世界模型

NeuroHex: A Brain-Inspired Hex Coordinate System to Enable Highly Computationally-Efficient World Models for Continuous Online-Adaptive Learning

NeuroHex：一种脑启发的六边形坐标系统，用于构建高效计算的世界模型以支持连续在线自适应学习

Quinn Jacobson, Joe Luo, Jingfei Xu, Shanmuga Venkatachalam, Kevin Wang, Dingchao Rong, John Paul Shen

机构 * NeuroAI Computer Architecture Lab (NCAL)（神经人工智能计算机架构实验室） 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 NeuroHex通过六边形坐标系统实现高效世界模型，利用环索引和量化角编码等方法，降低计算成本并支持空间匹配，同时提供OSM2Hex工具将地图数据转换为该坐标系统，提升自主系统空间推理效率。

Comments This is an expanded version of the paper titled "NeuroHex: Highly Efficient Hex Coordinate System for Creating World Models to Enable Adaptive AI" published in the proceedings of the 2026 Neuro Inspired Computational Elements (NICE) [1] conference. This is an archival version of the paper and is currently under review for an ACM journal publication

DIAL: Decoupling Intent and Action via Latent World Modeling for End-to-End VLA

DIAL: 通过潜在世界建模解耦意图与动作以实现端到端VLA

Yi Chen, Yuying Ge, Hui Zhou, Mingyu Ding, Yixiao Ge, Xihui Liu

机构 * The University of Hong Kong（香港大学） ； XPENG Robotics（小鹏机器人） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

专题命中 通用世界模型 ：world model(title,abstract)；world model(title,abstract)；分类 cs.AI、cs.LG、cs.CV

AI总结 DIAL通过潜在意图瓶颈解耦意图与动作，利用VLM进行潜在世界建模并结合轻量策略实现端到端VLA，实验表明其在RoboCasa GR1任务中优于现有方法，且在真实世界部署中表现稳健。

Comments Project page: https://xpeng-robotics.github.io/dial

RISE: Self-Improving Robot Policy with Compositional World Model

RISE：具有组合世界模型的自改进机器人策略

Jiazhi Yang, Kunyang Lin, Jinwei Li, Wencong Zhang, Tianwei Lin, Longyan Wu, Zhizhong Su, Hao Zhao, Ya-Qin Zhang, Li Chen, Ping Luo, Xiangyu Yue, Hongyang Li

机构 * The Chinese University of Hong Kong（香港中文大学） ； Kinetix AI ； The University of Hong Kong（香港大学） ； Shanghai Innovation Institute（上海创新研究院） ； Horizon Robotics ； Tsinghua University（清华大学） 纠错

专题命中 通用世界模型 ：world model(title,abstract)；world model(title,abstract)；分类 cs.RO；dynamics model(abstract)

AI总结 本文提出RISE框架，通过组合世界模型提升机器人策略鲁棒性，在动态砖块排序、背包打包和箱盖闭合任务中分别取得+35%、+45%和+35%的性能提升。

Comments RSS 2026. Project page: https://opendrivelab.com/RISE/

ReSim: Reliable World Simulation for Autonomous Driving

ReSim：面向自动驾驶的可靠世界模拟

Jiazhi Yang, Kashyap Chitta, Shenyuan Gao, Long Chen, Yuqian Shao, Xiaosong Jia, Hongyang Li, Andreas Geiger, Xiangyu Yue, Li Chen

机构 * The Chinese University of Hong Kong（香港中文大学） ； The University of Hong Kong（香港大学） ； OpenDriveLab at Shanghai AI Lab（上海人工智能实验室OpenDrive实验室） ； NVIDIA Research（NVIDIA研究） ； Xiaomi EV（小米电动车） ； Shanghai Jiao Tong University（上海交通大学） ； University of Tübingen, Tübingen AI Center（图宾根大学，图宾根人工智能中心） ； HKUST（香港科技大学） 纠错

专题命中 自动驾驶 ：world model(abstract)；world models(abstract)；driving world model(abstract)；world model(abstract)

AI总结 本文提出ReSim模型，通过整合真实数据与模拟数据提升自动驾驶场景模拟的可靠性与可控性，提升规划和策略选择性能。

Comments NeurIPS 2025 Spotlight. Project page: https://opendrivelab.com/ReSim

ProDrive: Proactive Planning for Autonomous Driving via Ego-Environment Co-Evolution

ProDrive：通过自我环境共演实现自动驾驶的前瞻性规划

Chuyao Fu, Shengzhe Gan, Zhuoli Ouyang, Yuhan Rui, Xiaowei Chi, Sirui Han, Jiankun Wang, Hong Zhang

机构 * Southern University of Science and Technology（南方科技大学） ； Hong Kong University of Science and Technology（香港科技大学） 纠错

专题命中 自动驾驶 ：world model(abstract)；world-model(abstract)；world model(abstract)；world-model(abstract)

AI总结 ProDrive通过自我环境共演实现自动驾驶前瞻性规划，结合查询导向的轨迹规划器和鸟瞰图世界模型，提升安全性和规划效率。

Comments Accepted to CVPR 2026 GigaBrain Challenge Workshop

Bayesian Inverse Transition Learning: Learning Dynamics From Near-Optimal Trajectories

贝叶斯逆向转移学习：从近优轨迹中学习动态

Leo Benac, Abhishek Sharma, Sonali Parbhoo, Finale Doshi-Velez

机构 * Harvard University（哈佛大学） ； Imperial College London（帝国理工学院伦敦分校） 纠错

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

AI总结 本文提出逆向转移学习方法，通过近优轨迹的有限覆盖作为特征，结合贝叶斯方法估计动态，提升决策质量并指导迁移成功判断。