通过推理飞行：自适应无人机集群的主动推理世界模型

arXiv 2026 47.4 method, application

TLDR

基于专家引导的主动推理框架，利用离线演示学习的概率世界模型进行无人机集群轨迹规划。

评分理由

Strengths: Novel integration of active inference with expert demonstrations for hierarchical planning, validated with both simulations and real-flight data. Weaknesses: Limited comparison (only modified Q-learning), no explicit discussion of scalability or failure modes.

Read-first 评分解释

综合优先阅读分 47.4，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 33。

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%

66.5

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：0.6648723

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：结果、验证

主题相关性 29%

47.1

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 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

前沿论文桥接论文

排序敏感性

稳定性：volatile；排名波动范围：231。

关键词评分

world model

world dynamics prediction

generative world model

model-based reinforcement learning world model

interactive world model

world simulator

video world model

深度分析

创新点

将多无人机轨迹设计从重复的组合优化问题转化为层次化概率推理问题
基于专家引导的主动推理框架，使用带斥力碰撞避免的遗传算法规划器（GA-RF）生成专家演示
学习包含任务、航线和运动字典的概率世界模型，捕捉层次化依赖关系
在线运行中通过符号状态的后验信念和基于KL散度的异常指标实现任务分配、航线插入、运动适应和碰撞感知重规划
在运动层集成贝叶斯状态估计器（EKF和PF），用于不确定性下的轨迹校正

方法

该方法包括离线阶段：使用带斥力碰撞避免的遗传算法规划器（GA-RF）生成专家演示，并将其抽象为任务、航线和运动字典。这些字典用于学习概率世界模型，捕捉专家任务分配如何诱导航线顺序，以及航线顺序如何诱导运动层行为。在线运行中，无人机集群通过形成符号状态的后验信念，并最小化相对于专家导出参考分布的基于KL散度的异常指标来评估候选动作，从而实现无需重新运行离线优化器的自适应重规划。

关键结果

仿真结果表明，所提框架保留了类似专家的规划结构，同时产生比改进Q学习更平滑、更稳定的行为。使用真实飞行无人机轨迹数据的额外验证表明，学习到的世界模型能够在噪声和非平滑观测下校正符号预测，支持其在自适应无人机集群自主性中的应用。

技术栈

GA-RFEKFPFKL-divergenceprobabilistic world model

资源

论文