LeWorldModel
PulseAugur coverage of LeWorldModel — every cluster mentioning LeWorldModel across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的潜在世界模型预测地球观测卫星图像的可用性
研究人员开发了一个潜在世界模型 LeWorldModel，用于预测地球观测 (EO) 图像何时可用，解决了数据可用性与地表可见性之间的瓶颈。该模型适用于云感知序列，并在 EarthNet2021 数据集上进行训练，可预测未来卫星采集的可用性。在评估中，LeWorldModel 在下一步可用性和确切可用视线预测方面均显著优于持久性基线，证明了其在改进 EO 处理链方面的有效性。
-
LeWorldModel 的分层规划显示出喜忧参半的结果
研究人员调查了 LeWorldModel 中分层规划对于长时域目标条件控制任务的有效性。他们的扩展 Hi-LeWM 冻结了一个预训练的低层 LeWM，并在潜在子目标之上添加了一个高层规划器。研究发现，时间层次结构并不固有地提高性能，在更长时域中，高层动作空间与搜索分布之间会出现不匹配。然而，通过约束搜索和仔细安排子目标执行的时机，可以恢复分层机制，从而在扁平 LeWM 上获得性能提升。
-
Fast LeWorldModel 通过并行预测加速视觉规划
研究人员开发了 Fast LeWorldModel (Fast-LeWM)，这是对现有联合嵌入预测架构 (JEPAs)，如用于视觉规划的 LeWorldModel (LeWM) 的一项改进。与 LeWM 评估动作序列的计算密集型单步潜在转移模型不同，Fast-LeWM 采用并行动作前缀预测。这种新方法通过编码动作前缀并同时预测未来潜在状态来模拟多个视界上的累积动作效应。该方法显著减少了规划时间和潜在误差累积，从而提高了各种任务的成功率。
-
AI世界模型通过潜在规划器获得长视界规划能力
研究人员开发了世界模型中长视界规划的新方法，解决了现有技术的局限性。一种方法FF-JEPA使用分层结构，包含两个前向动力学模型，其中包括一个无动作的潜在规划器来预测子目标，从而消除了对显式目标图像的需求，并实现了长时间的规划。另一种方法基于预训练的LeWorldModel，将规划摊销到潜在逆动力学映射中，用一个更快的、目标条件化的逆动力学模型取代了迭代优化，该模型在保持或超过性能的同时显著降低了计算成本。
-
新的JEPA架构实现从像素到端到端的稳定训练
研究人员开发了LeWorldModel (LeWM)，一种新颖的联合嵌入预测架构 (JEPA)，可以从原始像素稳定地进行端到端训练。与之前脆弱的JEPA方法不同，LeWM仅使用两个损失项，可以在数小时内使用单个GPU进行训练，其规划速度比基于基础模型的世界模型快48倍。随后的论文介绍了UR-JEPA，它通过目标统一可校正性来改进JEPA训练，与LeJEPA相比，显示出改进的种子稳定性和独特的几何表示。
-
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%。