面向物理AI系统中语义通信的世界模型赋能因果数字孪生

arXiv 2026 56.3 method

TLDR

提出了一种基于世界模型的因果数字孪生框架，用于闭环物理AI系统中的目标导向语义通信。

评分理由

The paper introduces a novel causal information value metric and uses world models for counterfactual reasoning and long-horizon rollouts, which is a strong theoretical contribution. However, the abstract lacks empirical validation or real-world experiments, and the connection to specific world model types like video or generative models is not explicit.

Read-first 评分解释

综合优先阅读分 56.3，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 44。

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%

91.1

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：0.9111553

主题相关性 29%

62.9

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：评估、指标

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：432。

关键词评分

world model

model-based reinforcement learning world model

world dynamics prediction

world simulator

interactive world model

generative world model

video world model

深度分析

创新点

因果信息价值（CIV）指标，用于通过传输干预评估语义标记对长期回报的边际贡献
基于世界模型的因果数字孪生（WM-CDT）框架，用于闭环物理AI系统
语义通信中用于长期想象推演的反事实推理
具有高数据效率的Actor-Critic策略训练，用于长期智能体控制
通过每比特CIV评估训练的语义标记选择器

方法

该论文将语义通信建模为在无线比特预算约束下的长期每比特回报最大化问题。引入了因果信息价值（CIV）指标，并提出了基于世界模型的因果数字孪生（WM-CDT）框架，利用反事实推理进行长期推演，以训练Actor-Critic策略和语义标记选择器。该框架在基于AirSim-Sionna的无人机（UAV）导航模拟器上进行了评估。

关键结果

大量仿真表明，与现有的强化学习解决方案相比，所提出的WM-CDT框架在每千比特回报和导航成功率方面取得了显著提升。

资源

论文