世界模型

Generative Models and Connected and Automated Vehicles: A Survey in Exploring the Intersection of Transportation and AI

生成模型与连接与自动化车辆：探索交通与人工智能交汇点的综述

Bo Shu, Yiting Zhang, Saisai Hu, Dong Shu

机构 * School of Engineering Science（工程科学学院） ； Shandong Xiehe University（山东谢河大学） ； Department of Electrical Engineering（电气工程系） ； Northwestern University（西北大学） ； Department of Computer Science（计算机科学系） ； Pace University（帕克大学） 纠错

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

AI总结 本文综述了生成模型与连接自动化车辆在交通与AI交汇领域的应用，探讨其在预测建模、模拟精度和自动驾驶决策中的提升作用及面临的挑战。

FlowAD: Ego-Scene Interactive Modeling for Autonomous Driving

FlowAD: 无人驾驶中的自体场景交互建模

Mingzhe Guo, Yixiang Yang, Chuanrong Han, Rufeng Zhang, Shirui Li, Ji Wan, Zhipeng Zhang

机构 * AutoLab, School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院AutoLab） ； Baidu Inc（百度公司） 纠错

专题命中 自动驾驶 ：environment model(abstract)；分类 cs.CV

AI总结 本文提出FlowAD框架，通过自体场景交互建模提升自动驾驶性能，利用场景流建模动态变化，结合新颖的FCP指标评估场景理解能力，实验表明其在碰撞率和驾驶评分上均优于现有方法。

A Comprehensive Review of Reinforcement Learning for Autonomous Driving in the CARLA Simulator

Elahe Delavari, Feeza Khan Khanzada, Jaerock Kwon

专题命中 自动驾驶 ：model-based RL(abstract)；分类 cs.RO

Noise-Aware Generative Microscopic Traffic Simulation

Vindula Jayawardana, Catherine Tang, Junyi Ji, Jonah Philion, Xue Bin Peng, Cathy Wu

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Vanderbilt University（范德比大学） ； NVIDIA Corporation（NVIDIA公司） 纠错

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

Act Better by Timing: A timing-Aware Reinforcement Learning for Autonomous Driving

Guanzhou Li, Jianping Wu, Yujing He

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

A Unified Generative Framework for Realistic Lidar Simulation in Autonomous Driving Systems

Hamed Haghighi, Mehrdad Dianati, Valentina Donzella, Kurt Debattista

专题命中 自动驾驶 ：分类 cs.LG、cs.CV、cs.RO；simulation model(abstract)

GarchingSim: An Autonomous Driving Simulator with Photorealistic Scenes and Minimalist Workflow

Liguo Zhou, Yinglei Song, Yichao Gao, Zhou Yu, Michael Sodamin, Hongshen Liu, Liang Ma, Lian Liu, Hao Liu, Yang Liu, Haichuan Li, Guang Chen, Alois Knoll

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

Reinforcement Learning with Human Feedback for Realistic Traffic Simulation

Yulong Cao, Boris Ivanovic, Chaowei Xiao, Marco Pavone

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

Comments 9 pages, 4 figures

Incorporating Recurrent Reinforcement Learning into Model Predictive Control for Adaptive Control in Autonomous Driving

Yuan Zhang, Joschka Boedecker, Chuxuan Li, Guyue Zhou

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

Action-Based Representation Learning for Autonomous Driving

Yi Xiao, Felipe Codevilla, Christopher Pal, Antonio M. Lopez

专题命中 自动驾驶 ：分类 cs.LG、cs.CV、cs.RO；dynamics model(abstract)

Comments This paper has been accepted to the Conference on Robot Learning (CoRL 2020)

Drama: Mamba-Enabled Model-Based Reinforcement Learning Is Sample and Parameter Efficient

Wenlong Wang, Ivana Dusparic, Yucheng Shi, Ke Zhang, Vinny Cahill

机构 * School of Computer Science and Statistics（计算机科学与统计学系） 纠错

专题命中 模型式强化学习 ：model-based reinforcement learning(title,abstract)；world model(abstract)；world models(abstract)；world model(abstract)

Comments Published as a conference paper at ICLR 2025

Dreaming Smoothly and Sample Efficiently with Gradient Penalized Latent Dynamics

利用梯度惩罚潜在动力学实现平滑且高效的采样

Romil V. Sonigra, P. R. Kumar

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； Texas A&M University（德克萨斯大学） 纠错

专题命中 模型式强化学习 ：latent dynamics(title,abstract)；world model(abstract)；world models(abstract)；world model(abstract)

AI总结 提出GPLD正则化器，通过行雅可比惩罚增强DreamerV3潜在转移动力学的局部平滑性，提升样本效率，尤其在复杂运动控制任务中表现显著。

Comments 17 pages and 9 figures

Learning to Focus: Prioritizing Informative Histories with Structured Attention Mechanisms in Partially Observable Reinforcement Learning

Daniel De Dios Allegue, Jinke He, Frans A. Oliehoek

机构 * Delft University of Technology（代尔夫特理工大学） 纠错

专题命中 模型式强化学习 ：world model(abstract,comments)；world models(abstract,comments)；world model(abstract,comments)；world models(abstract,comments)

Comments Accepted to Embodied World Models for Decision Making (EWM) Workshop at NeurIPS 2025

SOLD: Slot Object-Centric Latent Dynamics Models for Relational Manipulation Learning from Pixels

