DreamTrue：通过反事实后训练构建动作可信的机器人世界模型

论文《DreamTrue: Action-Faithful Robot World Model with Counterfactual Post-Training》于2026-10-08提交至arXiv，提出面向机器人动作预测的多视角、跨形体世界模型，关注价值在于减少视频模型只生成“成功交互”而忽略失败与接触异常的问题。

• 方法将动作轨迹渲染为图像空间条件，并通过离线几何校准对齐动作与目标视频，以改善跨机器人形体的动作跟随。
• 反事实后训练修改已记录的动作轨迹，生成更多动作与接触配置下的未来视频。
• 作者建立人工标注的视频缺陷数据集，覆盖机器人、物体和交互缺陷，并训练具身视频奖励模型。
• 在AgiBot评测中，论文报告人工评估的交互缺陷率由48.12%降至6.25%，并在AgiBot World Challenge 2026世界模型赛道排名第一。
• 影响/看点：反事实数据与缺陷奖励可能提升世界模型对失败交互的覆盖，进而改善仿真和规划；但缺陷率结果来自特定平台和人工评估，迁移到不同机器人、物体与真实部署环境需要验证。资料依据：
• arXiv论文（2026-10-08）：https://arxiv.org/abs/2610.12468
• DreamTrue项目页面（2026-10-08）：https://brave-eai.github.io/DreamTrue/

本内容由 AI 生成，仅供参考，请注意甄别