LASER：面向连续场重建的学习型主动感知

arXiv 2026 44.8 method, application

TLDR

一种使用潜在世界模型和强化学习的闭环主动感知框架，用于稀疏传感下的连续场重建。

评分理由

The paper introduces a novel integration of a latent world model with reinforcement learning for active sensing, which is a strength. However, the abstract lacks evidence of real-world experiments and provides limited details on the world model architecture, which are weaknesses.

Read-first 评分解释

综合优先阅读分 44.8，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%

61.9

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：0.61867226

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：实验

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：222。

关键词评分

world model

model-based reinforcement learning world model

world dynamics prediction

world simulator

interactive world model

generative world model

video world model

深度分析

创新点

将主动感知建模为部分可观测马尔可夫决策过程（POMDP）用于连续场重建
采用连续场潜在世界模型捕捉底层物理动力学并提供内在奖励反馈
使强化学习策略能够在潜在想象空间中模拟“假设”感知场景
根据预测的潜在状态调节传感器移动，以导航至高信息区域

方法

LASER将主动感知建模为POMDP，使用连续场潜在世界模型学习物理动力学并生成内在奖励。强化学习策略随后在潜在空间中模拟假设的感知动作以决定传感器移动，实现自适应闭环感知。

关键结果

LASER在多种连续场中一致优于静态和离线优化感知策略，在稀疏传感下实现高保真重建。

资源

论文