ABot-PhysWorld：用于物理对齐的交互式世界基础模型机器人操作
计算机视觉与模式识别
2026-03-30 v2 机器人学
摘要
基于视频的世界模型是具身仿真与规划的强大方法，但最先进的模型由于训练于通用视觉数据且基于似然目标而忽略物理规律，常生成在物理上不合常理的操作，如物体穿透和反重力运动。我们提出ABot-PhysWorld，一个拥有140亿参数的扩散Transformer模型，能够生成视觉上真实、在物理上合理且可控动作的视频。该模型基于三百万个带物理感知标注的操作剪辑构建，采用新颖的DPO-based后训练框架，利用解耦判别器抑制非物理行为，同时保持视觉质量。平行上下文模块实现了对跨具身控制的精确空间动作注入。为更好地评估泛化性，我们引入EZSbench——首个独立于训练的具身零样本基准，组合真实与合成的未见机器人-任务-场景组合。它采用解耦协议分别评估物理真实性和动作对齐。ABot-PhysWorld在PBench和EZSbench上实现新型最佳性能，超越Veo 3.1和Sora v2 Pro在物理合理性和轨迹一致性方面。我们将发布EZSbench以推动具身视频生成领域的标准化评估。
关键词
引用
@article{arxiv.2603.23376,
title = {ABot-PhysWorld: Interactive World Foundation Model for Robotic Manipulation with Physics Alignment},
author = {Yuzhi Chen and Ronghan Chen and Dongjie Huo and Yandan Yang and Dekang Qi and Haoyun Liu and Tong Lin and Shuang Zeng and Junjin Xiao and Xinyuan Chang and Feng Xiong and Xing Wei and Zhiheng Ma and Mu Xu},
journal= {arXiv preprint arXiv:2603.23376},
year = {2026}
}
备注
Code: https://github.com/amap-cvlab/ABot-PhysWorld.git