ID-WM 分层世界模型提出，长程任务性能提升 135%
论文AI 评分 72/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇 arXiv 论文提出 ID-WM（隐式动力学世界模型），把状态空间可达性与局部控制解耦：高层模型在状态流形上采样可行的状态转移，低层世界模型充当逆动力学求解器，把转移落到具体动作上，规划器因此不必受底层执行细节约束。该方法在三个导航与操作测试集上，相比当前最优的策略规划器和扩散规划器提升 38.5%；借助分层结构抑制误差累积，在长程任务的复杂未见配置下，相比单层世界模型 MPC 提升 135%。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载分层结构怎么分工
ID-WM 的核心做法是把「去哪里」和「怎么去」拆开。高层模型负责在状态流形上采样可行的状态转移，也就是挑出可达的子目标；低层世界模型则充当逆动力学求解器，把这些转移对应到具体动作上。这样规划器在选子目标时不必被底层执行细节绑住，作者称其优先考虑局部物理可行性，而不是全局行为模式。
与已有分层方法的差别
论文指出，已有的分层方法常用固定的宏动作或潜在技能，表示容易脆弱，细粒度控制也受限。ID-WM 改为让高层只判断可达性、低层负责落地动作，因此能从短片段合成新的长程规划，超出训练时见过的具体行为模式。
量化结果与适用场景
实验覆盖三个导航与操作测试套件。相比当前最优的策略规划器和扩散规划器，ID-WM 提升 38.5%；在长程任务的复杂未见配置下，相比单层世界模型 MPC 提升 135%，作者把这一收益归因于分层结构对复合误差的抑制。论文附有演示视频链接。
为什么值得看
分层世界模型如何缓解长程规划的误差累积，论文给出了可量化的对比结果，做具身智能与规划的研究者值得看。
论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。