为何故障检测比任务成功率更重要
在长时程机器人任务中，模型在受控评估中可能达到较高的任务成功率，但在现实世界中却可能无法预测地失败。Foresight [1] 通过使用基于动作条件的世界模型潜变量来监控轨迹并检测失败，仅依靠最终的成功/失败标签进行训练，从而解决了这一问题。该方法适用于不同策略，并在真实机器人（ReactorX-200 和 Franka）上针对多个长时程任务进行了验证。其关键洞见在于，部署可靠性取决于能否及早捕捉失败，而不仅仅取决于任务最终是否成功——这一指标忽略了长任务中失败起始点的模糊性。
样本效率与真实世界适应性才是真正的部署考验
能够从真实交互中快速学习的世界模型，比在仿真中表现优异的模型更具价值。DayDreamer [4] 表明，基于世界模型的智能体Dreamer能够在没有模拟器的情况下，从零开始在实体机器人上直接学习行走、抓取和导航，仅需约1小时的交互时间。它还能在10分钟内适应扰动，这证明了样本效率和适应性等部署指标对于实际应用至关重要。这与通常依赖模拟器的操作评估形成对比，后者无法捕捉真实世界的复杂性，且容易产生不准确的结果。
现实世界中的可扩展性与泛化能力是新的基准
部署指标还包括世界模型在多样化、非结构化环境中的扩展能力。PointWorld [3] 在约200万条轨迹和500小时数据上训练了一个3D世界模型，单个预训练检查点即可让真实的Franka机器人在无需演示或后续训练的情况下，仅凭一张野外图像完成刚体推挤、可变形物体操作和工具使用。这表明，跨本体和环境的泛化能力比特定任务的操控评估更具实际部署意义。综述 [2] 进一步印证了这一点，指出世界模型正演变为机器人学习的预测基础设施，但在闭环使用下的基准测试仍面临开放挑战——这凸显了面向部署的评估体系尚不成熟。
关于这些来源
这个回答基于4项研究（1篇同行评审，3篇预印本），发表于2022年至2026年间，其中3篇为2024年或之后发表，合计被引用424次。这些研究是从4项通过质量筛选的研究中选出的最相关者，而后者又源自从超过5亿篇论文的数据库中检索到的46篇文献。
本文引用的文献
远见：基于动作条件世界模型潜变量的长时程机器人操作失败检测
Foresight证明，仅使用最终成功/失败标签，行动条件的世界模型潜在变量即可在长时程操作任务中检测失败，并在真实机器人（ReactorX-200和Franka）上跨多个任务得到验证。
机器人操作的世界模型：综述
针对机器人操作的世界模型综述，归纳了五种表征家族，并综合了评估协议，重点指出了接触建模、幻觉控制以及闭环使用下基准测试方面尚待解决的挑战。
PointWorld：面向野外机器人操作的三维世界模型规模化
PointWorld是一个大规模预训练的3D世界模型，能够从RGB-D图像和动作指令中预测3D点流，并且仅凭单个检查点即可让现实世界中的Franka机器人从一张野外图像出发，无需演示或后续训练，就能执行多种操作任务。
DayDreamer：用于物理机器人学习的世界模型
DayDreamer展示了Dreamer世界模型能够从头学习真实世界的机器人任务（例如行走、抓取放置、导航），大约只需1小时，并且能在10分钟内适应扰动，无需模拟器。