PulseAugur
中
实时 15:24:29
English(EN) HaM-World: Soft-Hamiltonian World Models with Selective Memory for Planning

HaM-World模型通过选择性记忆和哈密顿动力学增强AI规划能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的结构化世界模型HaM-World，旨在提高强化学习中规划的稳定性和准确性。该模型将潜在状态分解为规范（q, p）和上下文（c）子空间，并结合Mamba选择性状态空间记忆来处理历史条件输入。HaM-World利用软哈密顿向量场进行动力学预测，在DeepMind Control Suite任务上表现出卓越的性能，并增强了对分布外扰动的鲁棒性。 AI

影响 引入了一个更稳定、更鲁棒的世界模型用于规划，有望提高智能体在复杂和动态环境中的性能。

排序理由 这是一篇详细介绍强化学习中规划新模型架构的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

HaM-World模型通过选择性记忆和哈密顿动力学增强AI规划能力

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Haoyun Tang, Haodong Cui, Keyao Xu, Kun Wang, Zhandong Mei ·

    HaM-World：具有选择性记忆的软哈密尔顿世界模型用于规划

    arXiv:2605.05951v1 Announce Type: new Abstract: World models enable model-based planning through learned latent dynamics, but imagined rollouts become unstable as the planning horizon grows or the dynamics distribution shifts. We argue that this instability reflects two missing s…

相关实体

相关话题