WorldContact: A Contact-Centric World Model for Scalable Robot Learning
作者: Caoliwen Wang, Mengdi Wang, Heng Zhang, Shixun Huang, Siyuan Chen, Chao Liu, Anpei Chen, Zhendong Wang, Peter Yichen Chen, Huamin Wang
分类: cs.RO
发布日期: 2026-09-17
💡 一句话要点
提出WorldContact以解决机器人适应新任务的数据生成问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱四：生成式动作 (Generative Motion) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 机器人学习 可变形物体操控 数据生成 动态预测 策略微调
📋 核心要点
- 现有方法在机器人适应新物体和任务时，获取交互经验的成本高，限制了其学习效率。
- 论文提出WorldContact模型，通过有限的高质量轨迹生成额外训练数据，提升机器人对可变形物体的操控能力。
- 实验结果表明，使用WorldContact生成的数据进行微调，机器人在任务中的成功率显著提高，验证了其有效性。
📝 摘要（中文）
适应机器人对新物体和任务的操作需要大量的交互经验，这通常成本高昂。本文提出了WorldContact，一个以接触为中心的世界模型，用于可变形物体的操控。该模型通过有限的高质量轨迹生成额外的训练数据，能够高效预测物体动态，并在较大的时间步长下进行计算，从而避免了快速运动下的相互穿透问题。我们在16个购物袋操控任务上评估了WorldContact，结果显示在单个H100 GPU上，相较于源数值模拟器，速度提升达10倍。通过生成的数据对现有的视觉-语言-动作策略进行微调，实验证明在购物袋提升任务中，使用WorldContact扩展的数据集微调后，成功率从65%提升至95%。
🔬 方法详解
问题定义：本文旨在解决机器人在新物体和任务适应过程中，获取交互经验成本高的问题。现有方法通常依赖于小步长的数值模拟器，难以高效生成训练数据。
核心思路：WorldContact模型通过接触中心的世界模型，利用有限的高质量轨迹生成额外的训练数据，能够在较大的时间步长下预测物体动态，从而提高数据生成效率。
技术框架：该模型的整体架构包括数据采集模块、动态预测模块和策略微调模块。首先，通过高质量轨迹采集数据，然后利用模型进行动态预测，最后将生成的数据用于微调现有策略。
关键创新：WorldContact的主要创新在于其接触中心的建模方式和高效的数据生成能力，相较于传统方法，能够在更少的交互经验下实现更高的学习效率。
关键设计：在模型设计中，采用了较大的时间步长进行动态预测，避免了快速运动下的相互穿透问题。此外，损失函数的设计也考虑了物体的动态特性，以提高预测精度。
🖼️ 关键图片
📊 实验亮点
实验结果显示，在购物袋提升任务中，经过WorldContact扩展的数据集微调后，机器人成功率从65%提升至95%。此外，模型在单个H100 GPU上实现了10倍的速度提升，显著提高了数据生成效率。
🎯 应用场景
该研究的潜在应用领域包括服务机器人、工业自动化和智能家居等场景，能够帮助机器人更高效地适应新环境和任务，提升其自主学习能力。未来，WorldContact模型可能在多种机器人任务中得到广泛应用，推动机器人技术的发展。
📄 摘要（原文）
Adapting robots to new objects and tasks requires interaction experience that can be costly to obtain. We present WorldContact, a contact-centric world model for deformable-object manipulation, constructed from a limited set of high-quality trajectories to generate additional training data efficiently. It predicts object dynamics using larger time steps than the source numerical simulator, which requires small integration steps to resolve rapid motion and prevent interpenetration. We evaluate WorldContact across 16 shopping-bag manipulation tasks. State-rollout measurements on a single H100 GPU show a $10\times$ speedup over the source simulator, excluding rendering and disk I/O. We use the generated data to fine-tune an existing vision-language-action policy and deploy it directly on a real robot. In bag lifting, the same policy achieves 65% single-attempt success when fine-tuned on source simulation data alone, compared with 95% when fine-tuned on the dataset expanded with WorldContact. These results support efficient data generation with WorldContact for robot policy adaptation.