Is the Future Compatible? Diagnosing Dynamic Consistency in World Action Models
作者: Bo-Kai Ruan, Teng-Fang Hsiao, Ling Lo, Hong-Han Shuai
分类: cs.RO, cs.CV
发布日期: 2026-05-08
备注: Technical Report
💡 一句话要点
提出动作-状态一致性评估框架，通过无值共识策略提升世界动作模型（WAMs）的决策可靠性。
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 世界模型 具身智能 动力学一致性 轨迹规划 无值规划 机器人操作 模型可靠性
📋 核心要点
- 现有WAMs生成的未来轨迹虽视觉逼真，但常缺乏动力学一致性，导致决策不可靠。
- 提出动作-状态一致性度量，并引入基于共识的测试时轨迹选择策略，无需额外训练。
- 实验表明该方法在RoboCasa等基准上显著提升了任务成功率，验证了其作为诊断工具的有效性。
📝 摘要（中文）
世界动作模型（WAMs）通过预测未来的观测和动作来实现决策规划。然而，这些生成的未来轨迹往往仅在视觉上合理，却缺乏动力学上的兼容性。本文提出了“动作-状态一致性”这一概念，即预测动作与诱导状态转换之间的对齐程度，并将其作为评估WAMs可靠性的关键指标。研究发现，该一致性指标能有效区分成功与失败的轨迹，且与学习到的价值估计趋势高度相关。此外，本文揭示了“背景坍塌”现象，即静态背景下的低动力学轨迹可能产生虚假的一致性。基于此，作者提出了一种无需价值函数的测试时共识策略，通过对候选轨迹进行一致性排序，在RoboCasa和RoboTwin 2.0任务中显著提升了成功率，无需额外训练或奖励建模。
🔬 方法详解
问题定义：论文旨在解决世界动作模型（WAMs）在长程预测中存在的“视觉逼真但动力学不一致”的问题。现有模型往往只关注像素级的预测准确性，忽略了动作序列与状态演变之间的逻辑因果关系，导致规划阶段产生错误的决策。
核心思路：引入“动作-状态一致性”作为衡量模型可靠性的核心轴。核心逻辑是：如果一个模型真正理解了环境动力学，那么其预测的动作序列应当与预测的状态转换在物理逻辑上高度对齐。通过量化这种对齐程度，可以过滤掉不可靠的预测轨迹。
技术框架：该框架包含一致性诊断模块和测试时共识选择策略。首先，利用联合预测模型或逆动力学模型生成多条候选轨迹；其次，计算每条轨迹的动作-状态一致性分数；最后，通过共识机制（Consensus Strategy）对候选轨迹进行排序，选择一致性最高的轨迹用于后续决策。
关键创新：首次将动作-状态一致性定义为WAMs的可靠性指标，并揭示了“背景坍塌”这一边界条件，即模型倾向于通过预测静态背景来掩盖动力学预测的失败。该方法实现了“无值规划”，即在不依赖外部奖励函数的情况下，仅通过模型内部的一致性即可筛选出高质量轨迹。
关键设计：采用基于逆动力学的一致性度量方法，通过比较预测状态转换与动作执行结果的偏差来计算分数。在共识策略中，通过计算多个候选轨迹之间的相似度与一致性得分，实现对规划结果的鲁棒性优化，有效规避了单一轨迹预测的随机性风险。
🖼️ 关键图片
📊 实验亮点
实验在RoboCasa和RoboTwin 2.0数据集上进行，验证了动作-状态一致性与任务成功率的高度相关性。结果显示，所提出的无值共识策略在无需额外训练或奖励函数的情况下，显著提升了模型在复杂操作任务中的成功率，证明了该指标在区分成功与失败轨迹方面的优越性，并有效缓解了模型对静态背景的过度依赖。
🎯 应用场景
该研究主要应用于机器人操作与自主决策领域，特别是在需要长程规划的复杂任务中（如RoboCasa环境）。其价值在于为黑盒世界模型提供了一种可解释的诊断工具，并为无需额外奖励建模的强化学习规划提供了新范式，有助于提升具身智能体在未知环境中的鲁棒性与安全性。
📄 摘要（原文）
World Action Models (WAMs) enable decision-making through imagined rollouts by predicting future observations and actions. However, the reliability of these imagined futures remains under-examined: is a generated future merely visually plausible, or is it dynamically compatible with the action sequence it claims to model? In this work, we identify action-state consistency, the alignment between predicted actions and induced state transitions, as a missing reliability axis for WAMs. Through a systematic study across representative joint-prediction and inverse-dynamics models, we find that action-state consistency systematically separates successful and failed rollouts across many tasks and follows similar success-failure trends as learned value estimates. These results suggest that consistency captures decision-relevant structure beyond visual realism. We further identify background collapse as an important boundary condition, where low-dynamics failed trajectories can become deceptively consistent because static futures are easier to predict. Building on these findings, we introduce a value-free consensus strategy for test-time selection, which ranks candidate rollouts by agreement among predicted futures. This strategy improves success rates on RoboCasa and RoboTwin 2.0 without additional training or reward modeling. Taken together, our findings establish action-state consistency as both a diagnostic tool for evaluating WAM reliability and a practical signal for value-free planning.