动态稀疏性：挑战机器人强化学习基准中学习世界模型的常见稀疏性假设

arXiv 25.11 2025 47.2 theory, application

TLDR

本文挑战了机器人强化学习中世界模型的常见稀疏性假设，发现全局稀疏性罕见，但局部状态依赖的稀疏性常见。

评分理由

Strengths: Provides empirical analysis of ground-truth dynamics from MuJoCo Playground, revealing nuanced sparsity patterns. Weaknesses: Limited to simulated environments; does not propose new methods or validate on real robots.

Read-first 评分解释

综合优先阅读分 47.2，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 21。

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、基准、结果

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：459。

关键词评分

world model

model-based reinforcement learning world model

world dynamics prediction

world simulator

generative world model

interactive world model

video world model

深度分析

创新点

对机器人强化学习世界模型中常见稀疏性假设（状态和时间）的批判性检验
发现全局稀疏性罕见，但存在具有时间聚集性的局部状态依赖稀疏性
强调需要反映真实世界动力学状态依赖稀疏性结构的有根据的归纳偏置

方法

作者分析了 MuJoCo Playground 基准套件中一组机器人强化学习环境的真实动力学。他们研究了三个方面：环境动力学的因果图是否稀疏，这种稀疏性是否依赖于状态，以及局部系统动力学是否稀疏变化。

关键结果

全局稀疏性罕见；相反，任务在动力学中表现出局部的、状态依赖的稀疏性，出现在时间局部化的簇中（例如，在接触事件期间），并影响状态维度的特定子集。

局限性

仅在 MuJoCo Playground 基准套件上评估，未在其他环境中评估
分析基于真实动力学，而非学习模型或实际强化学习训练
研究结果挑战了假设，但未提出新方法或算法

资源

论文