WorldContact：用于可扩展机器人学习的以接触为中心的世界模型

让机器人适应新的物体和任务需要交互经验，而获得这些经验的成本可能很高。我们提出了 WorldContact，一种用于可变形对象操作的以接触为中心的世界模型，它是由一组有限的高质量轨迹构建的，可以有效地生成额外的训练数据。它使用比源数值模拟器更大的时间步长来预测对象动力学，这需要小的积分步骤来解决快速运动并防止相互渗透。我们通过 16 个购物袋操作任务评估了 WorldContact。在单个 H100 GPU 上进行的状态轨迹推演测量显示，与源模拟器相比，速度提高了 10 倍（不包括渲染和磁盘 I/O）。我们使用生成的数据来微调现有的视觉-语言-动作策略，并将其直接部署在真实的机器人上。在提袋过程中，仅对源模拟数据进行微调时，相同的策略可实现 65% 的单次尝试成功率，而对 WorldContact 扩展的数据集进行微调时，单次尝试成功率可达 95%。这些结果支持通过 WorldContact 高效生成数据以适应机器人策略。