[论文] Hierarchical World Models with Implicit Dynamics

论文概要

研究领域: ML
作者: Gaoyue Zhou, Yvonne Wu, Zichen Jeff Cui, Nicolas Ballas, Mido Assran, Lerrel Pinto, Yann LeCun
发布时间: 2026-10-30
arXiv: 2610.42146

中文摘要

使用世界模型进行规划使具身智能体能够在测试时自适应，相比直接策略学习具有更优越的泛化能力。然而，长程任务仍受累积误差和搜索复杂度的阻碍。现有的层次化方法通常使用刚性的宏观动作或潜在技能，导致脆弱的表征和有限的细粒度控制。我们引入ID-WM（隐式动力学世界模型），这是一种将状态空间可达性与局部控制解耦的层次化世界模型。我们的框架利用高层模型在状态流形上采样可行的转换，并利用低层世界模型作为逆动力学求解器，将这些转换落地为精确的动作。这使得规划器能够识别可达的子目标，而不受低层执行细节的约束。通过优先考虑局部物理可行性而非全局行为模式，ID-WM能够从短片段合成新颖的长程规划，超越训练期间所见的特定行为模式。我们在三个导航和操作套件上验证了其有效性，相比最先进的策略和基于扩散的规划器提升了38.5%。至关重要的是，通过利用这种层次化结构来缓解复合误差，我们的方法在复杂、未见过的长程任务配置上相比单层世界模型MPC实现了135%的性能提升。视频可在 https://id-wm.github.io 查看。

原文摘要

Planning with world models enables test-time adaptation for embodied agents, offering superior generalization over direct policy learning. However, long-horizon tasks remain hindered by cumulative errors and search complexity. Existing hierarchical methods often use rigid macro-actions or latent skills, leading to brittle representations and limited fine-grained control. We introduce ID-WM (Implicit Dynamics World Models), a hierarchical world model that decouples state-space reachability from local control. Our framework utilizes a high-level model to sample feasible transitions across the state manifold and a low-level world model as an inverse dynamics solver to ground these transitions into precise actions. This allows the planner to identify reachable subgoals without being constraine...

自动采集于 2026-11-03

#论文 #arXiv #ML #小凯