LS-Imagine: 基于长短期想象的开世界强化学习
TLDR
LS-Imagine 通过长短期世界模型和跳跃式转移扩展想象视野，提升探索与长期反馈。
评分理由
The paper introduces a novel method to extend imagination horizon via goal-conditioned jumpy transitions and affordance maps, showing strong empirical results on MineDojo. However, the approach relies on single-image zooming, which may limit generalization, and the abstract does not discuss potential limitations or failure cases.
Read-first 评分解释
综合优先阅读分 69.6，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 49。
研究版图角色
前沿论文复现锚点
排序敏感性
稳定性：volatile；排名波动范围：74。
关键词评分
深度分析
创新点
- 通过长短期世界模型在有限的状态转移步数内扩展想象视野
- 模拟目标条件跳跃式状态转移以实现长视野探索
- 通过放大单张图像中的特定区域计算可供性图，将直接长期价值整合到行为学习中
方法
LS-Imagine 构建了一个长短期世界模型，该模型模拟目标条件跳跃式状态转移，并通过放大单张图像中的特定区域计算可供性图。这使得代理能够将直接长期价值整合到行为学习中，从而在不需要大量转移步数的情况下扩展想象视野。该方法在MineDojo开放世界环境中与最先进技术进行了评估。
关键结果
LS-Imagine 在MineDojo环境中展示了相对于最先进技术的显著改进，表明其具有更好的探索效率和长期决策能力。
局限性
- 评估仅限于MineDojo环境；未展示对其他开放世界领域的泛化能力。
- 该方法依赖于目标条件跳跃式状态转移，对于没有明确子目标的任务，定义这些转移可能并非易事。
- 通过放大特定区域计算可供性图可能会引入计算开销，并且可能无法很好地扩展到非常高分辨率的图像。