世界模型

RoboTrustBench: Benchmarking the Trustworthiness of Video World Models for Robotic Manipulation

RoboTrustBench：机器人操作视频世界模型的可信度基准测试

Huiqiong Li, Jiayu Wang, Zhiting Mei, Anirudha Majumdar, Jingjing Chen, Bin Zhu

机构 * Singapore Management University（新加坡国立管理学院） ； Fudan University（复旦大学） ； Princeton University（普林斯顿大学） 纠错

专题命中 视频世界模型 ：world model(title,abstract)；world models(title,abstract)；video world model(title,abstract)；world model(title,abstract)

AI总结 针对视频世界模型在机器人操作中的可信度问题，提出RoboTrustBench基准，包含正常、约束敏感、反事实和对抗四种场景，通过专家验证的指令-图像对和六维评估协议，发现当前模型在约束推理、反事实基础、物理交互和不安全指令抑制方面存在不足。

Comments Project: https://huiqiongli.github.io/RoboTrustBench/

SKIP: Sparse Keyframe Interpolation Paradigm for Efficient Embodied World Models

SKIP: 用于高效具身世界模型的稀疏关键帧插值范式

Ziheng He, Yixiang Chen, Ning Yang, Zhanqian Wu, Qisen Ma, Yuan Xu, Jiabing Yang, Peiyan Li, Xiangnan Wu, Xiaofeng Wang, Zheng Zhu, Jing Liu, Nianfeng Liu, Yan Huang

机构 * UCAS（中国科学院自动化研究所） ； CASIA（中国科学院自动化研究所） ； NJU（南京大学） ； GigaAI ； THU（清华大学） ； FiveAges 纠错

专题命中 具身与机器人 ：world model(title,abstract)；world models(title,abstract)；embodied world model(title,abstract)；world model(title,abstract)

AI总结 提出稀疏关键帧插值范式(SKIP)，通过识别任务相关关键帧并仅生成这些帧，再基于机器人动作插值缺失帧，实现高效视频生成，在LIBERO上速度提升4.16倍，FVD降低89%，且生成视频作为训练数据时策略性能下降极小。

Comments 25 pages, 10 figures

$τ_0$-WM: A Unified Video-Action World Model for Robotic Manipulation

$\tau_0$-WM：一种用于机器人操作的统一视频-动作世界模型

Pengfei Zhou, Shengcong Chen, Di Chen, Jiaxu Wang, Rongjun Jin, Bingwen Zhu, Yike Pan, Songen Gu, Kuanning Wang, Shufeng Nan, Xingyu Qiu, Chenhao Qiu, Pu Yang, Yunuo Cai, Jianxiong Gao, Yifan Li, Yanwei Fu, Xiangyu Yue, Zhi Chen, Jianlan Luo

机构 * Shanghai Innovation Institute（上海创新研究院） ； AGIBOT Finch 纠错

专题命中 具身与机器人 ：world model(title,abstract)；world model(title,abstract)；分类 cs.RO

AI总结 提出$\tau_0$-WM，一个统一视频-动作世界模型，通过共享视频扩散骨干集成策略学习、视频预测和动作评估，在长时域和精细操作任务上优于基线。

Comments Our project homepge: https://finch.agibot.com/research/tau0-wm

From Human Videos to Robot Manipulation: A Survey on Scalable Vision-Language-Action Learning with Human-Centric Data

从人类视频到机器人操作：基于人类中心数据的可扩展视觉-语言-动作学习综述

Zhiyuan Feng, Qixiu Li, Huizhi Liang, Rushuai Yang, Yichao Shen, Zhiying Du, Zhaowei Zhang, Yu Deng, Li Zhao, Hao Zhao, Zongqing Lu, Oier Mees, Marc Pollefeys, Jiaolong Yang, Baining Guo

机构 * Tsinghua University（清华大学） ； HKUST（香港科技大学） ； Xi’an Jiaotong University（西安交通大学） ； Fudan University（复旦大学） ； Microsoft Research Asia（微软亚洲研究院） ； Peking University（北京大学） ； Microsoft Zurich Project（微软苏黎世实验室） 纠错

专题命中 具身与机器人 ：world model(abstract)；world models(abstract)；world model(abstract)；world models(abstract)

AI总结 本文综述了如何将丰富的人类视频转化为视觉-语言-动作（VLA）模型的有效知识，分类了四种方法（潜在动作表示、预测世界模型、显式2D监督、显式3D重建），并指出了结构化非结构化视频、跨具身和视角的动作映射、以及评估协议设计三大挑战。

Comments Accepted to IJCAI 2026 Survey Track. Project page: https://aaronfengzy.github.io/HumanCentricToVLA-Survey/

World-Task Factorization for Robot Learning

世界-任务分解用于机器人学习

Eduardo Sebastián, Adrian Pfisterer, Vito Mengers, Oliver Brock, Amanda Prorok

机构 * Department of Computer Science and Technology, University of Cambridge, United Kingdom（计算机科学与技术系，剑桥大学，英国） ； Robotics and Biology Laboratory, Technische Universität Berlin（机器人与生物学实验室，柏林技术大学） ； Science of Intelligence (SCIoI), Cluster of Excellence, Berlin, Germany（智能科学（SCIoI），卓越中心，柏林，德国） ； Robotics Institute Germany（德国机器人研究所） 纠错

