世界模型

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