在机器人操作任务中，预测性策略近年来在具身人工智能领域引起了广泛关注，因为它能够利用预测状态来提升机器人的操作性能。然而，让世界模型预测机器 人与物体交互的精确未来状态仍然是一个公认的挑战，尤其是生成高质量的像素级表示。 为解决上述问题， 国防科大、北京大学、深圳大学团队 提出 LaDi-WM（Latent Diffusion- based World Models） ，一种基于隐空间扩散的世界模型，用于预测隐 空间的未来状态。 具体而言，LaDi-WM 利用预训练的视觉基础模型 (Vision Fundation Models) 来构建隐空间表示，该表示同时包含几何特征（基于 DINOv2 构造）和语义特征（基于 Siglip 构造），并具有广泛的通用性，有利于机器人操作的策略学习以及跨任务的泛化能力。 基于 LaDi-WM，团队设计了一种扩散策略，该策略通过整合世界模型生成的预测状态来迭代地优化输出动作，从而生成更一致、更准确的动作结果。通过在虚拟 和真实数据集上的大量实验，LaDi-WM 能够显著提高机器人操作任务的成功率，尤其是在 LIBERO-LONG 数据集上提升 27.9% ，超过之前的所有方法 ...