiang Sun, Ninghao Lu, Yunzhe Zhang, Jiarao Liu, 和 Sherry Yang。World-gymnast:在世界模型中通过强化学习训练机器人。CoRR,abs/2602.02454,2026 年。
  • Shazeer [2020] Noam Shazeer。GLU 变体改进 Transformer。CoRR,abs/2002.05202,2020 年。
  • Su 等人 [2024] Jianlin Su, Murtadha Ahmed, Yu Lu, Shengfeng Pan, Wen Bo, 和 Yunfeng Liu。Roformer:通过旋转位置嵌入增强的 Transformer。《神经计算》,568:127063,2024 年。
  • Sutton 等人 [1998] Richard S Sutton、Andrew G Barto 等。《强化学习:导论》,第 1 卷。MIT 出版社剑桥,1998 年。
  • Team [2024] DROID 团队。DROID:一个大规模野外机器人操作数据集。载于《机器人学:系统与科学》,2024 年。
  • Team 等人 [2025] Gemini 机器人团队、Krzysztof Choromanski、Coline Devin、Yilun Du、Debidatta Dwibedi、Ruiqi Gao、Abhishek Jindal、Thomas Kipf、Sean Kirmani、Isabel Leal 等。在 Veo 世界模拟器中评估 Gemini 机器人策略。CoRR,abs/2512.10675,2025 年。
  • Unterthiner 等人 [2018] Thomas Unterthiner、Sjoerd Van Steenkiste、Karol Kurach、Raphael Marinier、Marcin Michalski 和 Sylvain Gelly。迈向精确的视频生成模型:一种新指标与挑战。CoRR,abs/1812.01717,2018 年。
  • Wang 等人 [2025] Jianyuan Wang、Minghao Chen、Nikita Karaev、Andrea Vedaldi、Christian Rupprecht 和 David Novotny。VGGT:视觉几何基础 Transformer。载于《IEEE/CVF 计算机视觉与模式识别会议(CVPR)》,2025 年。
  • Wang 等人 [2024] Xiaofeng Wang、Zheng Zhu、Guan Huang、Xinze Chen、Jiagang Zhu 和 Jiwen Lu。DriveDreamer:面向真实驾驶的世界模型用于自动驾驶。载于《欧洲计算机视觉会议(ECCV)》,2024 年。
  • Wang 等人 [2026] Yixuan Wang、Rhythm Syed、Fangyu Wu、Mengchao Zhang、Aykut Onol、Jose Barreiros、Hooshang Nayyeri、Tony Dear、Huan Zhang 和 Yunzhu Li。用于机器人策略训练与评估的交互式世界模拟器。CoRR,abs/2603.08546,2026 年。
  • Wiedemer 等人 [2025] Thaddäus Wiedemer、Yuxuan Li、Paul Vicol、Shixiang Shane Gu、Nick Matarese、Kevin Swersky、Been Kim、Priyank Jaini 和 Robert Geirhos。视频模型是零样本学习者和推理者。CoRR,abs/2509.20328,2025 年。
  • Wissler [1905] Clark Wissler。斯皮尔曼相关系数公式。《科学》,22(558):309–311,1905 年。
  • Wu 等人 [2023] Philipp Wu、Alejandro Escontrela、Danijar Hafner、Pieter Abbeel 和 Ken Goldberg。Daydreamer:用于物理机器人学习的世界模型。载于《机器人学习会议(CoRL)》,2023 年。
  • Wu 等人 [2025] Yilin Wu, Ran Tian, Gokul Swamy, 与 Andrea Bajcsy。从预见走向预谋:基于潜在对齐的 VLM 在环策略引导。发表于《机器人学:科学与系统》(RSS),2025 年。
  • Yin 等人 [2026] Tenny Yin, Zhiting Mei, Zhonghe Zheng, Miyu Yamane, David Wang, Jade Sceats, Samuel M Bateman, Lihan Zha, Apurva Badithela, Ola Shorinwa 等。Playworld:从自主游戏中学习机器人世界模型。CoRR,摘要编号 2603.09030,2026 年。
  • Zhang 与 Sennrich [2019] Biao Zhang 与 Rico Sennrich。均方根层归一化。发表于《神经信息处理系统大会》(NeurIPS),2019 年。
  • Zhang 等人 [2018] Richard Zhang, Phillip Isola, Alexei A Efros, Eli Shechtman, 与 Oliver Wang。深度特征作为感知度量的惊人有效性。发表于《IEEE/CVF 计算机视觉与模式识别大会》(CVPR),2018 年。
  • Zhou 等人 [2025] Gaoyue Zhou, Hengkai Pan, Yann LeCun, 与 Lerrel Pinto。Dino-wm:基于预训练视觉特征的世界模型实现零样本规划。发表于《国际机器学习大会》(ICML),2025 年。

