感知运动世界模型：通过逆动力学实现行动导向的感知

arXiv 2026 53 method

TLDR

提出逆动力学正则化的感知运动世界模型，实现动作对齐的潜在表示与稳定规划。

评分理由

Strengths include a simple yet effective regularization method that prevents representation collapse and aligns latent states with actions, demonstrated on 2D/3D tasks. Weaknesses are limited to simple simulated environments without real-world validation or comparison to more complex baselines.

Read-first 评分解释

综合优先阅读分 53，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 35。

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%

95.4

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：0.95447039

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：无

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：代码

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：437。

关键词评分

world model

model-based reinforcement learning world model

world dynamics prediction

generative world model

interactive world model

world simulator

video world model

深度分析

创新点

对潜在世界模型使用逆动力学正则化，防止表示坍塌并诱导动作对齐的表示
从离线、无奖励轨迹中训练稳定的潜在世界模型，无需冻结编码器、指数移动平均或复杂的潜在正则化器
将潜在表示偏向可控自由度，同时丢弃不可控的干扰因素

方法

本文提出感知运动世界模型（SMWM），一种潜在JEPA风格的世界模型，通过逆动力学正则化进行端到端训练。该模型在离线、无奖励轨迹上训练，利用逆动力学损失迫使潜在状态保留转换中动作的信息，从而防止坍塌并使表示与动作相关特征对齐。不使用冻结编码器、指数移动平均或复杂的潜在正则化器。

关键结果

SMWM学习了紧凑、可解释的潜在空间，并在简单的2D和3D控制任务中实现了有竞争力的规划性能。

局限性

仅在简单的2D和3D控制任务上评估，未解决在更复杂环境中的可扩展性
逆动力学正则化在高度随机或部分可观测设置中可能无法捕捉所有与动作相关的特征

资源

论文