从像素到证明：通过并行共形鲁棒模型预测控制的概率安全潜在世界模型控制

arXiv 2026 56.7 method, application

TLDR

一种基于像素的安全运动规划框架，利用鲁棒MPC和共形预测在学习的潜在世界模型中。

评分理由

The paper introduces a novel combination of latent world models, conformal prediction, and robust MPC for safety, with strong empirical results on vision-based tasks. However, the abstract does not specify real-world validation, and the reliance on latent dynamics may limit interpretability.

Read-first 评分解释

综合优先阅读分 56.7，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 49。

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%

91.4

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：0.91440395

主题相关性 29%

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

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：基线

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

基础论文前沿论文桥接论文

排序敏感性

稳定性：volatile；排名波动范围：456。

关键词评分

world model

world dynamics prediction

interactive world model

generative world model

world simulator

model-based reinforcement learning world model

video world model

深度分析

创新点

训练一个动作条件联合嵌入世界模型，具有紧凑的马尔可夫潜在状态，用于高效的基于梯度的轨迹优化。
使用共形预测校准潜在误差界限，并为GPU加速的系统级综合（SLS）鲁棒MPC方案提供信息。
学习并共形化一个潜在约束检查器，以在闭环执行中施加概率安全约束。

方法

该框架训练了一个动作条件联合嵌入世界模型，具有紧凑的马尔可夫潜在状态。它使用GPU加速的系统级综合（SLS）鲁棒MPC，并通过共形预测获得校准的潜在误差界限和鲁棒的潜在空间约束集。此外，还学习并共形化了一个潜在约束检查器，以强制执行概率安全约束。

关键结果

在基于视觉的控制任务上，该方法在目标到达性能和安全性方面均优于潜在世界模型和安全规划基线。

资源

论文