目录

附录 A1 机器人设置与任务

A1.1 任务详情

我们在五个操作任务上收集了真实世界的微调数据,每个任务在我们的 DROID 设置上执行 50 次 rollout,如图 10 所示。我们选择基础策略至少能达到一定成功率的任务,以确保收集的 rollout 中既包含成功执行也包含失败执行,同时仍处于策略的能力范围之内。这些任务旨在覆盖多样化的操作场景,包括刚体拾取与放置、可变形物体操作以及动态操作,如图 10 所示。

叠碗任务要求机器人将一个碗叠放在另一个碗之上。两个碗被随机放置在桌面上,机器人必须将碗 放置在碗 上,其中 和 。

拾放袋子任务要求机器人拿起一袋薯片并将其放在一个绿色盘子上。我们使用两种类型的薯片袋,并在每次试验中随机抽取一种。袋子是可变形物体,这使得抓取结果和物体运动难以预测。

PnP Marker 任务要求机器人拾取水平放置在桌面上的 Expo 白板笔,并将其放入容器内。白板笔的颜色从黑色和橙色中随机选择,目标容器则从纸杯和蓝色马克杯中随机选取。该任务需要精确抓取以及大幅度的末端执行器重新定向,以便将白板笔垂直插入。

PnP Towel 任务要求机器人拾取一条毛巾并将其放入篮子中。我们使用了两种毛巾变体:一条折叠的厚红色厨房毛巾和一条薄灰色方形毛巾,以及两种篮子变体:橙色和蓝色。该任务具有挑战性,因为毛巾是可变形物体,其最终形状很大程度上取决于抓取位置,对于折叠毛巾而言,还取决于抓取的层数。

Pour Beans 任务要求机器人拾取一个装有咖啡豆的杯子,并将其倒入一个蓝色碗中。该任务测试动态操作能力,因为咖啡豆的颗粒运动难以预测,成功执行需要精确控制杯子的姿态、倾倒角度和运动轨迹,以避免咖啡豆洒到碗外。

Refer to caption
图 10:硬件设置与任务。左侧是配备摄像头的机器人设置。右侧展示了五个任务,上方一行显示初始状态,下方一行显示其中一种目标配置。

A1.2 动作空间

DROID 设置上的基础策略输出关节速度指令以进行控制。为了匹配这种动作表示,我们将世界模型的动作空间定义在关节空间中,从而避免将动作转换为笛卡尔空间等其他表示时可能产生的复合误差。然而,我们发现直接以关节速度为条件来训练世界模型会导致生成质量较低。因此,遵循先前的工作[12],我们使用一个轻量级的动作适配器将关节速度转换为关节位置。

在策略评估中,由于每条轨迹末尾的关节位置已经可用,我们直接使用关节位置作为世界模型的输入。然而,在测试时规划过程中,必须根据策略提出的关节速度动作进行预测。因此,我们使用训练好的动作适配器来预测相应的关节位置,并让世界模型基于这些适配后的动作进行生成。以下章节将详细描述动作适配器的具体细节。

A1.2.1 动作适配器

概述。

动作适配器是一个轻量级前馈模块,用于桥接世界模型的动作表示(关节速度指令和二进制夹爪信号)与机器人的可观测状态(绝对关节位置和夹爪宽度)。给定机器人当前状态以及世界模型生成的一段动作,它能够预测由此产生的关节位置增量和夹爪位置增量序列,随后将这些增量累加得到未来的绝对状态。

输入表示。

模型接收两组输入:

  • 状态 token:当前 7 自由度关节位置与当前标量夹爪位置拼接,形成一个 维向量。

  • 动作 token:一段关节速度指令()与夹爪动作()拼接,展平为 维。

两组输入拼接成一个 维的单一输入向量(对于 的情况)。

架构。

适配器是一个三层 MLP,隐藏层大小为 512,激活函数为 SiLU:

输出被重塑为 ,并拆分为预测的关节增量()和预测的夹爪增量()。

归一化。

所有连续输入和目标值均使用训练集计算的每个维度的第 1/第 99 百分位边界进行最小-最大归一化至 ,这种方法相比全局最小/最大值对异常值更鲁棒。夹爪动作指令在输入前被二值化(,否则为 ),以反映其离散的开/关语义。

