将世界模型建模为群作用

视频世界模型已经实现了很强的视觉真实感，但这并不能确保它们的动态真正受到动作的控制。在这项工作中，我们认为应该通过动作的组合结构来理解动作 忠实性，该结构在许多具身场景中遵循群结构（例如，用于导航的 SE(2)）。基于这种见解，我们将动作条件世界建模形式化为在状态空间上实现群作用，为评估视觉质量之外的动态提供了原则性标准。为了实施该框架，我们提出了一种统一的方法，通过潜在空间正则化和综合监督来约束单位元、逆元和复合的一致性，避免额外的数据收集。我们进一步引入两个指标：群作用一致性（GAC）和群作用鲁棒性（GAR），以评估结构正确性和采样轨迹稳定性。大量的实验结果表明，我们的方法持续改进了最先进的视频世界模型中的 GAC 和 GAR，而不会降低感知质量。