SimForcing：仿真先验蒸馏进真实域机器人世界模型

Xiaodong Wang 等作者在 arXiv 提交预印本（arXiv:2610.06598v2，cs.RO），提出仿真引导的机器人世界模型框架 SimForcing：先用潜空间运动蒸馏，从仿真教师模型迁移运动知识，对齐潜空间中的时序变化，以吸收运动先验并减弱外观差异；再引入带条件丢弃的多块仿真条件，避免过度依赖仿真预测轨迹的准确性，并通过仿真条件无分类器引导统一两者。作者称，联合训练的学生模型可同时生成仿真条件与真实域视频，推理时无需额外世界模型。 作者报告，在 Bridge 数据集上，该方法在无外部具身预训练条件下取得对比方法中最好的 PSNR、SSIM、LPIPS 和 FVD；在 InternData-A1 上的评测支持其跨机器人数据集的适用性。作者还称，用该世界模型初始化视觉-语言-动作模型可提升 LIBERO 成功率，提示其对下游策略学习的用处。上述结果均为预印本作者自述，尚未经同行评议或独立验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。