损失函数。

模型使用加权均方误差损失在归一化的增量目标上进行训练:

夹爪的权重被提高,因为其动态范围远小于关节维度,否则在抓取和放置预测中,相对于其重要性,夹爪的误差会被低估。

推理。

在测试时,模型进行预测,对其进行反归一化,并从当前状态开始进行积分:

训练细节。

该适配器使用 Adam 优化器(批次大小 128)在 50 小时的本体感觉遥操作数据上训练了 15 个周期。每个训练样本包含从某个片段中随机抽取的一段连续时间步窗口;第一个时间步提供当前状态,其余时间步提供动作块和增量目标。

附录 A2 实现细节

A2.1 架构细节

我们使用 Stable Diffusion 3 [9] 中的 VAE 将来自相机视角的 19032 帧图像编码到潜在空间。我们的高效 Transformer 架构是一个 32 层 Transformer,具有 1536 个隐藏维度和 16 个注意力头。每一层包含一个空间层,用于关注所有图像块中的信息,以及一个因果时序层,用于关注来自先前观测的图像块。动作和本体感觉状态使用 DROID 训练数据集获得的统计数据进行归一化。我们从 Robometer [25] 获取奖励标注,并使用进度奖励来训练奖励头和评论家网络。奖励和评论家网络使用一个 AdaPool [5] 层将 token 压缩为向量,并包含多层感知机层,该向量与 CLIP 嵌入 [34](提供语言指令的表示)拼接在一起。

A2.2 训练细节

WEAVER 预训练。WEAVER 总共有 928M 参数,在 4 块 H100 GPU 上训练了 100 万梯度步,耗时 10 天。预训练在 DROID 数据集 [41] 上进行。在训练过程中,我们还维护了模型权重的指数移动平均(EMA)。我们在初始的 10000 步使用学习率预热,并在预热后保持恒定的学习率。我们在表 2 中提供了超参数。

WEAVER 微调。对于预训练数据集中代表性不足的复杂任务(例如倒水),世界模型的预测不够准确。为了缓解协变量偏移并改善生成结果,一个潜在的解决方案是使用任务数据集对世界模型进行微调。在本工作中,我们使用通过 VLA 收集的包含 250 条轨迹(每个任务 50 条)的小型数据集对 WEAVER 进行微调。我们使用较小的学习率对 WEAVER 进行了 16K 梯度步的微调。其他超参数与预训练阶段相似(如表 2 所述),训练在 4 块 H100 GPU 上耗时 6 小时。

微调。我们遵循 openpi 中 droid 微调配置的原始设置来微调我们的策略。我们使用开源的预训练 droid 检查点作为基础策略。归一化统计量继承自原始 DROID 检查点,并在整个微调过程中保持不变,以保持与预训练观测编码器的兼容性。所有数据集大小小于 5000 个片段的运行都使用 32 的批量大小、带有余弦衰减且无预热的峰值学习率,以及来自任务注释的语言指令。对于大小为轨迹的数据集,我们进行 10,000 个梯度步的微调,采用 10,000 步的余弦衰减和 1000 步的预热,峰值学习率为 2.5e-5。对于较小的数据集(1,000–2,000 条轨迹),我们减少训练以防止过拟合。

奖励标注。我们使用 Robometer 评估服务器 [25] 为每条轨迹标注逐帧进度奖励。对于每个片段,我们从录制的视频中提取帧,并使用 DROID 设置中的右摄像头视角,将其下采样至 1 fps。采样后的帧以及该片段的语言指令通过单次前向传递发送至 Robometer 评估服务器,该服务器返回一个逐帧进度预测,表示在帧处估计的任务完成比例,以及一个可选的逐帧成功概率。

由于视频帧以每秒1帧的速率进行子采样,生成的奖励序列比原始视频更短。我们通过线性插值将奖励重新对齐到完整视频长度:设 为原始帧数, 为推理得到的帧数,我们将采样值放置在 位置,并插值到整数网格 上。我们选择 reward_progress(插值后的进度信号)作为最终的奖励标注,因为它与实际任务结果更一致。我们将奖励进度减去1,使奖励落在 范围内,作为训练标签。

