arXiv cs.AI· Royson Lee, Fady Rezk, Titouan Parcollet, Timothy Hospedales, Cristina Cornelio·· 11 小时前AI 评分35
Metro-WM：用可实现的子目标做长时程潜在规划
Metro-WM: Long-Horizon Latent Planning with Realisable Sub-Goals
AI 导读
Metro-WM 提出一种分层规划框架，通过从离线专家演示或随机动作轨迹的已观测帧构建图、检索真实状态作为子目标，替代无约束的潜在子目标预测。实验显示其长时程成功率比次优分层方法最高高出 37.33 个百分点，速度快至 10.9 倍，离线计算量减少 13-56 倍且需调超参数更少。该工作还指出，领先的 SOTA 宏规划器会频繁输出物理上不可实现的子目标。
正文 · AI 翻译
摘要：结合联合嵌入预测架构（JEPA）的模型预测控制提供了一种强大的零样本目标到达规划器，但它仅在较短的规划时域内有效。分层扩展试图通过学习一个宏观规划器来预测中间潜在子目标以指导微观规划器，从而弥合这一差距。在这项工作中，我们证明无约束的潜在子目标预测存在根本性缺陷。严格的评估表明，一个领先的最先进宏观规划器经常输出物理上无法实现的子目标。为解决这一问题，我们引入了 Metro-WM，这是一个分层框架，它通过从先前经验中检索真实状态来发布子目标，而不是生成无依据的潜在向量。具体而言，Metro-WM 构建一个图，其顶点是来自离线专家演示或随机动作轨迹的观测帧，允许来自不同回合的帧被连接并拼接成通往目标的路线。在整个图上进行规划还使系统对执行错误高度鲁棒：如果微观规划器偏离路线，Metro-WM 会立即从当前状态找到新的最优路径。我们的实验表明，Metro-WM 实现了卓越的长时域成功率，比次优的分层方法高出最多 37.33 个百分点，同时速度最高快 10.9 倍，所需的离线计算量少 13-56 倍，且需要调优的超参数更少。额外分析表明，Metro-WM 找到的路径比离线演示更短，优于依赖查询自身演示的预言机，并在极其稀疏的数据集条件下保持稳健性能。
| 主题： | 人工智能（cs.AI）；机器人学（cs.RO） |
| 引用为： | arXiv:2609.31868 [cs.AI] |
| （或 arXiv:2609.31868v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.31868 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Royson Lee [查看电子邮件]
[v1]
2026年9月25日星期五 18:09:49 UTC（1,263 KB）
[v2]
2026年10月16日星期五 15:23:50 UTC（1,263 KB）
来源：arXiv cs.AI · arxiv.org