视觉与机器人

世界模型

面向环境建模、时序预测、仿真规划、具身智能和自动驾驶的世界模型方法与应用。

2026-06-01 至 2026-06-01 共收录 3 篇信号源：cs.AI, cs.LG, cs.CV, cs.RO, cs.MA

1. 模型式强化学习 3 篇

2603.23977 2026-06-01 cs.LG cs.AI 58%

Circuit-Inspired High-Order Neural Networks with Unified Neural Dynamics Modeling for PDE Solving and Visual Perception

电路启发的具有统一神经动力学建模的高阶神经网络用于PDE求解与视觉感知

Tongfei Chen, Jingying Yang, Linlin Yang, Juan Zhang, Jinhu Lü, David Doermann, Chunyu Xie, Long He, Tian Wang, Guodong Guo, Baochang Zhang

机构 * Communication University of China（通信大学）； AI Research, Qihoo 360（360人工智能研究院，奇虎360）； Eastern Institute of Technology, Ningbo（宁波工程技术院）

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

AI总结提出电路启发的高阶神经网络（CHONN），通过基尔霍夫级联组合实现高阶动力学算子，在PDE求解、长期物理预测和ImageNet-1K识别中提升结构保真度和稳定性。

2603.26506 2026-06-01 q-bio.NC cs.LG 50%

Identifying Connectivity Distributions from Neural Dynamics Using Flows

利用流从神经动力学中识别连接分布

Timothy Doyeon Kim, Ulises Pereira-Obilinovic, Yiliu Wang, Eric Shea-Brown, Uygar Sümbül

机构 * Allen Institute, Seattle, WA, USA（艾伦研究所）； University of Washington, Seattle, WA, USA（华盛顿大学）

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

AI总结针对低秩循环神经网络（lrRNN）中连接结构不可识别的问题，提出基于最大熵和连续归一化流（CNF）的推理框架，通过流匹配训练学习连接权重分布，以无偏方式匹配观测动力学，并应用于合成数据和真实神经记录。

2508.11911 2026-06-01 math.NA cs.LG cs.NA physics.comp-ph 50%

Reduced-order modeling of Hamiltonian dynamics based on symplectic neural networks

基于辛神经网络的哈密顿动力学降阶建模

Yongsheng Chen, Wei Guo, Qi Tang, Xinghui Zhong

机构 * School of Mathematical Sciences, Zhejiang University（浙江大学数学科学学院）； Department of Mathematics and Statistics, Texas Tech University（德克萨斯理工大学数学与统计系）； School of Computational Science and Engineering, Georgia Institute of Technology（佐治亚理工学院计算科学与工程学院）

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

AI总结提出一种数据驱动的辛诱导降阶建模框架，通过统一端到端神经架构同时发现潜空间和学习动力学，确保降阶模型精确保持辛结构，提升长期稳定性和保真度。