媒体内容 · 前往原文查看
名称 数值
世界模型
层数 32
注意力头数 16
嵌入维度 1536
注意力头维度 96
SPRINT 概率 0.5
奖励模型与评论家
MLP 层数 2
折扣因子 0.995
回报 lambda 0.95
预训练
批次大小 32
批次长度 8
记忆帧数 (p) 6
记忆帧步长 (m) 5
优化器 AdamW
本体感知状态损失尺度 () 0.1
学习率
预热步数 10000
EMA 衰减率 0.9999
训练步数 1000000
微调
批次大小 32
学习率
预热步数 200
EMA 衰减率 0.9999
训练步数 16000
表2:超参数。我们列出了训练 WEAVER 所使用的超参数。

A2.3 推理

推理噪声调度。我们评估了几种确定性调度,用于将离散推理索引映射到噪声水平 ,其中 是去噪步数。我们描述了所比较的不同噪声调度——线性、sigmoid、幂函数和余弦:

其中 是逻辑 sigmoid 函数, 控制陡峭程度。对于 sigmoid 调度,我们将端点归一化为 和 。线性调度均匀分配步数,余弦和幂函数调度在低噪声区域分配更多预算,而 sigmoid 调度则将更新集中在轨迹中间部分。

整流流。为了进一步减少推理时间以及下游任务(如测试时规划)所需的NFE,我们使用ReFlow [28]对WEAVER-FT模型进行后训练,并将其命名为WEAVER-ReFlow。教师模型和学生模型均使用WEAVER-FT模型进行初始化,其中教师模型被冻结。在每个训练迭代中,我们对噪声进行采样,并使用教师模型预测未来的潜在表示。学生模型以预测的潜在表示作为目标,通过均方误差损失函数进行更新。整流流后训练在2K梯度步长上执行(耗时6小时),学习率为。

附录A3 额外世界模型评估结果

我们提供了额外的结果来评估WEAVER在连贯生成、KV缓存对推理时间的影响、噪声调度方案的优势、在任务数据上的微调以及使用整流流进行后训练等方面的表现。

A3.1 世界模型评估

对于验证数据集中的一条轨迹,我们从第20步开始生成展开序列,并使用接下来10秒的生成结果计算指标。我们使用前20帧来初始化WEAVER和Ctrl-World的记忆和历史。我们报告了基于真实视频计算得到的LPIPS [53]、FID [20]和FVD [43]。为了获得LPIPS,我们利用了torchmetrics(https://github.com/Lightning-AI/torchmetrics)中的功能,该功能使用从vgg层获得的逐帧特征。为了计算FID,我们使用了pytorch-fid(https://github.com/mseitzer/pytorch-fid)仓库中提供的实现。我们对FVD的计算使用了Style-GAN-V(https://github.com/universome/stylegan-v)仓库。在此,我们从每条轨迹中以8为步长,子采样出多个长度为16帧的子轨迹。

外部视角 腕部视角
方法 NFE LPIPS FID FVD LPIPS FID FVD 时间(秒)
\rowcolorpastellavender DROID
Ctrl-World 8 0.169 31.63 116.14 0.407 52.40 347.69 8.14
16 0.165 26.09 78.73 0.392 33.83 195.37 14.65
32 0.168 23.63 63.55 0.389 27.14 114.87 27.67
50 0.168 22.44 55.05 0.388 25.32 91.77 42.33
WEAVER 8 \cellcolorlightblue0.117 10.59 28.97 \cellcolorlightblue0.372 24.25 104.53 \cellcolorlightblue2.53
16 \cellcolorlightblue0.117 10.20 27.83 \cellcolorlightblue0.371 21.50 90.72 4.78
32 \cellcolorlightblue0.120 \cellcolorlightblue 9.67 \cellcolorlightblue25.94 \cellcolorlightblue0.378 \cellcolorlightblue17.53 \cellcolorlightblue63.36 9.22
50 0.122 \cellcolorlightblue9.51 \cellcolorlightblue26.54 \cellcolorlightblue0.378 \cellcolorlightblue16.75 66.89 14.25
\rowcolorpastelmint 新数据集
Ctrl-World 8 0.193 48.90 226.29 0.374 51.26 434.84 8.14
16 0.182 36.16 139.54 0.366 38.76 277.13 14.65
32 0.183 32.18 105.38 0.365 33.73 173.15 27.67
50 0.184 31.44 91.48 0.367 33.47 145.86 42.33
WEAVER 8 \cellcolorlightblue0.154 \cellcolorlightblue23.89 89.55 \cellcolorlightblue0.364 31.70 193.55 \cellcolorlightblue2.53
16 \cellcolorlightblue 0.155 \cellcolorlightblue23.95 88.27 \cellcolorlightblue0.364 30.77 184.62 4.78
32 \cellcolorlightblue0.157 \cellcolorlightblue23.45 92.36 \cellcolorlightblue0.365 28.24 \cellcolorlightblue148.85 9.22
50 \cellcolorlightblue0.159 \cellcolorlightblue23.48 \cellcolorlightblue87.03 \cellcolorlightblue0.371 \cellcolorlightblue27.37 \cellcolorlightblue145.04 14.25
表 3:WEAVER 与 Ctrl-World 在 LPIPS、FID 和 FVD 指标上的对比。WEAVER 生成的保真度高于 Ctrl-World,且在低推理预算下性能显著更优。此处,NFE 为函数评估次数,推理时间为在单张 H100 GPU 上生成 10 秒片段所需的时间。

