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。

2026-06-08 至 2026-06-08 共收录 4 篇信号源：cs.AI, cs.LG, cs.CV, cs.RO, cs.MA

1. 通用世界模型 3 篇

2605.08732 2026-06-08 cs.RO cs.LG 版本更新 94%

Latent Geometry Beyond Search: Amortizing Planning in World Models

超越搜索的潜在几何：在世界模型中摊销规划

Hoang Nguyen, Xiaohao Xu, Xiaonan Huang

机构 * Department of Robotics, University of Michigan, Ann Arbor（密歇根大学机器人系，安阿伯）

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总结提出在正则化潜在几何下，将规划摊销为潜在逆动力学映射，以轻量级GC-IDM替代在线搜索，在七个环境协议中匹配或超越CEM，决策成本降低100-130倍。

Comments 31 pages

2511.02748 2026-06-08 cs.NI cs.LG 版本更新 88%

Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning

面向6G的智能体世界建模：近实时生成式状态空间推理

Farhad Rezazadeh, Amir Ashtari Gargari, Hatim Chergui, Sandra Lagen, Merouane Debbah, Houbing Song, Lingjia Liu

机构 * BrainOmega and the Technical University of Catalonia (UPC)（BrainOmega 和哈佛大学（UPC））； Centre Tecnologic de Telecomunicacions de Catalunya (CTTC/CERCA)（巴塞罗那电信技术中心（CTTC/CERCA））； i2CAT Foundation（i2CAT 基金会）； Khalifa University of Science and Technology（科技 Khalifa 大学）； University of Maryland, Baltimore County (UMBC)（马里兰大学巴尔的摩分校（UMBC））； Virginia Tech（弗吉尼亚理工学院）

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

AI总结提出基于世界建模的智能体框架WM-MS3M，通过生成式状态空间实现6G网络近实时反事实推理与资源分配，在O-RAN数据上降低预测误差并加速推理。

Comments 13 Pages, 3 Figures, 4 Tables

2603.16689 2026-06-08 cs.LG 版本更新 81%

Predictive Statistics Shape Emergent World Representations of Grid Walkers

预测统计塑造网格行走者的涌现世界表征

Sasha Brenner, Thomas R. Knösche, Nico Scherf

机构 * Max Planck Institute for Human Cognitive and Brain Sciences（马克斯·普朗克人类认知与脑科学研究所）； Leipzig University（莱比锡大学）； ScaDS.AI

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

AI总结通过约束随机游走实验，发现解码器仅Transformer的第一注意力块提取预测充分统计量，后续层将其转化为预测几何，形成可读的世界模型，而循环网络未分离此阶段。

Comments 24 pages, 15 figures

2. 自动驾驶 1 篇

2602.16073 2026-06-08 cs.RO cs.AI cs.LO cs.SY eess.SY 版本更新 56%

ScenicRules: An Autonomous Driving Benchmark with Multi-Objective Specifications and Abstract Scenarios

ScenicRules：具有多目标规范和抽象场景的自动驾驶基准测试

Kevin Kai-Chun Chang, Ekin Beyazit, Alberto Sangiovanni-Vincentelli, Tichakorn Wongpiromsarn, Sanjit A. Seshia

机构 * University of California, Berkeley（加州大学伯克利分校）； Massachusetts Institute of Technology（麻省理工学院）

专题命中自动驾驶：environment model(abstract)；分类 cs.AI、cs.RO

AI总结提出ScenicRules基准，通过层次化规则框架和形式化场景模型，在随机环境下评估自动驾驶系统对优先级多目标规范的满足程度。

Comments v2: Minor numerical corrections for Table V. 16 pages, 14 figures, 7 tables. Extended version of paper accepted to 2026 IEEE Intelligent Vehicles Symposium (IV 2026). ScenicRules benchmark available at https://github.com/BerkeleyLearnVerify/ScenicRules