综述概览与结构：arXiv:2605.00080¶
预计阅读：12 分钟 | 前置知识：了解世界模型、VLA基础概念
论文基本信息¶
| 项目 | 内容 |
|---|---|
| 标题 | World Model for Robot Learning: A Comprehensive Survey |
| 作者 | Bohan Hou, Gen Li, Jindou Jia, Tuo An, Xinying Guo, Sicong Leng, Haoran Geng, Yanjie Ze, Tatsuya Harada, Philip Torr, Oier Mees, Marc Pollefeys, Zhuang Liu, Jiajun Wu, Pieter Abbeel, Jitendra Malik, Yilun Du, Jianfei Yang |
| 提交日期 | 2026年4月30日 |
| 篇幅 | 43页，6图 |
| 领域 | Robotics (cs.RO), Computer Vision (cs.CV) |
| 链接 | arXiv:2605.00080 |
综述的核心问题¶
这篇综述要回答的核心问题是：
世界模型如何与机器人学习耦合，推动机器人智能的发展？
具体包括： 1. 世界模型在机器人学习中扮演什么角色？ 2. 世界模型有哪些技术范式？ 3. 世界模型如何用于策略学习、仿真评估、视频生成？ 4. 有哪些数据集、基准和评估协议？
综述的整体框架¶
┌─────────────────────────────────────────────────────────┐
│ World Model for Robot Learning │
│ (综述整体结构) │
├─────────────────────────────────────────────────────────┤
│ │
│ Part 1: World Model as Policy (世界模型作为策略) │
│ ├─ IDM-style Policies (逆动力学策略) │
│ ├─ Single-backbone Policies (单骨干策略) │
│ ├─ MoE/MoT-style Policies (专家混合策略) │
│ ├─ Unified VLA Models (统一VLA模型) │
│ └─ Latent-space World Modeling (隐空间世界建模) │
│ │
│ Part 2: World Model as Simulator (世界模型作为模拟器) │
│ ├─ For Reinforcement Learning (用于强化学习) │
│ └─ For Evaluation (用于评估) │
│ │
│ Part 3: Video Generation World Models (视频生成世界模型)│
│ ├─ Imagination-based (想象式生成) │
│ ├─ Action-Controllable (动作可控) │
│ ├─ Structure-Aware (结构感知) │
│ └─ Foundation-scale (基础规模) │
│ │
│ Part 4: Benchmarks & Datasets (基准与数据集) │
│ └─ Evaluation protocols (评估协议) │
│ │
│ Part 5: Navigation & Autonomous Driving (导航与自动驾驶)│
│ └─ Cross-domain applications (跨领域应用) │
│ │
└─────────────────────────────────────────────────────────┘
三项核心能力：综述自己的说法¶
综述在引言里给出的不是"三种角色"，而是世界模型应具备的三项核心能力：foresight（前视预测）、imagination-driven planning（想象驱动的规划）、data amplification（数据放大）。
下面按综述正文的三大部分（§3 策略 / §4 模拟器 / §5 视频生成）再展开——这个"角色"划分是本仓库按章节顺序重整的，不是综述原文的提法，读原文时不要去找这三个词。
角色一：作为策略 (Policy)¶
世界模型直接充当或辅助机器人策略：
子类别（对应综述 §3.2–§3.6，五类）： - IDM风格：先预测未来视觉轨迹，再用逆动力学模型提取动作 - 单骨干：用一个统一模型同时建模视频和动作 - MoE/MoT：视频和动作专家分离，通过注意力机制交互 - 统一VLA：将世界建模作为训练目标内化到VLA中 - 隐空间：在表示空间中做未来预测，不显式生成视频
角色二：作为模拟器 (Simulator)¶
世界模型作为学习环境用于策略改进：
两种用途： - 强化学习：Dreamer系列，用世界模型生成训练数据 - 评估：用世界模型评分候选行为、排序策略、支持MPC规划
角色三：作为视频生成器 (Video Generator)¶
世界模型生成机器人视频用于多种目的：
技术分类学¶
下表是本仓库的综合，不是综述原文给出的分类表。综述只在引言里说它提供了一个"更细粒度的分类，用来区分主要架构范式与功能角色"，并没有把五个维度并列成一张表。
| 维度 | 分类 |
|---|---|
| 角色 | 策略骨干 vs 模拟器 vs 视频生成器 |
| 架构 | IDM vs 单骨干 vs MoE/MoT vs 统一VLA |
| 表示 | 像素空间 vs 隐空间 (JEPA风格) |
| 用途 | 训练信号 vs 评估/规划 vs RL微调 |
| 生成方式 | 扩散模型 vs 自回归 vs 流匹配 |
关键发现¶
1. 世界模型与策略的耦合越来越紧密¶
从早期的"世界模型辅助策略"到现在的"世界模型即策略"，边界在模糊。
2. 视频生成世界模型快速发展¶
从想象式生成到可控、结构化、基础规模的公式化。
3. 隐空间世界建模兴起¶
JEPA风格的方法在表示空间中做未来预测，避免了像素空间生成的高成本。
4. 基准和评估标准化¶
综述总结了代表性的数据集、基准和评估协议。
与无人机领域的关联¶
先说清性质：这篇综述面向通用机器人，全文没有引用任何无人机工作。下面的对应关系是本仓库自己填的，用来把综述的框架往无人机上搬，不是综述的内容——原文里找不到这些论文。
| 综述分类 | 无人机对应（本仓库补充） |
|---|---|
| IDM策略 | ANWM的FFP模块 |
| 统一VLA | VLA-AN、CognitiveDrone |
| 世界模型作为模拟器 | Dream to Fly (DreamerV3) |
| 视频生成世界模型 | FlightDiffusion、MotionScape |
| 隐空间世界建模 | 对比世界模型 (无人机导航) |
综述的局限性¶
- 完全没有无人机内容：不是"覆盖较少"——全文检索 UAV / drone / aerial / quadrotor 命中数为 0，AeroVerse、MotionScape、CARLA-Air、UAVBench、BEDI、Embodied4C 等无人机基准也一个都没引用。本卷 04/05 里的无人机案例全部是本仓库自行补充的
- 时间截止：2026年4月前的工作，可能遗漏最新进展
- 缺乏实验对比：作为综述，没有统一的实验评估
- 代码可用性：大部分被引用的论文没有开源代码
延伸阅读¶
思考题¶
-
框架理解：综述给出的三项核心能力是什么？本仓库按章节重整出的「策略 / 模拟器 / 视频生成器」三分法，与原文的提法是什么关系？
-
分类思考：IDM策略和单骨干策略的核心区别是什么？各有什么优劣？
-
无人机适配：综述的分类框架如何映射到无人机领域？有哪些无人机特有的类别？
-
趋势判断：你认为世界模型作为策略 vs 作为模拟器，哪个方向更有前景？
-
进阶思考：为什么隐空间世界建模（如JEPA）可能比像素空间生成更适合无人机？