v0 · 完整正文
研究综述
研究边界
版本说明:本轮以 15 篇可获取完整正文的论文为论证主干,逐篇核对问题、方法、结果与限制;未能取得可读全文的论文不再承担正文结论。
本文覆盖 2026 年 1 月 14 日至 7 月 14 日公开论文,讨论机器人世界模型的数据配方、合成扩展、几何监督、失败纠正和训练目标。本次范围综述从 885 条去重候选中核验 130 篇可用全文,并以 24 篇直接相关论文构成证据主干。它适合总结设计原则,但各工作使用不同本体、任务和指标,不能把单篇增益直接外推为统一配方。
中心判断
机器人世界模型需要的不是更大的普通视频库,而是带干预的状态转移数据:机器人做了什么,环境如何变化,哪些状态没有被视觉看见,预测最终是否改善动作。高质量数据应同时覆盖可执行动作、三维几何、接触事件、失败附近的纠正和真实—合成差异;缺少任何一层,模型都可能生成合理画面却无法支持控制。
数据支柱一:异构来源必须分工,而不是强行同质化
τ0-WM 将真实机器人遥操作、UMI 类交互、第一视角人类视频和失败轨迹组合使用。它们的价值不同:机器人数据提供动作真值,人类视频扩展视觉动力学,UMI 提供可扩展但较弱的交互信号,失败数据训练纠正。
合理混合需要模态掩码和可靠性层级。人类视频没有机器人关节动作,就不应伪装成完整控制监督;机器人示教规模小,也不应承担全部场景覆盖。数据管线要保存“这条记录能证明什么”,而不是只保存统一张量。
数据支柱二:合成数据必须有本体锚点
RoboDream 强调从机器人运动渲染与场景先验出发生成训练数据。通用视频生成器容易幻觉机器人身体、关节和不可能运动;本体锚定把生成自由度限制在可执行空间附近。
ComSim 则用少量真实数据对齐经典仿真与神经仿真,扩大动作—视频对。三条路线共同说明,合成的目标不是视觉多样性最大化,而是以可验证物理为底座扩展场景、对象和视角。
数据支柱三:几何与接触事件不能被像素损失替代
GEM-4D 指出,像素上合理的未来可能缺乏稳定四维对应,无法恢复可执行动作。GaussianDream 因此把深度和伪三维场景流加入监督,让模型学习当前结构和短时变化。
接触事件更加稀疏。接近、抓取、滑移和释放可能只占长视频很少帧,却决定任务成败。SKIP 提醒,按固定频率降采样会删掉这些瞬间。数据压缩应围绕任务事件,而不是平均时间间隔。
数据支柱四:成功演示不足以训练纠错
Hi-WM 主张在失败高发状态附近收集密集纠正轨迹。只看成功示教,模型知道一条顺利路径,却不知道偏离后怎样回到可行区域。世界模型若要参与规划和恢复,必须见过错误如何发生以及修正如何改变未来。
失败数据也不应只作为负样本。一次恢复包含故障阶段、局部动作和新结果,可用于学习风险边界与反事实。如果数据集只存最终成功标签,就会丢掉最有价值的中间结构。
数据支柱五:训练目标要对齐动作价值
这意味着数据验收不能停在重建误差。需要把预测状态用于动作选择、策略训练或真实回放,测量它是否改善成功率、减少危险尝试并保持校准。世界模型的训练集和评测集必须共享干预语义,却避免场景与任务泄漏。
条件、分歧与限制
中等规模真实交互加生成扩展可能在部分任务有效,但长时一致性和仿真—现实相关性仍是前提。自蒸馏可利用无标签场景与模型生成任务降低配对成本,却引入弱验证和自我确认风险。视觉以外的触觉、力矩和本体状态是否必要,取决于任务中是否存在不可观测物理变量。
当前证据也没有回答统一配比。真实示教、合成轨迹、人类视频和失败数据的最优比例会随本体、任务与模型变化;更稳妥的是保留来源标签,在训练中可控消融,而不是提前混成不可逆的数据池。
研究空白与下一步
下一步应建立数据配方的因果实验:固定模型和总预算,分别改变本体锚定、几何监督、失败密度和事件采样,再用真实闭环衡量收益。还应报告数据生成成本、校验成本和每次成功提升所需的真实机器人小时,避免只比较合成规模。
精读复核后的数据补充
旧版中一个无法获得完整正文的表征对齐引用已移出。可读的替代证据更强调“数据要与下游动作目标对齐”:RoboDream 把合成数据绑定到可渲染的机器人运动、显式场景和动作条件,避免生成视频与本体执行脱节;SANTS 则把训练与后训练目标绑定到下游动作质量,避免用中间视觉指标代替可执行性。这使数据配方的验收标准从“有多少视频”转向“是否提供了能改变动作选择的反事实与纠错信号”。
结论
世界模型数据的最小单位不是视频,而是一次可解释干预:动作、状态变化、观测缺口和结果。人类视频与合成数据可以扩大覆盖,真实机器人交互负责锚定可执行性,几何与接触监督负责保持物理连续,失败轨迹负责教会恢复。只有这些信息在同一数据账本中保留,生成未来才可能转化为更好的真实动作。
数据资产设计
为了支持后续重组,数据湖不应把不同来源提前混成单一训练文件。真实交互、人类视频、仿真、生成轨迹和失败恢复应保留来源、传感可用性、本体与许可范围。训练时再按任务选择组合,并记录每种来源的采样权重与监督掩码。
世界模型还需要专门的反事实对。对同一初始状态施加不同动作,或保持动作不变而改变对象、摩擦与障碍,能够迫使模型学习干预关系。只有单一路径的视频,即使数量很大,也很难区分动作因果与场景共现。
数据切分要防止近重复泄漏。相同场景、对象和轨迹模板若同时进入训练与评测,模型可能凭外观复现未来而获得高分。更严格的切分应跨对象、场景、本体和任务组合,并单独报告长时、接触和失败状态的覆盖。
此外,每条生成数据都应带验证记录:本体是否完整,动作是否可达,几何是否连续,关键接触是否合理,以及在真实或高保真环境中是否保持排序。没有验证元数据的合成视频,只能算候选素材,不能自动成为动作监督。
References
- $τ_0$-WM: A Unified Video-Action World Model for Robotic Manipulation
- RoboDream: Compositional World Models for Scalable Robot Data Synthesis
- ComSim: Building Scalable Real-World Robot Data Generation via Compositional Simulation
- GEM-4D: Geometry-Enhanced Video World Models for Robot Manipulation
- GaussianDream: A Feed-Forward 3D Gaussian World Model for Robotic Manipulation
- SKIP: Sparse Keyframe Interpolation Paradigm for Efficient Embodied World Models
- Hi-WM: Human-in-the-World-Model for Scalable Robot Post-Training
- SANTS: A State-Adaptive Scheduler for World Action Models