A3.2 定量结果

表 A3.1 报告了 WEAVER 与 Ctrl-World 在 DROID 和 OOD 数据集上多项指标的对比。我们观察到,Ctrl-World 的性能随 NFE 降低而恶化,而 WEAVER 在 NFE 降低时性能仅略有下降。此外,在相似的 NFE 值下,我们的方法生成 rollout 的速度比 Ctrl-World 更快。在图 11 中,我们展示了 FID 与推理时间的对比,并观察到 NFE 低至 8 的 WEAVER 优于 NFE 高达 50 的 Ctrl-World。我们还在图 14 和图 15 中展示了不同世界模型在不同 NFE 下的定性结果。

Refer to caption
图 11:我们比较了 WEAVER 与 Ctrl-World 的 FID 与推理时间,发现 WEAVER 在推理时间更短的情况下仍优于基线方法。
媒体内容 · 前往原文查看
/ NFE 8 16 32 50
无 KV cache 3.30 6.54 12.98 20.21
有 KV cache 2.53 4.78 9.22 14.25
表 4:我们报告了在单块 H100 GPU 上,不同 NFE 条件下生成 10 秒轨迹所需的推理时间(以秒为单位),并观察到使用 KV Cache 可将推理时间最多降低 30%。

A3.3 使用 KV Cache 减少推理时间

在迭代去噪过程中,记忆帧和历史帧的潜变量以恒定的噪声水平传递。由于该噪声水平在此过程中保持不变,我们在第一步去噪时计算了记忆和历史帧潜变量的键值向量缓存。在表 4 中,我们报告了 KV Cache 可将推理时间最多降低 30%。

外部 手腕
方法 调度策略 LPIPS FID FVD LPIPS FID FVD
\rowcolorpastellavender DROID
Ctrl-World 线性 0.165 26.09 78.73 0.392 33.83 195.37
WEAVER 线性 \cellcolorlightblue0.117 11.32 \cellcolorlightblue26.38 \cellcolorlightblue0.375 24.43 98.82
sigmoid \cellcolorlightblue0.117 \cellcolorlightblue10.88 29.76 \cellcolorlightblue0.375 22.69 104.89
power \cellcolorlightblue0.117 \cellcolorlightblue10.57 27.93 \cellcolorlightblue0.369 \cellcolorlightblue21.17 \cellcolorlightblue91.51
cosine \cellcolorlightblue0.117 \cellcolorlightblue10.20 27.83 \cellcolorlightblue0.371 \cellcolorlightblue21.50 \cellcolorlightblue90.72
\rowcolorpastelmint 新数据集
Ctrl-World 线性 0.182 36.16 139.54 \cellcolorlightblue0.366 38.76 277.13
WEAVER 线性 \cellcolorlightblue0.157 25.37 96.16 \cellcolorlightblue0.367 33.24 217.65
sigmoid \cellcolorlightblue0.156 24.83 93.15 \cellcolorlightblue0.367 32.48 216.89
power \cellcolorlightblue0.155 \cellcolorlightblue23.82 \cellcolorlightblue84.91 \cellcolorlightblue0.363 \cellcolorlightblue31.60 \cellcolorlightblue185.30
cosine \cellcolorlightblue0.155 \cellcolorlightblue23.95 88.27 \cellcolorlightblue0.364 \cellcolorlightblue30.77 \cellcolorlightblue184.62
表 5:我们可以看到,cosine 和 power 噪声调度策略在低噪声尺度下分配了更高的预算,并且表现优于线性调度和 sigmoid 调度。报告的数据基于 NFE=16。

