机器人 / 具身智能

Failure Detection for Surgical Robot Imitation Policies via Flow-Matching World Modeling

基于流匹配世界建模的外科机器人模仿策略故障检测

Zhefeng Huang, Yilin Cai, Ankit Patel, Mohammad Hajiha, Brendan Browne, Yue Chen

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Emory University（埃默里大学） 纠错

专题命中 具身推理 ：world model(title,abstract)；manipulation(abstract)；robotic(abstract)；分类 cs.RO

AI总结 该研究针对外科机器人模仿策略的故障检测难题，提出FoMo-FD方法，利用流匹配世界模型实现无故障演示的视觉-动作不一致性窗口级检测，在dVRK的模拟与真实实验中表现优于基线方法。

Comments 9 pages, 6 figures. Submitted to IEEE Robotics and Automation Letters (RA-L)

QQWorld: Quantile-Quantile Matching for World Model Regularization

QQWorld：用于世界模型正则化的分位数-分位数匹配

Zhoushun Yu, Xiaoyu Hu, Xiangyu Xu

专题命中 具身推理 ：world model(title,abstract)；分类 cs.RO、cs.AI、cs.CV

AI总结 该研究针对潜在世界模型正则化中EP目标函数对尾部样本校正梯度不足的问题，提出QQWorld方法，通过分位数-分位数匹配目标函数及跨批次QQ技术，提升了LeWM在四个控制环境中的规划成功率与高斯对齐效果。

ShadowDancer: Teaching Video World Models Any Action by Learning Unified Dynamics Representations from a Video and Its Shadow

ShadowDancer：通过从视频及其阴影中学习统一动力学表示，赋予视频世界模型任意动作控制能力

Jin Cao, Zian Meng, Kaipeng Zhang

机构 * Alaya Lab（Alaya实验室） ； Shanghai Innovation Institute（上海创新研究院） 纠错

专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI、cs.CV、cs.LG

AI总结 ShadowDancer通过阴影对与跨阴影预测学习统一动力学表示，实现视频世界模型的任意动作帧级控制，在多动力学族上的动作迁移与长回放性能优于基线，平均盲胜率达86%。

Comments https://ShadowDancer-1.github.io

World Action Planner: Generalizable Decision-Making with Action-Conditioned World Models

世界动作规划器：基于动作条件世界模型的通用决策方法

Xiangcheng Zhang, Yilun Du

机构 * Harvard University（哈佛大学） 纠错

专题命中 具身推理 ：world model(title,abstract)；分类 cs.RO、cs.AI

AI总结 本研究提出World Action Planner机器人规划系统，结合VLMs与多任务位姿图像条件世界模型，可迭代优化动作规划，在组合任务、新布局等场景中泛化性能优于VLAs、WAMs等端到端策略模型。

Comments Project page at worldactionplanner.github.io

PhiZero: A World Model Built Around Physical Language

PhiZero：基于物理语言构建的世界模型

Shuyao Shang, Yuqi Wang, Ruopeng Gao, Xu Chen, Tieniu Tan, Lue Fan, Zhaoxiang Zhang

机构 * NLPR, Institute of Automation, Chinese Academy of Sciences (CASIA)（中国科学院自动化研究所NLPR） 纠错

专题命中 具身推理 ：world model(title,abstract)；分类 cs.CV

AI总结 该研究提出围绕物理语言构建的PhiZero世界模型，采用先推理再渲染的范式，经实验验证其可建模物理连贯的世界演化，还具备交互式世界建模等应用潜力。

Comments Project page: https://phi-zero.github.io/

Tycho: Active Abstraction with Programmatic World Models for ARC-AGI-3

Tycho：面向ARC-AGI-3的基于可编程世界模型的主动抽象

Jens Lehmann, Andrei Aioanei, Sahar Vahdati

机构 * Dresden University of Technology（德累斯顿工业大学） ； Amazon（亚马逊） ； TIB – Leibniz Information Centre for Science and Technology（莱布尼茨科学与技术信息中心） ； Leibniz University of Hannover（汉诺威莱布尼茨大学） 纠错

