世界模型

Self-Supervised JEPA-based World Models for LiDAR Occupancy Completion and Forecasting

基于JEPA的世界模型的自监督LiDAR占用完成与预测

Haoran Zhu, Anna Choromanska

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） 纠错

专题命中 通用世界模型 ：world model(title,abstract)；world models(title,abstract)；world model(title,abstract)；world models(title,abstract)

AI总结 本文提出AD-LiST-JEPA，一种基于JEPA框架的自监督世界模型，用于自动驾驶中通过LiDAR数据预测未来时空演变，并在占用完成与预测任务中验证其有效性。

Hand2World: Autoregressive Egocentric Interaction Generation via Free-Space Hand Gestures

Hand2World: 通过自由空间手势生成自主回归的视角交互

Yuxi Wang, Wenqi Ouyang, Tianyi Wei, Yi Dong, Zhiqi Shen, Xingang Pan

机构 * College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院，南洋理工大学） 纠错

专题命中 通用世界模型 ：world model(abstract)；world models(abstract)；world model(abstract)；world models(abstract)

AI总结 Hand2World通过自由空间手势生成视角交互，利用自回归框架解决遮挡、相机运动解耦和长视频生成问题，提升视觉生成的质量与稳定性。

Diffusion-Based Scenario Tree Generation for Multivariate Time Series Prediction and Multistage Stochastic Optimization

基于扩散的场景树生成用于多变量时间序列预测和多阶段随机优化

Stelios Zarifis, Ioannis Kordonis, Petros Maragos

机构 * HERON - Hellenic Robotics Center of Excellence（希腊机器人 excellence 中心） ； Robotics Institute（机器人研究所） ； School of Electrical & Computer Engineering（电气与计算机工程学院） ； National Technical University of Athens（雅典技术大学） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本文提出基于扩散的场景树生成方法，用于多变量时间序列预测和多阶段随机优化，通过递归采样和聚类生成结构化的场景树，提升不确定性处理能力。

Comments 5 pages, 2 figures, 1 table, and 1 algorithm. This version is submitted to the 34th EURASIP European Signal Processing Conference 2026 (EUSIPCO 2026), to be held in Bruges, Belgium, on August 31 - September 4, 2026

Multi-Agent Model-Based Reinforcement Learning with Joint State-Action Learned Embeddings

基于联合状态-动作学习嵌入的多智能体模型驱动强化学习

Zhizun Wang, David Meger

机构 * McGill University（麦吉尔大学） 纠错

专题命中 模型式强化学习 ：model-based reinforcement learning(title)；world model(abstract)；world model(abstract)；分类 cs.LG、cs.MA

AI总结 本文提出了一种基于联合状态-动作学习嵌入的多智能体模型驱动强化学习框架，通过统一表示学习与想象式回放，提升智能体在动态环境中协调能力与长期规划效率。

Comments 22 pages

Gradient-Enhanced Partitioned Gaussian Processes for Real-Time Quadrotor Dynamics Modeling

基于梯度增强的分区高斯过程用于实时四旋翼动力学建模

Xinhuan Sang, Adam Rozman, Sheryl Grace, Roberto Tron

机构 * Department of Mechanical Engineering, Boston University（机械工程系，波士顿大学） 纠错

专题命中 模型式强化学习 ：dynamics model(title)；分类 cs.LG、cs.RO

AI总结 本文提出一种结合梯度信息的分区高斯过程，用于高效实时四旋翼动力学建模，显著提升精度并降低计算成本。

Comments 11 pages, 7 figures. Submitted to IEEE Transactions on Robotics (under review)

Zero-Shot Adaptation to Robot Structural Damage via Natural Language-Informed Kinodynamics Modeling

通过自然语言引导的运动动力学建模实现机器人结构损伤的零样本适应

Anuj Pokhrel, Aniket Datar, Mohammad Nazeri, Francesco Cancelliere, Xuesu Xiao

专题命中 模型式强化学习 ：dynamics model(title,abstract)；分类 cs.RO

AI总结 本研究提出ZLIK方法，利用自然语言引导的自监督学习，通过数据驱动的方式学习运动动力学模型，实现对机器人结构损伤的零样本适应，显著降低运动动力学误差并提升跨尺度泛化能力。

Comments 12 Pages, 6 Figures, 5 Tables