arXiv cs.AI· Wanjin Feng, Baobin Zhang, Ao Yu, Shibo Feng, Xi Wang, Xingyu Gao·· 10 天前AI 评分24
PPWM：并行预测世界模型实现精准高效的长时程规划
Parallel Predictive World Models for Accurate and Efficient Long-Horizon Planning
AI 导读
研究者提出并行预测世界模型（PPWM），可并行预测有限时程轨迹，同时保留未来表示间的因果交互，从而去除自回归 rollout 中的解码状态反馈路径。在四项视觉控制任务中，PPWM 取得最低的长时程预测误差和最高的 CEM 模拟器成功率，CEM 规划速度较自回归 LeWM 基线平均提升超过 3 倍。
正文 · AI 翻译
摘要：长时程世界模型规划通常依赖自回归展开，即预测状态被反复反馈回模型。这保留了时间结构，但产生了一条与时间跨度等长的顺序路径，并使后续预测暴露于递归解码状态反馈之下。我们提出并行预测世界模型（PPWM），它并行预测有限时程轨迹，同时保留未来表示之间的因果交互。每个时程以其因果动作前缀为条件，未来表示在解码前进行交互，从而将时间因果性与逐状态输出递归分离。我们通过将自回归展开视为因果轨迹映射，并识别出 PPWM 所移除的解码状态反馈路径，来形式化这一区别。在四项视觉控制任务中，PPWM 在所评估的预测接口中实现了最低的长时程预测误差和最高的交叉熵方法（CEM）模拟器成功率。同时，PPWM 相比自回归 LeWM 基线实现了超过 3$\times$ 的平均 CEM 规划加速。这些结果表明，准确且高效的长时程世界模型规划并不需要逐状态自回归，而是可以通过并行因果轨迹预测来实现。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.08627 [cs.AI] |
| （或 arXiv:2610.08627v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.08627 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Feng Wanjin [查看电子邮件]
[v1]
2026年10月6日星期二 16:26:34 UTC（217 KB）
来源：arXiv cs.AI · arxiv.org