专题命中 具身推理 ：world model(title)；分类 cs.AI、cs.CV

AI总结 针对ARC-AGI-3的交互式抽象问题，提出编码智能体系统Tycho，通过结构化观测构建游戏模型，选定策略下GPT-5.6 Sol与Opus 5可达成100%相对人类行动效率并完成全部关卡。

Comments 52 pages, 18 figures, 17 tables. Open-source implementation: https://github.com/NIMI-research/Tycho

AuricularWorld: Hierarchical Action-Guided World Modeling for Fine-Grained Auricular Structure Segmentation from CT Scans

AuricularWorld：用于CT扫描中耳部结构细粒度分割的分层动作引导世界建模

Jingwen Yang, Senmao Wang, Luoyao Kang, Runmeng Cui, Keying Zhang, Yunjia Bao, Haifan Gong, Lin Lin, Haiyue Jiang

机构 * Plastic Surgery Hospital, Chinese Academy of Medical Sciences & Peking Union Medical College（中国医学科学院北京协和医学院整形外科医院） ； The Chinese University of Hong Kong（香港中文大学） ； The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）） 纠错

专题命中 具身推理 ：world model(title)；分类 cs.CV

AI总结 该研究针对CT耳部细粒度分割难题，提出分层动作引导的AuricularWorld世界建模框架，通过迭代解剖学推理提升分割精度，使HD95降低超43%，验证了潜在世界模型推理的有效性。

ViewMind3D: Modular View-Aware Inference for Training-Free 3D-QA

ViewMind3D：用于无需训练的3D问答的模块化视图感知推理

Ping-Kun Chiang, Kun-Ru Wu, Po-han Li, Sandeep Chinchali, Ufuk Topcu, Yu-Chee Tseng

专题命中 具身推理 ：embodied AI(abstract)；robotic(abstract)；分类 cs.CV

AI总结 该研究提出无需训练的模块化框架ViewMind3D，将3D-QA分解为四个组件，在ScanQA和SQA3D上实现竞争力性能，证明通用LLMs与VLMs的模块化编排可实现有效3D推理。

LeapBot-WA: World-Anchor Action Models via Predictive Latent Alignments

LeapBot-WA：通过预测性潜在对齐实现的世界锚定动作模型

Pei Liu, Nan Zheng, Lang Zhang, Daojie Peng, Yanan Zhang, Feilong Kong, Mingyue Feng, Jiachao Liu, Yaonong Wang, Qifeng Chen, Jun Ma

专题命中 具身推理 ：world model(abstract)；robotic(abstract)；分类 cs.RO

AI总结 研究针对世界动作模型依赖像素级视频生成的瓶颈，提出LeapBot-WA，通过预测性潜在对齐建立新范式，引入ISAE弥合模态差距，设计MoT架构，在多数据集上表现出色，实现高效强大的潜在中心范式及零样本鲁棒性和现实世界迁移。

Learning to Understand Body Language from Flight through Robust 3D Avatar Placing

通过鲁棒3D化身放置学习理解肢体语言

Dragos Costea, Alina Marcu, Cristina Lazar, Marius Leordeanu

机构 * National University of Science and Technology “Politehnica” Bucharest（布加勒斯特理工国立大学） ； “Simion Stoilow” Institute of Mathematics of the Romanian Academy（罗马尼亚科学院“西米翁·斯托伊洛夫”数学研究所） ； NORCE Norwegian Research Centre AS（挪威NORCE研究中心） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.CV

AI总结 该研究推出Drones2BodyLanguage数据集，结合轻量几何世界模型训练12种架构，可提升空中机器人对人类交际意图的感知准确率，为社交智能无人机提供数据支撑与方法。