论文arXiv 2611.253362 天前
MoRE模型:混合专家架构统一多物理机器人世界预测与MPC控制
本文由 AI 根据公开内容整理,可能有误,请以原文为准:MoRE: Mixture-of-Experts for Multi-Physics Robotic World Models(arXiv 2611.25336)
核心内容
针对现有3D世界模型难以统一处理机器人交互中异构物体动力学的问题,研究团队提出MoRE(Mixture-of-Experts for Multi-Physics Robotic World Models)框架。该工作将复杂的机器人交互分解为不同的物理机制,并在统一模型内引入混合运动专家架构,旨在解决单一模型在多样化物理行为预测上的局限性,相关代码、数据集及项目主页已在GitHub开源。
技术上,MoRE将动力学划分为刚性、可变形和抓取三类,分别分配专用运动专家以保留特定物理先验。模型采用仿真与真实世界混合数据进行训练,并与模型预测控制(MPC)深度集成以支持多样化操作任务。实验表明,该架构在各物理机制下的预测准确率均获提升,直接增强了真实环境中MPC的控制性能,验证了多专家协同在具身智能世界建模中的有效性。
关键看点
- 混合专家架构:将交互解耦为刚性、形变及抓取三类动力学,分配专用运动专家以保留特定物理先验
- 数据训练策略:采用仿真与真实世界混合数据联合训练,使单一模型能同时捕获多样化的物理行为特征
- MPC控制集成:模型直接与模型预测控制对接,实验证实多物理机制预测精度提升显著增强真机操控性能
- 开源资产发布:完整代码、训练数据集及项目文档已公开,支持复现与二次开发
工程与产业观察
MoRE通过专家混合机制解决了世界模型在多物理场耦合下的预测瓶颈,为具身智能提供了更精准的动态先验。其“仿真+真机”混合训练范式及与MPC的端到端集成,证明了结构化物理归纳偏置对提升Sim-to-Real迁移效率的关键价值,是构建通用操作基础模型的重要参考路径。
英文摘要 (Abstract)
A robotic world model should predict how objects evolve under robot actions and physical dynamics. While recent 3D world models have shown strong predictive capabilities, they still struggle with the heterogeneous dynamics arising from diverse object interactions. To address this in a unified framework, we decompose robotic interactions into distinct physical regimes and assign each to a specialized motion expert. We introduce MoRE, a 3D world model with a mixture of motion experts organized around rigid, deformable, and prehensile dynamics. This design enables a single model to capture diverse physical behaviors while preserving regime-specific priors. Trained on mixed simulation and real-world data, MoRE integrates with Model Predictive Control (MPC) to support diverse manipulation tasks. Experiments show that MoRE improves prediction accuracy across physics regimes, leading to stronger real-world MPC performance. Code, data, and project website are available at https://alwaysleepy.github.io/MoRE-WM-site/.
作者:Ziyu Zhu, Shaowei Liu, Albert J. Zhai, Henry Che, Wei-Chiu Ma, Shenlong Wang
外部来源
本页事实对应的公开页面,以原文为准。(点击将离开本站)