A3.4 推理过程中的噪声调度策略

表 A3.3 比较了不同的噪声调度方案,我们观察到幂噪声调度和余弦噪声调度的表现均优于 Sigmoid 噪声调度和线性噪声调度。由于世界模型需要以更高保真度进行生成,因此在低噪声区域分配更多带宽的噪声调度有助于生成精细的细节。

外部 手腕
方法 NFE LPIPS FID FVD LPIPS FID FVD
\rowcolorpastelmint 任务数据(分布外)
Ctrl-World 50 0.184 31.44 91.48 0.367 33.47 145.86
Ctrl-World-FT 16 0.140 29.89 81.16 0.295 34.77 283.00
50 0.142 25.96 58.27 0.292 25.80 134.69
WEAVER 50 0.159 23.48 87.03 0.371 27.37 145.04
WEAVER-FT 4 0.116 16.62 50.68 0.304 33.32 219.15
16 0.118 14.24 40.50 0.303 23.39 146.35
50 0.121 13.69 40.09 0.308 18.73 99.81
WEAVER-REFLOW 4 0.123 14.95 44.30 0.312 23.56 138.67
表 6:在任务数据集(分布外)上比较 WEAVER 和 Ctrl-World 的微调变体,其中 WEAVER-FT 优于基线。此外,后训练步骤(WEAVER-REFLOW)进一步有助于降低推理预算。

A3.5 微调

在表 A3.4 中,我们观察到微调显著提升了性能,并且当 NFE=16 时,其表现优于 NFE=50 的 WEAVER。为了与 Ctrl-World 进行公平比较,我们在其上对基线进行了 20K 梯度步的微调,发现微调后的 Ctrl-World(称为 Ctrl-World-FT)表现优于预训练模型。然而,WEAVER-FT 在所有指标上均优于 Ctrl-World-FT,并且在低 NFE=16 时性能仍然更高。这进一步表明微调无助于减少 Ctrl-World 的推理时间。我们还在图 16、图 17 和图 18 中提供了由 Ctrl-World、WEAVER、WEAVER-FT 生成的展开序列的定性结果。

A3.6 使用整流流进行后训练

在表 A3.4 中,我们展示了 WEAVER-ReFlow 在低推理预算下的结果,并观察到它缩小了与使用大 NFE=16 评估的 WEAVER-FT 之间的性能差距。这使得它适用于第 3.2 节中观察到的测试时引导。

媒体内容 · 前往原文查看
表 7:在 A6000 Ada GPU 上进行测试时规划的推理时间分解。我们报告了在 10 次函数调用中,不同世界模型想象视界下各组件的运行时间。
组件 符号 批量大小 视界 运行时间(秒)
策略采样
动力学模型 4 9
(WEAVER) 4 12
4 15
1 15
动力学模型 4 15
(Ctrl-World) 1 15
奖励推理 4
评论家推理 4

附录 A4 额外下游应用结果

A4.1 策略评估结果

Refer to caption
图 12:策略评估结果。我们展示了所有五个任务在三种世界模型下的策略评估结果。

我们在图 12 中提供了完整的策略评估展开结果。Ctrl-World 和 WEAVER 都难以准确预测策略性能,尤其是在涉及动态操控(如倒豆子)和可变形物体操控(如袋子和毛巾操控)等具有挑战性的任务上。对于 PnP Bag 任务,抓取袋子尤其困难,因为世界模型必须从两个相机视角准确推断夹爪深度,同时还要对夹爪与可变形物体之间的接触动力学进行建模。随着预测时域的增加,这些挑战变得更加突出。相比之下,如图 19 和图 20 所示,WEAVER-FT 通过微调显著提升了评估准确性。未来的工作可以通过设计更好的记忆和历史表示来进一步改进长时域预测,使模型能够更好地推理遮挡和可变形物体的动力学。

除了皮尔逊相关系数和 MMRV,我们还报告了 RMSE 和斯皮尔曼秩相关系数 [48]。在这些指标上,我们观察到一致的趋势:WEAVER-FT 实现了最强的相关性和最低的预测误差。此外,在分布外任务数据集上的零样本策略评估中,WEAVER 优于 Ctrl-World。完整的定量结果如表 8 所示。

媒体内容 · 前往原文查看
表 8:不同世界模型之间的奖励预测质量比较。我们报告了 RMSE、斯皮尔曼相关系数、皮尔逊相关系数和 MMRV。
方法 RMSE 斯皮尔曼 皮尔逊 MMRV
CtrlWorld 0.410 0.523 0.552 0.215
我们的方法 0.359 0.594 0.563 0.155
我们的方法-FT 0.188 0.870 0.863 0.035

