Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2506.23135

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2506.23135 (cs)
[提交于 2025年6月29日 ]

标题: RoboScape:物理信息嵌入的世界模型

标题: RoboScape: Physics-informed Embodied World Model

Authors:Yu Shang, Xin Zhang, Yinzhou Tang, Lei Jin, Chen Gao, Wei Wu, Yong Li
摘要: 世界模型已成为具身智能不可或缺的工具,作为强大的模拟器,能够生成逼真的机器人视频,同时解决关键的数据稀缺问题。 然而,当前的具身世界模型在物理意识方面存在局限,特别是在建模三维几何和运动动力学方面,导致在接触丰富的机器人场景中生成不现实的视频。 在本文中,我们提出了RoboScape,这是一个统一的物理信息世界模型,在一个集成框架中联合学习RGB视频生成和物理知识。 我们引入了两个关键的物理信息联合训练任务:时间深度预测,以增强视频渲染中的三维几何一致性;关键点动力学学习,隐式编码物理属性(例如物体形状和材料特性),同时改进复杂运动建模。 大量实验表明,RoboScape在各种机器人场景中生成的视频具有更优的视觉保真度和物理合理性。 我们进一步通过下游应用验证了其实际效用,包括使用生成数据进行机器人策略训练和策略评估。 我们的工作为构建高效的物理信息世界模型提供了新见解,以推动具身智能研究的发展。 代码可在以下链接获取:https://github.com/tsinghua-fib-lab/RoboScape.
摘要: World models have become indispensable tools for embodied intelligence, serving as powerful simulators capable of generating realistic robotic videos while addressing critical data scarcity challenges. However, current embodied world models exhibit limited physical awareness, particularly in modeling 3D geometry and motion dynamics, resulting in unrealistic video generation for contact-rich robotic scenarios. In this paper, we present RoboScape, a unified physics-informed world model that jointly learns RGB video generation and physics knowledge within an integrated framework. We introduce two key physics-informed joint training tasks: temporal depth prediction that enhances 3D geometric consistency in video rendering, and keypoint dynamics learning that implicitly encodes physical properties (e.g., object shape and material characteristics) while improving complex motion modeling. Extensive experiments demonstrate that RoboScape generates videos with superior visual fidelity and physical plausibility across diverse robotic scenarios. We further validate its practical utility through downstream applications including robotic policy training with generated data and policy evaluation. Our work provides new insights for building efficient physics-informed world models to advance embodied intelligence research. The code is available at: https://github.com/tsinghua-fib-lab/RoboScape.
评论: 17页
主题: 计算机视觉与模式识别 (cs.CV) ; 机器人技术 (cs.RO)
引用方式: arXiv:2506.23135 [cs.CV]
  (或者 arXiv:2506.23135v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2506.23135
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Yu Shang [查看电子邮件]
[v1] 星期日, 2025 年 6 月 29 日 08:19:45 UTC (5,855 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-06
切换浏览方式为:
cs
cs.RO

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号