世界模型

RAY-TOLD: Ray-Based Latent Dynamics for Dense Dynamic Obstacle Avoidance with TDMPC

RAY-TOLD: 基于射线的任务导向潜在动力学用于密集动态障碍物避障与TDMPC

Seungho Han, Seokju Lee, Jeonguk Kang

机构 * School of Electrical Engineering, Hanyang University（翰阳大学电气工程学院） ； Mechatronics, Systems and Control Lab (MSC Lab), Department of Mechanical Engineering, Korea Advanced Institute of Science and Technology (KAIST)（机械工程系，韩国科学技术院（KAIST）机电系统与控制实验室（MSC实验室）） ； Samsung Research, Samsung Electronics（三星研究所，三星电子） 纠错

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

AI总结 本文提出RAY-TOLD，结合物理基础MPPI的鲁棒性与强化学习的长视界，通过LiDAR中心的潜在动力学模型实现动态障碍物避障，提升导航可靠性与安全性。

Comments 8 pages, 4 figures

Detecting is Easy, Adapting is Hard: Local Expert Growth for Visual Model-Based Reinforcement Learning under Distribution Shift

检测容易，适应困难：基于视觉模型的强化学习在分布偏移下的局部专家增长

Haiyang Zhao

机构 * University of Georgia（佐治亚大学） 纠错

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

AI总结 本文研究了视觉模型强化学习在分布偏移下的适应问题，提出JEPA-Indexed Local Expert Growth方法，通过局部专家进行动作修正，提升了对偏移环境的鲁棒性。

R3DM: Enabling Role Discovery and Diversity Through Dynamics Models in Multi-agent Reinforcement Learning

R3DM：通过动态模型在多智能体强化学习中实现角色发现与多样性

Harsh Goel, Mohammad Omama, Behdad Chalaki, Vaishnav Tadiparthi, Ehsan Moradi Pari, Sandeep Chinchali

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

AI总结 R3DM通过动态模型最大化智能体角色、观察轨迹与预期未来行为间的互信息，提升多智能体协作效率，实验表明其在SMAC和SMACv2环境中显著提升胜率。

Comments 21 pages, To appear in the International Conference of Machine Learning (ICML 2025)

RopeDreamer: A Kinematic Recurrent State Space Model for Dynamics of Flexible Deformable Linear Objects

RopeDreamer：一种用于柔性可变形线性物体动态的运动学递归状态空间模型

Tim Missal, Lucas Domingues, Berk Guler, Simon Manschitz, Jan Peters, Paula Dornhofer Paro Costa

机构 * Technical University of Darmstadt（德意志技术大学） ； School of Electrical and Computer Engineering, Universidade Estadual de Campinas (UNICAMP)（坎皮纳斯州立大学电气与计算机工程学院） ； Instituto de Pesquisas Eldorado（Eldorado研究所） ； Honda Research Institute Europe GmbH（本田欧洲研究院） ； German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心） ； Robotics Institute Germany (RIG)（德国机器人研究所） ； Centre for Cognitive Science（认知科学研究中心） ； Artificial Ingelligence Lab, Recod.ai（Recod.ai人工智能实验室） 纠错

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

AI总结 本文提出结合递归状态空间模型与四元数运动链表示的潜变量框架，用于预测柔性可变形线性物体的状态，通过约束物理有效流形减少自交和非物理变形，提升长周期预测性能。

PINN-Cast: Exploring the Role of Continuous-Depth NODE in Transformers and Physics Informed Loss as Soft Physical Constraints in Short-term Weather Forecasting

PINN-Cast：探索连续深度NODE在Transformer中的作用及物理信息损失作为短期天气预报中的软物理约束

Hira Saleem, Flora Salim, Cormac Purcell

机构 * University of New South Wales（新南威尔士大学） 纠错

专题命中 模型式强化学习 ：latent dynamics(abstract)；分类 cs.LG、cs.CV

AI总结 本文提出连续深度Transformer编码器，结合Neural ODE动态和物理信息损失，提升短期天气预报的准确性与物理一致性。

Comments 14 pages, 4 Figures, Accepted in 26th International Conference on Computational Science (ICCS 2026)