A4.2 策略改进结果

我们在图13中提供了策略改进的额外定性结果。这些示例表明,基础策略常常存在抓取和放置不精确的问题,以及在动态操作过程中调整不足的情况。我们还观察到,基础策略倾向于产生更大的单步动作,导致机器人控制不稳定。相比之下,微调后的策略大幅减少了这些大幅动作,并使动作分布更加集中,从而实现了更平滑、更稳定的执行。

我们还注意到,RoboMeter 奖励标签并非完美无缺。对于 PnP Marker 任务,我们观察到奖励模型有时无法区分精细的放置精度,这可能会给预测的奖励引入噪声。未来的工作可以通过收集更多样化的失败数据来训练更通用、更精确的奖励模型,从而改进奖励监督。为了减轻噪声奖励标签的影响,我们将优势阈值设置为 ,这有助于防止低质量片段被选中用于微调,从而避免潜在的性能下降。如图4所示,我们的过滤流程能够从候选动作中选出最佳样本。

Refer to caption
图13:策略改进结果。我们展示了基础策略和基于合成数据的策略微调在五个任务上的 rollout 结果。借助 WEAVER 生成的合成数据,策略微调能够在所有任务上实现改进。

A4.3 测试时规划结果

推理时延迟。表7报告了在 A6000 Ada GPU 上进行测试时规划的推理时时间分解。总体而言,运行时间主要由动力学模型想象主导,而奖励和评论家推理的时间可以忽略不计,每次均少于 秒。对于 WEAVER,动力学运行时间随想象步长适度增加:从步长 时的 秒,到步长 时的 秒,再到批大小为 时步长 的 秒。包括策略采样、奖励推理和评论家推理在内,步长分别为 、 和 时的完整规划延迟大约为 秒、 秒和 秒。

与 Ctrl-World 相比,WEAVER 显著降低了想象过程中的延迟。在给定的预测步长和批次大小下,WEAVER 进行动力学预测需要 s,而 Ctrl-World 需要 s,实现了 倍的加速。在批次大小为 时也呈现相同趋势,WEAVER 耗时 s,Ctrl-World 耗时 s,实现了 倍的加速。这些结果表明,WEAVER 能够实现延迟更低的测试时规划,使得在策略执行过程中重复进行世界模型想象变得切实可行。

附录 A5 局限性

尽管 WEAVER 展示了大规模世界模型在策略评估、策略改进和测试时规划方面的潜力,但仍存在若干局限性。

A5.1 部分可观测性

我们的世界模型主要依赖视觉观测,而视觉观测只能提供对底层物理状态的部分访问。在操作过程中,与任务相关的信息,如物体接触、抓取稳定性、施加的力或被遮挡的物体几何形状,可能从所有可用的摄像头视角中隐藏。这一局限性在腕部摄像头观测中尤为明显,因为其视角会持续变化;在杂乱场景中,物体可能离开视野或被夹爪遮挡。尽管记忆和多视角条件化能缓解这一问题,但当缺失状态无法仅从图像历史中推断时,纯视觉预测仍可能失败。引入额外的感知模态,如触觉反馈、力-力矩传感或深度信息,可能有助于改善遮挡情况下的状态估计和长程预测。

A5.2 复杂可变形与动态交互

对于可变形物体的操作以及动态操作,对于学习型世界模型而言仍然具有挑战性。毛巾、袋子、颗粒材料等物体表现出高维度、依赖历史状态的动力学特性,这些特性很难从有限的机器人数据中捕捉到。在预测接触点、抓取位置或物体构型时出现的微小误差,会随时间累积,导致定性上错误的推演结果。这在倾倒等任务中尤为明显,因为颗粒材料的运动对杯子的姿态、速度以及与容器的接触高度敏感。未来的工作可以通过引入物理先验、混合神经-物理模型,或专门针对可变形和颗粒动力学设计的神经模拟器,来提高预测的保真度。

A5.3 测试时有限的规划视野

尽管我们的推理加速策略使得在测试时使用大型生成式世界模型进行规划成为可能,但延迟仍然将在线规划限制在单个动作块内。因此,规划器可以改进近期的动作选择,但尚无法执行长视野的前瞻。这限制了其推理延迟后果或多阶段恢复行为的能力。在采样效率、模型蒸馏、价值估计或分层规划方面的进一步改进,将能够在保持实时控制的同时,实现更长视野的在线推理。

