arXiv cs.AI· Leyan Zhang, Nantian He, Jiajun Ma, Yanpeng Zhao, Yunbo Wang·· 3 天前AI 评分31
ReStep：用逆向结果建模实现长时程粒子动力学预测
Back to the Future: Reverse-Consequence Modeling for Long-Horizon Particle Dynamics
AI 导读
针对自回归模型在长时程轨迹预测中误差累积严重的问题，研究者提出 ReStep，先由随机模型直接预测最终状态，再用 Anchored Diffusion 生成目标条件下的中间轨迹，以两端边界状态约束动力学。该方法被集成进 3D Gaussian Splatting 流程作为物理引擎，在多种刚性与非刚性碰撞数据集上取得更优的长期精度，显著缓解误差累积。
正文 · AI 翻译
摘要：准确预测物体轨迹是力学理解和机器人控制的基础。然而，自回归模型固有地存在累积误差，导致长时程推演中出现严重漂移。观察到在许多具有耗散或收敛至静止行为的物理系统中，最终状态往往比瞬态动力学更可预测（例如，滑动物体在摩擦下静止，或单摆稳定在平衡位置），我们提出了 ReStep，一种反转传统前向预测范式的级联方法。ReStep 首先采用随机模型直接预测最终状态，然后利用 Anchored Diffusion 生成目标条件化的中间轨迹。通过同时以“边界状态”为条件，它有效约束了动力学并降低了不确定性，产生物理上合理且时间上连贯的过渡。我们进一步将 ReStep 动力学集成为 3D Gaussian Splatting 流程中的物理引擎，从而实现从图像进行直观推理的统一物理-视觉框架。在多种刚性和非刚性碰撞数据集上的大量实验表明，ReStep 实现了更优的长期准确性，通过反向结果建模大幅缓解了误差累积。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.18168 [cs.AI] |
| （或 arXiv:2610.18168v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.18168 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Leyan Zhang [查看电子邮件]
[v1]
2026年10月13日星期二 11:12:54 UTC（2,774 KB）
来源：arXiv cs.AI · arxiv.org