MetaWorld：用于接合高层指令的层次化世界模型中的技能迁移与组合
机器人学
2026-01-27 v1
摘要
仿人机器人 loco-manipulation 仍受限于语义-物理鸿沟。当前方法面临三个局限性：强化学习的样本效率低，模仿学习的泛化能力差，以及 VLMs 的物理不一致性。我们提出了 MetaWorld，一个通过专家策略迁移集成语义规划和物理控制的层次化世界模型。该框架将任务解耦为 VLM 驱动的语义层和在紧凑状态空间中运行的潜在动力学模型。我们的动态专家选择和运动先验融合机制利用预训练的多专家策略库作为可迁移知识，通过两阶段框架实现高效的在线适应。VLMs 作为语义接口，将指令映射为可执行技能并绕过符号接地。在 Humanoid-Bench 上的实验表明，MetaWorld 在任务完成度和运动连贯性上优于基于世界模型的强化学习方法。我们的代码可在 https://anonymous.4open.science/r/metaworld-2BF4/ 找到。
引用
@article{arxiv.2601.17507,
title = {MetaWorld: Skill Transfer and Composition in a Hierarchical World Model for Grounding High-Level Instructions},
author = {Yutong Shen and Hangxu Liu and Kailin Pei and Ruizhe Xia and Tongtong Feng},
journal= {arXiv preprint arXiv:2601.17507},
year = {2026}
}
备注
8 pages, 4 figures, Submitted to ICLR 2026 World Model Workshop