面向多样化机器人系统的知识编码可扩展轨迹世界模型 —— WestWorld
机器学习
2026-05-21 v2 机器人学
摘要
轨迹世界模型在机器人动力学学习、规划和控制中发挥着关键作用。虽然最近的工作探索了针对不同机器人系统的轨迹世界模型，但它们在面向大量不同系统动力学时难以扩展，同时忽视了物理结构的领域知识。为解决这些限制，我们引入WestWorld，这是一个知识编码的可扩展轨迹世界模型，用于 diverse robotic systems。为解决可扩展性挑战，我们提出了一种 novel system-aware Mixture-of-Experts (Sys-MoE)，通过可学习的 system embedding 动态组合和路由不同的专家以适应不同机器人系统。为进一步增强零样本泛化，我们通过引入结构嵌入，将轨迹表示与形态信息对齐。经过在89个复杂环境中（spanning diverse morphologies across simulation and real-world settings）的预训练，WestWorld 在 zero- 和 few-shot 轨迹预测中显著优于竞争基线方法。此外，它在 wide range of robotic environments 中表现出强大的可扩展性，显著提高了不同机器人上下游 model-based control 的性能。最后，我们将模型部署在真实世界的Unitree Go1 上，演示了其在稳定 locomotion 性能方面的表现。代码可在 https://github.com/511205787/WestWorld 提供。
引用
@article{arxiv.2603.14392,
title = {WestWorld: A Knowledge-Encoded Scalable Trajectory World Model for Diverse Robotic Systems},
author = {Yuchen Wang and Jiangtao Kong and Sizhe Wei and Xiaochang Li and Haohong Lin and Hongjue Zhao and Tianyi Zhou and Lu Gan and Huajie Shao},
journal= {arXiv preprint arXiv:2603.14392},
year = {2026}
}
备注
ICML 2026 spotlight