Slot-MPC: 目标条件模型预测控制与对象中心表示

arXiv 2026 58.5 method

TLDR

Slot-MPC 使用基于梯度的模型预测控制与对象中心世界模型，在模拟机器人任务中实现高效动作规划。

评分理由

The paper presents a novel integration of object-centric representations with differentiable MPC, showing improved planning efficiency and task performance in simulation. However, it lacks real-world validation and the abstract does not detail limitations or comparisons to state-of-the-art object-centric methods.

Read-first 评分解释

综合优先阅读分 58.5，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 43。

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

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、实验、结果

引用影响力 18%

69.9

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：0.6992213

主题相关性 29%

61.4

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 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、GitHub

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

前沿论文桥接论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：374。

关键词评分

world model

world dynamics prediction

generative world model

interactive world model

model-based reinforcement learning world model

video world model

world simulator

深度分析

创新点

将对象中心世界模型与基于梯度的模型预测控制（MPC）相结合用于动作规划
利用视觉编码器学习基于槽的表征，以编码场景中的个体对象，并学习动作条件的对象中心动力学模型
通过可微分世界模型直接优化动作的基于梯度的MPC，相比基于采样的方法提高了计算效率

方法

Slot-MPC 使用视觉编码器学习基于槽的表征，编码场景中的个体对象。这些结构化表征用于学习动作条件的对象中心动力学模型。在推理时，可微分世界模型支持基于梯度的MPC直接优化动作，使智能体能够适应未见过的情境。该方法在模拟机器人操作任务的离线设置（状态-动作覆盖有限）下进行评估。

关键结果

Slot-MPC 在任务性能和规划效率上均优于非对象中心世界模型基线。在状态-动作覆盖有限的离线设置中，基于梯度的MPC优于无梯度的基于采样的MPC。

局限性

仅在模拟机器人操作任务上评估，未在真实环境中测试
离线设置中状态-动作覆盖有限，可能无法反映在线或数据丰富场景下的性能

资源

论文