螞蟻靈波 LingBot-VA 論文被世界機器人頂會 RSS 2026 接收

本文作者：陸毅

2026-07-02 10:23

導語：近日，螞蟻靈波與香港科技大學等高校合作完成的研究論文《Causal World Modeling for Robot Control》被國際機器人頂級學術會議

來源：公眾號“螞蟻開源”

鏈接：https://mp.weixin.qq.com/s/BLhSZWDwb-Bk0_YQvsFIgA

近日，螞蟻靈波與香港科技大學等高校合作完成的研究論文《Causal World Modeling for Robot Control》被國際機器人頂級學術會議 Robotics: Science and Systems（RSS）2026 接收。

論文鏈接：
https://arxiv.org/abs/2601.21998

2026 年 1 月，LingBot-VA 已在社區全面開源，今天讓我們從論文出發，共同回顧一下相關研究成果。

研究動機

對機器人來說，真正困難的并不只是完成動作，還需要理解這個動作會帶來什么變化。例如，拿起杯子后桌面會怎樣變化，推動抽屜后物體位置會怎樣改變。這項研究的核心，是把這種對未來變化的預測能力引入機器人控制，讓機器人先預測世界接下來會如何變化，再根據預測結果決定應該如何行動。

技術方案

螞蟻靈波提出了面向機器人控制的因果世界建?？蚣?，并將其落地為全球首個開源的自回歸視頻-動作世界模型 LingBot-VA。該模型能夠在機器人執行任務的過程中，持續預測環境變化，并根據預測結果生成下一步動作指令，使機器人具備類似人類“邊觀察、邊判斷、邊行動”的能力。

這也是論文強調“因果世界建?！钡脑?。真實物理世界沿時間向前，因此機器人在預測未來時，也必須按照真實時間順序一步步向前推演。LingBot-VA 將這一因果關系寫入模型結構，每一步預測都只依據此前的觀察和動作，按時間順序展開。這樣一來，模型生成的就不僅僅是一段展示未來的視頻，而是一條可用于機器人控制決策的因果軌跡。這也讓模型具備了更強的長期記憶能力，對于完成長時序、多步驟的真實任務尤其重要。

在技術實現上，LingBot-VA 采用 Mixture-of-Transformers（MoT）架構，將視頻預測和動作生成統一到同一個自回歸擴散框架中。模型還設計了閉環推演機制，在任務執行過程中持續接收真實環境反饋，減少長時間預測中的誤差累積。

實驗結果

我們在仿真基準和真實機器人任務上系統驗證了 LingBot-VA 的性能：

在 RoboTwin 2.0 的 50 個雙臂操作任務中，LingBot-VA 在 Easy 和 Hard 設置下分別取得 92.0% 和 91.1% 的平均成功率；在 LIBERO 基準上達到 98.5%。
在真實世界評測中，面對長時序、高精度以及柔性與關節物體操控三大類 6 項高難度挑戰，LingBot-VA 僅需 50 條真實示范數據即可完成適配，整體成功率較業界基線 π0.5 提升超過 20 個百分點，展現出良好的數據效率和泛化能力。