$\texttt{WEAVER}$, Better, Faster, Longer: An Effective World Model for Robotic Manipulation

📄 arXiv: 2606.13672v1 📥 PDF

作者: Arnav Kumar Jain, Yilin Wu, Jesse Farebrother, Gokul Swamy, Andrea Bajcsy

分类: cs.RO

发布日期: 2026-06-11

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

提出WEAVER以解决机器人操作中的世界模型问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 世界模型 机器人操作 多视角设计 流匹配损失 策略评估 动态任务 智能机器人

📋 核心要点

  1. 现有的世界模型在长时间动态操作任务中表现不佳，难以同时满足真实度、一致性和效率的要求。
  2. WEAVER通过多视角设计和流匹配损失，能够有效预测未来状态和奖励值，解决了现有方法的不足。
  3. 实验结果显示，WEAVER在策略评估中与现实成功率的相关性达到0.870，策略改进提升38%，测试时规划速度提升5-10倍。

📝 摘要（中文）

世界模型（WMs）在机器人领域的潜在影响深远，包括策略评估、策略改进和测试时规划，均需有限的现实交互。为了实现这些能力，WM需要同时满足三个要求：真实度、一致性和效率。本文提出了WEAVER（跨视角的世界估计），一种能够同时实现这三者的WM架构，在机器人操作任务中取得了最先进的结果。WEAVER是一个多视角WM，通过流匹配损失预测未来潜在状态和奖励值。我们总结了在模型架构、记忆和预测目标方面的关键设计决策，以应对长时间动态操作任务的挑战。实验表明，WEAVER在策略评估、策略改进和测试时规划方面均表现优异。

🔬 方法详解

问题定义：本文旨在解决现有世界模型在机器人操作中无法有效处理长时间动态任务的问题，现有方法往往在真实度、一致性和效率上存在不足。

核心思路：WEAVER的核心思路是通过多视角的世界估计和流匹配损失，来同时提高模型的真实度、一致性和效率，从而更好地支持机器人操作任务。

技术框架：WEAVER的整体架构包括多个模块：首先是多视角输入的处理模块，其次是流匹配损失计算模块，最后是预测未来状态和奖励值的输出模块。

关键创新：WEAVER的最大创新在于其多视角设计和流匹配损失的结合，使得模型能够在长时间范围内保持一致性和高效性，这与传统的单视角模型有本质区别。

关键设计：在设计上，WEAVER采用了特定的损失函数来优化流匹配，同时在网络结构上进行了优化，以提高模型的记忆能力和预测精度。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

WEAVER在实验中表现出色，策略评估与现实成功率的相关性达到0.870，策略改进实现了38%的提升，测试时规划速度提升5-10倍，优于以往的世界模型，尤其在分布外场景中表现更佳。

🎯 应用场景

WEAVER的研究成果在机器人操作、自动化制造和智能家居等领域具有广泛的应用潜力。通过提高机器人在复杂环境中的操作能力，WEAVER能够推动智能机器人技术的进步，提升其在现实世界中的应用价值。

📄 摘要（原文）

The potential impacts of world models (WMs, i.e., learned simulators) on robotics are far-reaching -- policy evaluation, policy improvement, and test-time planning -- all with limited real-world interaction. To unlock these downstream capabilities, a WM needs to jointly satisfy three desiderata: $\textit{(i)}$ fidelity (i.e., producing simulated trajectories that correlate with reality), $\textit{(ii)}$ consistency (i.e., producing simulated trajectories that are coherent over long horizons), and $\textit{(iii)}$ efficiency (i.e., producing simulated trajectories quickly). We propose $\texttt{WEAVER}$ (World Estimation Across Views for Embodied Reasoning): a WM architecture that simultaneously achieves all three desiderata, providing state-of-the-art results on robotic manipulation tasks. $\texttt{WEAVER}$ is a multi-view WM trained to predict future latents and reward values via a flow-matching loss. We distill the key design decisions across model architecture, memory, and prediction objectives required to unlock the kinds of long-horizon dynamic manipulation tasks that have confounded prior world modeling approaches. We apply $\texttt{WEAVER}$ in robotic hardware, demonstrating its effectiveness at policy evaluation ($ρ$=0.870 correlation with real-world success rate), policy improvement (real-world success rate improvement of $38\%$ on top of the $π_{0.5}$ robot foundation model), and test-time planning (real-world success rate improvement of $14\%$ with a $5-10\times$ speedup over prior WMs). $\texttt{WEAVER}$ also demonstrates better performance than prior WMs when evaluated on out-of-distribution scenarios. Code, models, and videos at: https://arnavkj1995.github.io/WEAVER/ .