用于验证闭环视觉系统的确定性世界模型

arXiv 25.12 2025 51.4 method

TLDR

提出一种确定性世界模型用于验证闭环视觉系统，消除随机潜在变量以获得更紧的到达集。

评分理由

Strengths: Novel deterministic approach reduces overapproximation error and integrates conformal prediction for statistical bounds. Weaknesses: Limited to verification context, no mention of real-world deployment or scalability beyond benchmarks.

Read-first 评分解释

综合优先阅读分 51.4，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 28。

近期性 8%

86.7

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：2025

方法质量 25%

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：分析、基线、基准、实验

主题相关性 42%

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

可复现性 25%

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

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：404。

关键词评分

world model

world dynamics prediction

world simulator

generative world model

video world model

model-based reinforcement learning world model

interactive world model

深度分析

创新点

确定性世界模型（DWM），将系统状态直接映射到生成图像，消除随机潜在变量以减少过近似误差
双目标损失函数，结合像素级重建精度和控制差异损失，以保持与实际系统的行为一致性
将DWM与基于星的到达性分析（StarV）和共形预测集成，推导轨迹偏差的严格统计边界

方法

DWM将系统状态直接映射到生成图像，通过双目标损失函数训练，平衡像素重建和控制差异。它被集成到使用基于星的到达性分析（StarV）和共形预测的验证流程中，以推导世界模型与实际视觉系统之间轨迹偏差的统计边界。

关键结果

在标准基准上的实验表明，该方法比潜在变量基线产生了显著更紧的到达集和更好的验证性能。

资源

论文