Toward Uncertainty-Aware, Physics-Grounded Human World Models
作者: Yufei Zhang, Zijun Cui
分类: cs.RO
发布日期: 2026-11-02
备注: CoRL2026 UncertainWM Workshop
💡 一句话要点
提出不确定性感知的物理基础人类世界模型以提升机器人交互能力
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 人类状态建模 不确定性估计 动态预测 机器人交互 物理基础模型
📋 核心要点
- 现有方法在实时重建人类身体和预测其动态变化时，面临不确定性估计不足的问题。
- 论文提出通过结合KNOWN和PhysMoP，构建一个不确定性感知的物理基础人类世界模型，以提高预测精度。
- 在Human3.6M和3DPW数据集上，PhysMoP的预测误差分别从9.6mm降至2.1mm，12.1mm降至0.7mm，显示出显著的性能提升。
📝 摘要（中文）
本文探讨了机器人在与人类互动时所需的人类世界模型，包括对人体状态的信念和预测该状态未来变化的动力学模型。已发表的两个组件分别实现了这两方面的功能，并提出了如何将它们结合的方法。KNOWN能够实时重建3D人类身体，同时估计随机和认知不确定性，其随机项识别不可靠观察，认知项则识别训练数据中的低密度输入。PhysMoP通过求解身体的欧拉-拉格朗日方程来预测未来的身体配置，显著降低了预测误差。本文还定义了两者之间的接口，提出了三种机制以将KNOWN的不确定性引入PhysMoP，并指定了在实际视频中的评估协议。
🔬 方法详解
问题定义：本文旨在解决机器人在与人类互动时对人类状态的建模问题。现有方法在实时性和不确定性估计方面存在不足，导致预测精度不高。
核心思路：论文核心思想是将已发表的两个组件KNOWN和PhysMoP结合，利用KNOWN的实时不确定性估计来增强PhysMoP的动态预测能力，从而提高整体模型的准确性和可靠性。
技术框架：整体架构包括两个主要模块：首先，使用KNOWN重建3D人类身体并估计不确定性；其次，PhysMoP基于已学习的动力学模型预测未来的身体配置。两者通过定义的接口进行耦合。
关键创新：最重要的创新在于将不确定性感知引入到物理基础的动态预测中，形成了一个更为全面的人类世界模型。这种结合使得模型在面对不确定性时，能够做出更为准确的预测。
关键设计：在KNOWN中，随机不确定性用于识别不可靠的观察，认知不确定性则用于识别训练数据中的低密度区域。PhysMoP通过求解欧拉-拉格朗日方程来进行动态预测，优化了模型的损失函数以减少预测误差。
🖼️ 关键图片
📊 实验亮点
在Human3.6M数据集上，PhysMoP的预测误差从9.6mm降低到2.1mm，在3DPW数据集上从12.1mm降低到0.7mm，显示出显著的性能提升。这些结果表明，结合不确定性感知的物理基础模型在动态预测任务中具有优越性。
🎯 应用场景
该研究的潜在应用领域包括人机协作、服务机器人和智能监控等。通过构建更为精准的人类世界模型，机器人能够更好地理解和预测人类行为，从而提升交互的安全性和效率。未来，这一技术有望在智能家居、医疗辅助和自动驾驶等领域发挥重要作用。
📄 摘要（原文）
A robot that acts around people needs a world model of the human: a belief over the person's body state and a dynamics model that predicts where that state goes next. This abstract argues that two published components form exactly these two halves, and specifies how to couple them. KNOWN [1] reconstructs the 3D human body while estimating both aleatoric and epistemic uncertainty in real time (11.6 ms per frame); its aleatoric term identifies unreliable observations, its epistemic term identifies inputs from low-density regions of the training data, and refinement driven by the epistemic term reduces the error on such inputs from 81.3 to 70.3 mm. PhysMoP [2] predicts future body configuration by solving the Euler-Lagrange equations of the body with learned dynamics terms, reducing the 80 ms prediction error from 9.6 to 2.1 mm on Human3.6M and from 12.1 to 0.7 mm on 3DPW. We define the interface between the two, propose three mechanisms by which KNOWN's uncertainty enters PhysMoP, and specify an evaluation protocol on in-the-wild video. No new experimental results are reported here.