开发突破复杂机器人控制限制的分层世界模型

研究背景

利用世界模型（学习世界运作方式的模型）进行规划可以提高机器人等具身人工智能代理的适应能力，但在长期执行的任务中，存在错误累积和探索变得复杂的问​​题。现有的分层方法存在局限性，即使用固定的行动单元导致表示脆弱且难以进行精细控制。

方法

研究团队开发的ID-WM使用高层模型在整个状态空间中对可能的转换进行采样，并将低层世界模型用作逆动力学求解器，将其具体化为精确的行动。通过这种方式，它优先考虑局部物理合理性而不是全局行动模式，并通过组合短片段来制定新的长期计划。

主要结果

在三个导航和操作测试环境中，实现了比现有最新方法和基于扩散的规划技术高出38.5%的性能。特别是通过缓解错误累积的问题，在复杂且未见过的环境中的长期任务中，比单层世界模型控制方法实现了135%的性能提升。

局限与待确认之处

在摘要中无法确认与商业化相关的具体限制，例如实际硬件运行中的实时处理速度或成本。

术语解释

• 世界模型 — 帮助人工智能学习周围环境的规则和运作方式，以预测未来情况并进行规划的模型。
• 代理 — 指能够感知给定环境、自行判断并执行行动的人工智能程序。