[RO]《Ctrl-World: A Controllable Generative World Model for Robot Manipulation》Y Guo, L X Shi, J Chen, C Finn [Stanford University & Tsinghua University] (2025)
CTRL-WORLD：用于机器人操作的可控生成世界模型
🔹背景：
当前通用机器人策略能执行多样操控技能，但在面对新物体和新指令时，评估与改进困难重重。真实环境测试耗时费力，且需专家标注数据，扩展性差。世界模型能在“想象空间”中模拟策略执行，提供高效替代方案，但构建兼容多步交互、支持多视角、高精度动作控制且长时序一致的可控世界模型仍具挑战。
🔹贡献：
本文提出Ctrl-World，一种可控多视角生成世界模型，满足现代通用视觉-语言-动作（VLA）策略需求：
1️⃣ 多视角联合预测（含腕部相机视角），减少虚假预测，提升交互真实性；
2️⃣ 帧级动作条件输入，实现细粒度动作控制，确保动态与动作因果对齐；
3️⃣ 姿态条件记忆检索机制，通过跨时序信息调用，保持长时序一致性。
训练于含95k轨迹、564场景的DROID数据集，模型能在新场景和新相机布局下持续生成20秒以上一致性轨迹。
🔹优势：
- 无需真实机器人反复试验，即可准确评估策略性能，成功率排序与真实环境高度相关；
- 利用模型内合成的成功轨迹进行有监督微调，提升政策成功率44.7%；
- 支持策略“闭环”想象式训练，实现高效快速迭代。
🔹实验亮点：
- 量化指标（PSNR、SSIM、LPIPS、FID、FVD）全面领先现有单视角动作条件模型；
- 长时序腕部视角预测展现出复杂物体交互的精确模拟；
- 通过多样化动作扰动和指令重述，增强策略多样性和鲁棒性。
🔹未来展望：
尽管模型在复杂精准交互和长时推理上仍有提升空间，Ctrl-World已展示了生成式世界模型在机器人学习领域的巨大潜力。未来，结合更强物理推理能力和自动奖励学习，将推动机器人技能学习迈向更高效、安全、可扩展的阶段。
📖 论文链接：arxiv.org/abs/2510.10125
🔗 项目主页：
机器人 世界模型 视觉语言动作 生成模型 强化学习 机器人操作 AI研究 CtrlWorld