专题命中 具身与机器人 ：world model(abstract)；world model(abstract)；分类 cs.LG、cs.RO、cs.MA

AI总结 提出将策略分解为世界因子和任务因子，通过可微图模型AICON与紧凑学习策略结合，实现零样本泛化到新配置并迁移到真实硬件。

PEACE: A Planner-Executor Agent with Constraint Enforcement for UAVs

PEACE: 一种用于无人机的带约束执行的规划-执行智能体

Erdem Uysal, Timo Kehrer, Sebastiano Panichella

机构 * Institute of Computer Science, University of Bern（伯尔尼大学计算机科学研究所） ； AI4I - The Italian Institute of Artificial Intelligence（意大利人工智能研究所） 纠错

专题命中 具身与机器人 ：world model(abstract)；world model(abstract)；分类 cs.AI、cs.RO

AI总结 提出一种基于大语言模型的规划-执行智能体架构，通过解耦高层任务规划与低层控制，并引入约束执行层和有限重规划，实现无人机可解释、可约束的自主飞行。

Comments Accepted to ICRA 2026 Workshop on Semantics for Reliable Robot Autonomy: From Environment Understanding and Reasoning to Safe Interaction

RESBev: Making BEV Perception More Robust

RESBev：使BEV感知更加鲁棒

Lifeng Zhuo, Kefan Jin, Zhe Liu, Hesheng Wang

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 自动驾驶 ：world model(abstract)；world model(abstract)；分类 cs.CV

AI总结 提出RESBev，一种即插即用的鲁棒BEV感知方法，通过构建潜在世界模型学习时空相关性来预测干净BEV特征，从而在无需修改骨干网络的情况下增强对自然扰动和对抗攻击的鲁棒性。

Dynamics Are Learned, Not Told: Semi-Supervised Discovery of Latent Dynamics Geometries For Zero-Shot Policy Adaptation

动力学是学出来的，不是告诉的：零样本策略适应的潜在动力学几何半监督发现

Zhiming Xu, Weitao Zhou, Xianghui Pan, Nanshan Deng, Chengju Liu, Qijun Chen, Chenpeng Yao

机构 * Zhiming Xu（徐志明） ； Weitao Zhou（周伟涛） ； Xianghui Pan（潘向辉） ； Nanshan Deng（邓南山） ； Chengju Liu（刘成军） ； Qijun Chen（陈齐军） ； Chenpeng Yao（姚晨鹏） 纠错

专题命中 模型式强化学习 ：latent dynamics(title)；分类 cs.RO

AI总结 针对机器人强化学习中动力学变化导致策略失效的问题，提出基于对比学习的半监督方法，通过构建平滑、任务相关的潜在拓扑结构，实现零样本策略适应，在MuJoCo基准上优于参数中心方法。

Comments Proceedings of the 43rd International Conference on Machine Learning

All Models are Wrong, Knowing Where is Useful: On Model Uncertainty in Reinforcement Learning

所有模型都是错的，知道哪里有用：强化学习中的模型不确定性

Bernd Frauenknecht, Devdutt Subhasish, Artur Eisele, Friedrich Solowjow, Sebastian Trimpe

机构 * German Federal Ministry of Research, Technology and Space (BMFTR)（德国联邦研究、技术和空间部） ； Robotics Institute Germany (RIG)（德国机器人研究所） ； Institute for Data Science in Mechanical Engineering, RWTH Aachen University（机械工程数据科学研究所，亚琛工业大学） ； NHR Center NHR4CES at RWTH Aachen University（亚琛工业大学NHR4CES中心） 纠错

专题命中 模型式强化学习 ：model-based reinforcement learning(abstract)；分类 cs.LG；dynamics model(abstract)

AI总结 提出通过针对性处理概率模型的不确定性来减轻模型利用的框架，并展示在硬件直接学习和安全探索方面的成功。

Physically-Constrained Mamba-SDE for Remaining Useful Life Prediction under Irregular Observations

物理约束的Mamba-SDE用于不规则观测下的剩余使用寿命预测

Deyu Zhuang, Peiliang Gong, Yang Shao, Liyuan Shu, Qi Zhu, Xiaoli Li, Daoqiang Zhang

机构 * Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； Nanyang Technological University（南洋理工大学） ； Singapore University of Technology and Design（新加坡科技设计大学） 纠错

专题命中 模型式强化学习 ：latent dynamics(abstract)；分类 cs.AI

AI总结 提出PC-MambaSDE框架，通过掩码感知连续Mamba编码器和物理引导的潜在SDE，解决不规则观测下剩余使用寿命预测的物理不可行性问题。

How Neural Losses Shape VAE Latents

神经损失如何塑造VAE潜在变量

Giorgio Strano, Luca Cerovaz, Michele Mancusi, Tommaso Mencattini, Emanuele Rodolà

机构 * Sapienza University of Rome（罗马大学萨皮恩扎分校） ； Paradigma, Inc.（Paradigma公司） ； Moises Systems, Inc.（Moises系统公司） ； EPFL（苏黎世联邦理工学院） 纠错

专题命中 模型式强化学习 ：latent dynamics(abstract)；分类 cs.LG

AI总结 本文研究感知损失和对抗损失等神经重建损失如何改变VAE的率失真问题，证明其减少潜在表示信息量并改变潜在空间几何结构，使表示更各向同性且不确定性分布更均匀。