具有交互效应传播的图动力学学习用于可变形线性物体形状控制

arXiv 2025 35.7 method, application

TLDR

提出GA-Net，用带注意力的GNN学习DLO形变动力学，并结合MPC实现形状控制，经仿真和真机实验验证。

评分理由

The paper presents a focused approach for deformable linear object dynamics learning and control, with strong empirical validation including real-world experiments. Its scope is narrow, and the connection to general world models or reinforcement learning is limited.

Read-first 评分解释

综合优先阅读分 35.7，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 15。

引用影响力 15%

94.2

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：0.94242643

近期性 5%

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 15%

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：基线、实验

引用速度 10%

38.4

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：5.50

主题相关性 25%

21.4

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

可复现性 15%

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：无；代码：无；数据：无；命中信号：GitHub

图谱声望 15%

5.7

基于可用 OpenAlex 引用关系构建局部引用图，并计算 PageRank 风格的图谱声望。局部 PageRank：0.0016

研究版图角色

基础论文前沿论文

排序敏感性

稳定性：volatile；排名波动范围：605。

关键词评分

world dynamics prediction

world model

model-based reinforcement learning world model

world simulator

interactive world model

generative world model

video world model