arXiv cs.AI· Chaehyun Kim, Chi-Pin Huang, Jisoo Kim, Min-Hung Chen, Yu-Chiang Frank Wang, Seungryong Kim, Fu-En Yang·· 13 小时前AI 评分38
ThinkWorld：用世界想象强化 Chain-of-Dynamics 推理的 VLA 学习框架
ThinkWorld: World Imagination Reinforces Chain-of-Dynamics Reasoning
AI 导读
ThinkWorld 是一个 VLA 学习框架，将动作推理建立在世界动态之上，并用世界想象的强化学习加以强化。
正文 · AI 翻译
摘要：视觉-语言-动作（VLA）模型在机器人操作方面已取得实质性进展，但其泛化能力仍受限于带动作标注的机器人演示数据的多样性和覆盖范围。人类视频提供了更广泛的行为与环境经验，然而从中学习面临着可扩展数据与显式动作 grounding 之间的根本性权衡。我们提出 ThinkWorld，一个将动作推理建立在世界动态之上、并通过世界想象强化学习加以强化的 VLA 学习框架。ThinkWorld 将每个动作思考表示为一条动态链（Chain-of-Dynamics，CoD），即一串离散运动 token 序列，它捕捉连接当前世界与未来状态的中间动态，并作为跨具身形态的通用动作表示。我们首先用带动作标注的演示初始化 CoD，然后预测每个 CoD 所诱导的未来，并对预测结果与观测结果更匹配的 CoD 进行强化。这使得没有动作标注的视频能够从观测到的状态转移中提供直接监督，从而让人类与机器人的经验共同精炼同一推理空间。仿真与真实机器人实验表明，该方法能有效实现从人到机器人的迁移，并对未见过的任务和环境具有强泛化能力。
| 评论： | 项目主页：this https URL |
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2610.37666 [cs.RO] |
| （或 arXiv:2610.37666v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.37666 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Chaehyun Kim [查看邮箱]
[v1]
2026年10月27日星期二 17:59:52 UTC（17,840 KB）
来源：arXiv cs.AI · arxiv.org