世界模型 - arXivDaily 专题

2602.12215 2026-06-04 cs.RO 80%

LDA-1B: Scaling Latent Dynamics Action Model via Universal Embodied Data Ingestion

LDA-1B：通过通用具身数据摄取扩展潜动力学动作模型

Jiangran Lyu, Kai Liu, Xuheng Zhang, Haoran Liao, Yusen Feng, Wenxuan Zhu, Tingrui Shen, Jiayi Chen, Jiazhao Zhang, Yifei Dong, Wenbo Cui, Senmao Qi, Shuo Wang, Yixin Zheng, Mi Yan, Xuesong Shi, Haoran Li, Dongbin Zhao, Ming-Yu Liu, Zhizheng Zhang, Li Yi, Yizhou Wang, He Wang

机构 * Peking University（北京大学）； Galbot ； CASIA（中国科学院自动化研究所）； BAAI（北京人工智能研究院）； Tsinghua University（清华大学）； Sun Yat-sen University（中山大学）； NVIDIA

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

AI总结提出LDA-1B机器人基础模型，通过统一格式的具身交互数据集EI-30k和结构化DINO潜空间中的动力学学习，联合建模动力学、策略和视觉预测，在接触丰富、灵巧和长时任务上分别提升高达21%、48%和23%。

Comments Accepted at RSS 2026, Project Page:https://pku-epic.github.io/LDA

1803.10371 2026-06-04 cs.RO cs.LG cs.SY eess.SY 60%

Reinforcement learning for non-prehensile manipulation: Transfer from simulation to physical system

基于非操控操作的强化学习：从仿真到物理系统的迁移

Kendall Lowrey, Svetoslav Kolev, Jeremy Dao, Aravind Rajeswaran, Emanuel Todorov

机构 * University of Washington（华盛顿大学）； Roboti LLC（Roboti公司）

专题命中具身与机器人：model-based reinforcement learning(abstract)；分类 cs.LG、cs.RO；simulation model(abstract)

AI总结本文提出了一种基于仿真的强化学习方法，用于非操控操作任务，通过在仿真环境中训练策略，成功迁移到物理系统中，且在模型集合训练下提升了策略的鲁棒性。

Comments Accepted at IEEE SIMPAR 2018. Project page: https://sites.google.com/view/phantomsim2real

1903.02531 2026-06-04 cs.RO cs.AI cs.CV cs.LG cs.SY eess.SY 56%

Combining Optimal Control and Learning for Visual Navigation in Novel Environments

将最优控制与学习相结合用于新环境中的视觉导航

Somil Bansal, Varun Tolani, Saurabh Gupta, Jitendra Malik, Claire Tomlin

机构 * University of California, Berkeley（加州大学伯克利分校）； Facebook AI Research（脸书人工智能研究）

专题命中具身与机器人：分类 cs.AI、cs.LG、cs.CV；dynamics model(abstract)

AI总结本文提出了一种结合模型控制与学习感知的方法，用于在新环境中实现可靠的视觉导航，通过生成无碰撞路径的 waypoints，使机器人能够高效地到达目标位置，同时在低帧率和仿真到现实的迁移中表现良好。

Comments Project website: https://vtolani95.github.io/WayPtNav/

1808.00113 2026-06-04 eess.SY cs.LG cs.RO cs.SY math.OC 56%

Learning Stabilizable Dynamical Systems via Control Contraction Metrics

通过控制收缩度量学习可稳定化的动态系统

Sumeet Singh, Vikas Sindhwani, Jean-Jacques E. Slotine, Marco Pavone

机构 * Dept. of Aeronautics and Astronautics, Stanford University（航空航天系，斯坦福大学）； Google Brain Robotics, New York（谷歌大脑机器人，纽约）； Dept. of Mechanical Engineering, Massachusetts Institute of Technology（机械工程系，麻省理工学院）

专题命中具身与机器人：model-based reinforcement learning(abstract)；分类 cs.LG、cs.RO

AI总结本文提出了一种新的框架，用于学习可稳定化的非线性动态系统，以实现机器人连续控制任务。核心方法是开发一种基于稳定性的控制理论正则化器，以确保学习到的系统可以配备一个稳健的控制器，能够稳定任何系统生成的开环轨迹。通过利用收缩理论、统计学习和凸优化工具，我们提供了一个通用且可操作的半监督算法来学习可稳定化的动态系统，可以应用于复杂的欠驱动系统。在模拟平面四旋翼系统上验证了所提算法，并观察到与传统回归技术学习的模型相比，使用控制理论正则化模型在轨迹生成和跟踪性能上有显著改进，尤其是在使用少量示范示例时。结果展示了将标准基于模型的强化学习算法与非线性控制理论概念结合的必要性，以提高可靠性。

Comments To appear at WAFR 2018. v2: re-structured Sections 3 & 4 to improve clarity; expanded discussion on limitations & future work in Section 5; added details on training & validation, significantly expanded experiments

1. 具身与机器人 4 篇

LDA-1B: Scaling Latent Dynamics Action Model via Universal Embodied Data Ingestion

Reinforcement learning for non-prehensile manipulation: Transfer from simulation to physical system

Combining Optimal Control and Learning for Visual Navigation in Novel Environments

Learning Stabilizable Dynamical Systems via Control Contraction Metrics