STORM: 面向机器人操作的搜索引导生成式世界模型
机器人学
2025-12-23 v1 计算机视觉与模式识别
摘要
我们提出了 STORM（Search-Guided Generative World Models），一个用于机器人操作中时空推理的新颖框架，它统一了基于扩散的动作生成、条件视频预测和基于搜索的规划。与依赖抽象潜在动力学或将推理委托给语言组件的先前视觉-语言-动作（VLA）模型不同，STORM 将规划建立在显式的视觉展开基础上，从而实现可解释且具有前瞻性的决策制定。一个基于扩散的 VLA 策略提出多样化的候选动作，一个生成式视频世界模型模拟其视觉和奖励结果，而蒙特卡洛树搜索（MCTS）则通过前瞻评估选择性地优化计划。在 SimplerEnv 操作基准上的实验表明，STORM 实现了 51.0% 的新最优平均成功率，优于 CogACT 等强基线。奖励增强的视频预测显著提高了时空保真度和任务相关性，将弗雷歇视频距离降低了超过 75%。此外，STORM 展现出鲁棒的重新规划和故障恢复行为，突显了搜索引导的生成式世界模型在长时域机器人操作中的优势。
引用
@article{arxiv.2512.18477,
title = {STORM: Search-Guided Generative World Models for Robotic Manipulation},
author = {Wenjun Lin and Jensen Zhang and Kaitong Cai and Keze Wang},
journal= {arXiv preprint arXiv:2512.18477},
year = {2025}
}
备注
Under submission