A5.4 数据覆盖范围与具身多样性

我们的世界模型主要在 DROID 数据集上进行预训练,该数据集提供了大规模的机器人交互数据,但仍受限于特定的机器人具身形态和数据采集设置。这可能会限制模型向差异显著的机器人、相机配置和末端执行器进行泛化。此外,我们评估中的某些任务动力学,例如颗粒倾倒,在预训练数据中的代表性不足。将世界模型的训练扩展到更多样化的数据源,包括跨具身形态的机器人数据集、仿真数据以及人类视频,可能会提高模型的鲁棒性,并拓宽能够被准确想象的行为范围。

A5.5 有噪声的奖励监督

我们的潜在奖励和评论家头使用现成奖励模型的标签进行训练。虽然这能实现高效的潜在空间评估,但由此产生的监督信号可能带有噪声或不完整,尤其是在处理细微故障模式时。例如,奖励模型可能无法区分视觉上相似但语义不同的结果,或者对接触、放置或任务完成中的微小错误不敏感。这种噪声会影响策略评估和下游策略改进。一个基于大规模机器人成功与失败数据训练的、更可靠的奖励模型(可能带有校准后的不确定性)将有望提高想象展开评估的可靠性。

总体而言,这些局限性表明,未来的进展不仅需要更大、更快的世界模型,还需要更丰富的感知、更广泛的数据覆盖、更强的物理归纳偏置以及更准确的奖励监督。

Refer to caption
图14:我们比较了Ctrl-World、WEAVER、WEAVER-FT和WEAVER-REFLOW在NFE值分别为4和16时,在任务上获得的展开结果。我们生成了20秒的展开,并每4秒展示一次预测的相机视角。我们观察到,在NFE=4时,WEAVER-REFLOW优于WEAVER-FT,并且与使用NFE=16的其他模型性能相当。
Refer to caption
图15:我们比较了Ctrl-World、WEAVER、WEAVER-FT和WEAVER-REFLOW在NFE值分别为4和16时,在任务上获得的展开结果。我们生成了20秒的展开,并每4秒展示一次预测的相机视角。我们观察到,在NFE=4时,WEAVER-REFLOW优于WEAVER-FT,并且在NFE=16时比Ctrl-World和WEAVER更稳定。
Refer to caption
图16:我们比较了Ctrl-World、WEAVER、WEAVER-FT和WEAVER-REFLOW在NFE=50时,在任务上获得的展开结果。我们生成了20秒的展开,并每4秒展示一次预测的相机视角。我们观察到,Ctrl-World在12秒后难以保留关于毛巾的信息,而WEAVER-FT与真实情况更为一致。
Refer to caption
图 17:我们比较了在 NFE=50 条件下,从 Ctrl-World、WEAVER、WEAVER-FT 和 WEAVER-REFLOW 获得的任务 rollout 结果。我们生成了 20 秒的 rollout,并每隔 4 秒展示预测的相机视角。我们观察到,WEAVER 和 WEAVER-FT 在预测方面优于 Ctrl-World。
Refer to caption
图 18:我们比较了在 NFE=50 条件下,从 Ctrl-World、WEAVER、WEAVER-FT 和 WEAVER-REFLOW 获得的同一任务 rollout 结果。我们生成了 20 秒的 rollout,并每隔 4 秒展示预测的相机视角。我们看到,与 WEAVER 和 WEAVER-FT 相比,Ctrl-World 从 t=4s 开始就难以预测物体。
Refer to caption
图 19:我们比较了在 NFE=50 条件下,从 Ctrl-World、WEAVER 和 WEAVER-FT 获得的 Pour Beans 任务 rollout 结果,用于策略评估。我们生成了 15 秒的 rollout,并每隔 3 秒展示预测的相机视角。我们看到,与 WEAVER-FT 相比,Ctrl-World 和 WEAVER 在 t=12s 时难以预测碗中的豆子。
Refer to caption
图 20:我们比较了在 NFE=50 条件下,从 Ctrl-World、WEAVER 和 WEAVER-FT 获得的 Pour Beans 任务 rollout 结果,用于策略评估。我们生成了 15 秒的 rollout,并每隔 3 秒展示预测的相机视角。我们看到,与 WEAVER-FT 相比,Ctrl-World 和 WEAVER 在 t=15s 时难以预测桌子上的豆子。

来源:HuggingFace Daily Papers(社区热门论文)· arxiv.org