arXiv cs.AI· Gaoyue Zhou, Yvonne Wu, Zichen Jeff Cui, Nicolas Ballas, Mido Assran, Lerrel Pinto, Yann LeCun·· 10 小时前AI 评分31
ID-WM：解耦状态可达性与局部控制的分层世界模型
Hierarchical World Models with Implicit Dynamics
AI 导读
研究者提出分层世界模型 ID-WM（Implicit Dynamics World Models），将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转移，低层世界模型作为逆动力学求解器把转移落地为精确动作。在三个导航与操作测试套件上，ID-WM 相比 SOTA 策略与扩散规划器提升 38.5%，相比单层世界模型 MPC 提升 135%，尤其在长时程任务的复杂未见配置中。
正文 · AI 翻译
摘要：利用世界模型进行规划使具身智能体能够在测试时进行适应，相比直接策略学习具有更优的泛化能力。然而，长时程任务仍受累积误差和搜索复杂度的制约。现有的分层方法通常使用刚性宏动作或潜在技能，导致表示脆弱且细粒度控制受限。我们提出 ID-WM（隐式动力学世界模型），一种将状态空间可达性与局部控制解耦的分层世界模型。我们的框架利用高层模型在状态流形上采样可行的转移，并利用低层世界模型作为逆动力学求解器，将这些转移落地为精确动作。这使得规划器能够识别可达子目标，而不受低层执行细节的约束。通过优先考虑局部物理可行性而非全局行为模式，ID-WM 从短片段合成新颖的长时程规划，超越训练中见到的特定行为模式。我们在三个导航与操作套件上展示了其有效性，相比最先进的策略与基于扩散的规划器取得了 38.5% 的提升。关键在于，通过利用这种分层结构来缓解复合误差，我们的方法相比单层世界模型 MPC 取得了 135% 的性能提升，尤其是在长时程任务的复杂、未见配置中。视频可在此处观看：this https URL
| 学科： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.42146 [cs.RO] |
| （或 arXiv:2610.42146v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.42146 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Gaoyue Zhou [查看邮箱]
[v1]
2026年10月30日星期五 17:59:25 UTC（8,888 KB）
来源：arXiv cs.AI · arxiv.org