arXiv cs.AI· Juntao Cheng, Jinzhou Tang, Fan Feng, Henrik I. Christensen, Yujia Zheng·· 1 天前AI 评分34
CausalWAM：让世界动作模型学会动作的因果来源
CausalWAM: Learning the Causes of Actions in World Action Models
AI 导读
研究者提出 CWAM（Causal WAM），通过在预训练世界动作模型（WAM）的动作头上增加稀疏路由路径，将稀疏性约束引入模型，使生成动作所用的隐变量仅为动作相关隐变量的可逆函数，且世界建模目标保持不变。理论证明该结构在仅差一个隐变量置换的意义下可被识别，无需充分时间依赖或对未观测状态演化的假设。合成数据与真实机器人实验验证了理论，并显示闭环任务成功率效率提升。
正文 · AI 翻译
摘要：世界动作模型（WAMs）从观测中学习潜在变量，并利用这些变量既预测场景的演化，又生成动作。预测必须针对整个场景，而只有场景的一部分会引发动作。拟合于演示数据的 WAMs 通常无法保证仅从被演示动作的潜在原因（动作相关的潜在变量）生成动作，因为模型同样可能以这种方式学习模仿，同时将动作相关的潜在变量与干扰变量纠缠在一起。因此，我们将引发动作的原因与预测所依赖的因素区分开来。我们证明，在稀疏性约束下，用于生成动作的潜在变量仅是动作相关潜在变量的可逆函数，且真实结构在潜在变量的置换意义下可被识别。这既不需要充分的时间依赖性，也不需要对未观测机制如何演化作任何假设，并且即使动作相关的潜在变量在统计上依赖于其余部分也成立。因此，我们提出 CWAM（因果 WAM），它通过向动作头添加一条稀疏路由路径，将该约束融入预训练的 WAM，同时世界建模目标保持不变。在合成数据和真实世界机器人上的实验验证了该理论，并展示了闭环成功率的提升。
| 主题： | 人工智能（cs.AI）；机器人学（cs.RO）；机器学习（stat.ML） |
| 引用为： | arXiv:2610.42096 [cs.AI] |
| （或 arXiv:2610.42096v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.42096 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yujia Zheng [查看邮箱]
[v1]
2026年10月30日星期五 17:40:00 UTC（2,226 KB）
来源：arXiv cs.AI · arxiv.org