讓機(jī)器人“邊想邊做”，螞蟻靈波“因果世界模型”論文被世界機(jī)器人頂會(huì)RSS 2026接收

近日，螞蟻靈波科技與香港科技大學(xué)等高校合作完成的研究論文 《Causal World Modeling for Robot Control》被國(guó)際機(jī)器人頂級(jí)學(xué)術(shù)會(huì)議 Robotics: Science and Systems（RSS）2026 接收。

RSS 是全球機(jī)器人領(lǐng)域公認(rèn)的頂級(jí)學(xué)術(shù)會(huì)議之一，長(zhǎng)期關(guān)注機(jī)器人學(xué)習(xí)、控制、感知、規(guī)劃與系統(tǒng)等前沿方向，錄用標(biāo)準(zhǔn)嚴(yán)格。論文被 RSS 接收，意味著相關(guān)研究不僅具有學(xué)術(shù)創(chuàng)新性，也獲得了國(guó)際機(jī)器人研究共同體的高度認(rèn)可。

這項(xiàng)研究的核心，是讓機(jī)器人不只是完成動(dòng)作，還能夠在行動(dòng)前預(yù)測(cè)世界會(huì)如何變化。論文提出了面向機(jī)器人控制的因果世界建?？蚣?，并將其落地為全球首個(gè)開源的自回歸視頻-動(dòng)作世界模型 LingBot-VA。該模型能夠在機(jī)器人執(zhí)行任務(wù)的過(guò)程中，持續(xù)預(yù)測(cè)環(huán)境變化，并根據(jù)預(yù)測(cè)結(jié)果生成下一步動(dòng)作指令，使機(jī)器人具備類似人類“邊觀察、邊判斷、邊行動(dòng)”的能力。

對(duì)螞蟻靈波而言，此次論文入選 RSS 2026，標(biāo)志著其在“世界模型驅(qū)動(dòng)機(jī)器人控制”方向上的探索獲得國(guó)際頂級(jí)學(xué)術(shù)平臺(tái)認(rèn)可，也進(jìn)一步驗(yàn)證了 LingBot-VA 作為具身智能基礎(chǔ)模型的技術(shù)價(jià)值。未來(lái)，這一路線有望推動(dòng)機(jī)器人從依賴指令執(zhí)行，走向更強(qiáng)的環(huán)境理解、任務(wù)泛化和自主決策。

對(duì)機(jī)器人來(lái)說(shuō)，真正困難的并不只是完成動(dòng)作，還需要理解這個(gè)動(dòng)作會(huì)帶來(lái)什么變化。例如，拿起杯子后桌面會(huì)怎樣變化，推動(dòng)抽屜后物體位置會(huì)怎樣改變。LingBot-VA 的核心突破，正是把這種對(duì)未來(lái)變化的預(yù)測(cè)能力引入機(jī)器人控制，讓機(jī)器人先預(yù)測(cè)世界接下來(lái)會(huì)變成什么樣，再根據(jù)預(yù)測(cè)結(jié)果決定應(yīng)該如何行動(dòng)。

這也是論文強(qiáng)調(diào)“因果世界建模”的原因。真實(shí)物理世界沿時(shí)間向前，因此機(jī)器人在預(yù)測(cè)未來(lái)時(shí)，也必須按照真實(shí)時(shí)間順序一步步向前推演。LingBot-VA 將這一因果關(guān)系寫入模型結(jié)構(gòu)，每一步預(yù)測(cè)都只依據(jù)此前的觀察和動(dòng)作，按時(shí)間順序展開。這樣一來(lái)，模型生成的就不僅僅是一段展示未來(lái)的視頻，而是一條可用于機(jī)器人控制決策的因果軌跡。這也讓模型具備了更強(qiáng)的長(zhǎng)期記憶能力，對(duì)于完成長(zhǎng)時(shí)序、多步驟的真實(shí)任務(wù)尤其重要。

在技術(shù)實(shí)現(xiàn)上，LingBot-VA 采用 Mixture-of-Transformers（MoT）架構(gòu)，將視頻預(yù)測(cè)和動(dòng)作生成統(tǒng)一到同一個(gè)自回歸擴(kuò)散框架中。模型還設(shè)計(jì)了閉環(huán)推演機(jī)制，在任務(wù)執(zhí)行過(guò)程中持續(xù)接收真實(shí)環(huán)境反饋，減少長(zhǎng)時(shí)間預(yù)測(cè)中的誤差累積。

論文在仿真基準(zhǔn)和真實(shí)機(jī)器人任務(wù)上系統(tǒng)驗(yàn)證了 LingBot-VA 的性能。在 RoboTwin 2.0 的 50 個(gè)雙臂操作任務(wù)中，LingBot-VA 在 Easy 和 Hard 設(shè)置下分別取得 92.0% 和 91.1% 的平均成功率；在 LIBERO 基準(zhǔn)上達(dá)到 98.5%。

在真實(shí)世界評(píng)測(cè)中，面對(duì)長(zhǎng)時(shí)序、高精度以及柔性與關(guān)節(jié)物體操控這三大類 6 項(xiàng)高難度挑戰(zhàn)，LingBot-VA 僅需 50 條真實(shí)示范數(shù)據(jù)即可完成適配，整體成功率較業(yè)界基線 π0.5 提升超過(guò) 20 個(gè)百分點(diǎn)，展現(xiàn)出良好的數(shù)據(jù)效率和泛化能力。

LingBot-VA 已在今年早些時(shí)候開放模型權(quán)重、訓(xùn)練與推理代碼。研究人員和開發(fā)者可在 Model Scope、Hugging Face 和 GitHub 訪問(wèn)下載。

論文鏈接：https://arxiv.org/abs/2601.21998

項(xiàng)目主頁(yè)：https://technology.robbyant.com/lingbot-va

本文由極果用戶極果原創(chuàng)