DriftWorld：通过漂移进行快速世界建模

预测世界模型使机器人能够通过想象其行为的结果来进行计划，但它们的控制价值取决于快速生成许多预测轨迹展开。这给基于扩散的世界模型带来了瓶颈：多步采样使得每次预测轨迹展开都变得昂贵，限制了推理时的大规模动作搜索。我们介绍 DriftWorld，一个基于漂移生成模型的动作条件世界模型。 DriftWorld 不是在推理时迭代去噪，而是在训练期间学习动作条件漂移，使其能够以 30+ fps 的单次前向传递从当前观察生成未来帧和候选动作序列，这比基于扩散的基线平均快 17 倍。我们在标准的基于视觉的机器人操作基准上评估 DriftWorld，包括 Bridge-V2、RT-1、语言表、Push-T 和 Robomimic。通过生成准确且快速的预测轨迹，DriftWorld 实现了最先进的决策性能，并且推理时间比基于扩散的世界模型基线少得多。除了在线控制之外，DriftWorld 还可以用作离线模拟器，用于对现实世界的机器人策略进行排名，基于预测轨迹的分数与 真值 的相关性高达 0.99。这些结果表明，漂移模型非常适合机器人世界建模，其中快速、高质量的想象力直接支持规划和政策评估。