Latent World Models For Intrinsically Motivated Exploration
PulseAugur coverage of Latent World Models For Intrinsically Motivated Exploration — every cluster mentioning Latent World Models For Intrinsically Motivated Exploration across labs, papers, and developer communities, ranked by signal.
-
新型潜在世界模型提高机器人导航精度
研究人员开发了一种新的机器人导航潜在世界模型（LWM），该模型预测条件动作的潜在特征兼容性，而不是重建观测值。这种方法利用潜在空间中的空间邻近性来评估动作后果，并通过预测更接近目标的序列来支持反事实训练。LWM还可以从无标签视频数据中监督策略学习，并通过在世界模型内进行强化学习来改进策略，无需动作标注或额外的环境交互。在真实机器人导航数据集上的实验表明，与现有方法相比，预测精度和导航性能有了显著提高。
-
新的世界模型通过潜在规划增强机器人导航
研究人员开发了新的机器人导航世界模型，以改进规划和执行。一种方法，潜在世界模型（LWM），预测条件动作的潜在特征兼容性，而不是重建观测值，从而允许在潜在空间中进行直接评估，并能够从无标签视频数据中学习策略。另一个模型Hydra通过为视觉状态、物理姿态和控制动作创建统一的潜在流形来解决表示不匹配问题，从而实现离散潜在规划和连续流匹配执行，以实现物理机器人上的实时控制。
-
新的机器人策略模型增强了动作生成和效率
研究人员开发了新的机器人策略学习方法，提高了动作生成效率和准确性。LeaP（一种可学习的源先验）通过对本体感觉进行条件化来优化动作生成的起点，从而在操作任务上取得了显著的性能提升。LaWAM引入了潜在世界动作模型，该模型预测紧凑的潜在视觉子目标而非完整的视频帧，从而在保持高成功率的同时降低了计算延迟。几何动作模型（GAM）将几何基础模型重新用于语言条件操作，直接整合3D几何以实现更鲁棒、更高效的控制。
-
新的TRM方法提升了潜在世界模型的规划性能
研究人员开发了一种名为轨迹可达性指标（TRM）的新方法，以提高潜在世界模型在规划任务中的性能。TRM通过训练一个成对头来根据可达性更好地对候选序列进行排序，而不是仅仅依赖欧几里得距离，从而解决了标准潜在MPC的局限性。这种方法显著提高了TwoRoom等基准测试的成功率，在一项实验中将性能从7.0%提升到97.0%。