棱镜世界模型：学习混合系统中的组合动力学用于规划

arXiv 25.12 2025 54.9 method, application

TLDR

PRISM-WM 使用 MoE 将混合动力学分解为可组合基元，减少连续控制规划中的 rollout 漂移。

评分理由

The paper addresses a key challenge in model-based planning for hybrid systems with a structured MoE architecture and latent orthogonalization. Strengths include a principled approach to mode decomposition and empirical gains on simulated benchmarks. Weaknesses are the lack of real-world experiments and reliance on simulated environments only.

Read-first 评分解释

综合优先阅读分 54.9，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 45。

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：基准、评估、实验、结果

近期性 6%

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

主题相关性 29%

64.3

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

引用影响力 18%

55.3

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：0.55279448

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

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：388。

关键词评分

world model

world dynamics prediction

model-based reinforcement learning world model

generative world model

world simulator

interactive world model

video world model

深度分析

创新点

使用结构化架构将复杂混合动力学分解为可组合基元
上下文感知的混合专家（MoE）框架，带有门控机制用于隐式物理模式识别
潜在正交化目标以确保专家多样性并防止模式崩溃

方法

PRISM-WM 采用上下文感知的混合专家（MoE）框架，其中门控机制隐式识别当前物理模式，专门的专家预测相关的转移动力学。引入潜在正交化目标以保持专家多样性并防止模式崩溃。该模型在连续控制基准测试上训练，并作为轨迹优化算法（如 TD-MPC）的基础进行评估。

关键结果

在高维人形机器人和多任务设置上的实验表明，PRISM-WM 减少了 rollout 漂移，并为轨迹优化提供了高保真度的基础，表明其作为基于模型智能体基础模型的潜力。

局限性

依赖隐式模式识别可能在高度模糊或未见过的混合动力学中失败
尚未在真实机器人系统上展示性能，评估仅限于仿真基准

资源

论文