AdaReP：神经世界模型预测控制中模型失配下的自适应重规划

arXiv 2026 50.1 method, theory

TLDR

AdaReP自适应调整神经世界模型MPC中的重规划容忍度，在真实机器人上减少80%以上计算量，无需修改模型。

评分理由

The paper presents a practical, training-free method to reduce computational overhead in world-model-based MPC by dynamically adjusting replanning frequency based on prediction mismatch and local dynamics sensitivity. Strengths include real-world robotic validation and significant query reduction; weaknesses are limited discussion of failure cases or comparison to other adaptive methods.

Read-first 评分解释

综合优先阅读分 50.1，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 36。

近期性 6%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

引用影响力 18%

95.1

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.9510524

主题相关性 29%

51.4

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：无

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

基础论文前沿论文桥接论文

排序敏感性

稳定性：volatile；排名波动范围：459。

关键词评分

world model

world dynamics prediction

model-based reinforcement learning world model

world simulator

generative world model

interactive world model

video world model

深度分析

创新点

基于扰动的动态遗憾分析框架，研究模型失配下重规划开销与计划复用的权衡
AdaReP：一种无需训练的包装器，利用当前与缓存轨迹的偏差和局部灵敏度估计在线自适应调整重规划容忍度
无需修改已学习的世界模型或规划器

方法

AdaReP是一种无需训练的包装器，通过计算当前与缓存轨迹的偏差以及动力学的局部灵敏度估计，在线自适应调整重规划容忍度。该方法在图像空间规划、潜在空间控制和真实机器人操作三种场景下进行评估，并基于扰动的动态遗憾框架来激励自适应策略。

关键结果

AdaReP在保持相当任务性能的同时大幅减少规划器侧计算量，包括在50次试验的物理机器人研究中减少超过80%的查询次数。

资源

论文