Malte Mosbach, Jan Niklas Ewertz, Angel Villar-Corrales, Sven Behnke

专题命中 模型式强化学习 ：latent dynamics(title,abstract)；world model(abstract)；dynamics model(title,abstract)；world model(abstract)

XP-JEPA: Cross-Predictive Physics Grounding for Forecastable Latent Dynamics

XP-JEPA：用于可预测潜在动力学的交叉预测物理基础

Kehan Wen, Ziming Li, Siyuan Luo, Fan Shi

专题命中 模型式强化学习 ：latent dynamics(title,abstract)；world model(abstract)；world models(abstract)；world model(abstract)

AI总结 XP-JEPA通过将视觉与物理表征交叉预测，提升了潜在动力学的可预测性，在多任务套件上降低了展开漂移并提高了控制成功率，无需特权输入即可实现更优的基于展开的控制性能。

Comments Under review

Model-Based Reinforcement Learning with Multi-Task Offline Pretraining

Minting Pan, Yitao Zheng, Yunbo Wang, Xiaokang Yang

专题命中 模型式强化学习 ：model-based reinforcement learning(title)；world model(abstract)；world models(abstract)；world model(abstract)

Model-Based Reinforcement Learning with Isolated Imaginations

Minting Pan, Xiangming Zhu, Yitao Zheng, Yunbo Wang, Xiaokang Yang

专题命中 模型式强化学习 ：model-based reinforcement learning(title,abstract)；world model(abstract)；world models(abstract)；world model(abstract)

Comments arXiv admin note: text overlap with arXiv:2205.13817

On the Feasibility of Cross-Task Transfer with Model-Based Reinforcement Learning

Yifan Xu, Nicklas Hansen, Zirui Wang, Yung-Chieh Chan, Hao Su, Zhuowen Tu

专题命中 模型式强化学习 ：model-based reinforcement learning(title)；world model(abstract)；world models(abstract)；world model(abstract)

Comments Project page with code: https://nicklashansen.github.io/xtra

Advantage-Guided Diffusion for Model-Based Reinforcement Learning

基于优势的扩散模型用于基于模型的强化学习

Daniele Foffano, Arvid Eriksson, David Broman, Karl H. Johansson, Alexandre Proutiere

机构 * KTH Royal Institute of Technology（瑞典皇家理工学院） ； Digital Futures（数字未来） 纠错

专题命中 模型式强化学习 ：model-based reinforcement learning(title,abstract)；world model(abstract)；world models(abstract)；world model(abstract)

AI总结 本文提出AGD-MBRL，通过利用智能体的优势估计引导反向扩散过程，提升长周期回报。采用SAG和EAG两种引导方法，改进了短周期视角下的扩散模型MBRL性能。

Bayes Adaptive Monte Carlo Tree Search for Offline Model-based Reinforcement Learning

贝叶斯自适应蒙特卡洛树搜索用于离线模型驱动强化学习

Jiayu Chen, Le Xu, Wentse Chen, Jeff Schneider

机构 * The University of Hong Kong（香港大学） ； Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 模型式强化学习 ：model-based reinforcement learning(title,abstract)；world model(abstract)；world models(abstract)；world model(abstract)

AI总结 本文提出贝叶斯自适应蒙特卡洛树搜索算法，用于提升离线模型驱动强化学习的性能，显著优于现有方法。

Comments This paper is accepted in ICLR 2026

Offline vs. Online Learning in Model-based RL: Lessons for Data Collection Strategies

Jiaqi Chen, Ji Shi, Cansu Sancaktar, Jonas Frey, Georg Martius

专题命中 模型式强化学习 ：model-based RL(title)；world model(abstract)；world models(abstract)；world model(abstract)

Comments Accepted at Reinforcement Learning Conference (RLC 2025); Code available at: https://github.com/swsychen/Offline_vs_Online_in_MBRL

Knowledge Transfer in Model-Based Reinforcement Learning Agents for Efficient Multi-Task Learning

Dmytro Kuzmenko, Nadiya Shvai

机构 * National University of Kyiv-Mohyla Academy（基辅莫希拉大学） 纠错

专题命中 模型式强化学习 ：model-based reinforcement learning(title,abstract)；world model(abstract)；world models(abstract)；world model(abstract)

Comments Preprint of an extended abstract accepted to AAMAS 2025

Journal ref Proceedings of the 24th International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2025), pp. 2597-2599, ACM, 2025

Knowledge Retention for Continual Model-Based Reinforcement Learning

Yixiang Sun, Haotian Fu, Michael Littman, George Konidaris

专题命中 模型式强化学习 ：model-based reinforcement learning(title,abstract)；world model(abstract)；world models(abstract)；world model(abstract)

Multi-Horizon Consistency as Geometry: When Latent Dynamics Contract, and When They Do Not

多时间尺度一致性即几何：潜在动力学何时收缩，何时不收缩

Kavya Bhand, Aadi Joshi

机构 * Vishwakarma Institute of Technology（维斯瓦卡玛理工学院） 纠错

专题命中 模型式强化学习 ：latent dynamics(title)；world model(abstract)；world models(abstract)；world model(abstract)

AI总结 研究视频预测器和世界模型中多时间尺度潜在一致性权重λ对过渡几何的作用，通过实验测量L20,q95和E20等指标，发现λ能改善移动MNIST数据集相关指标，且软一致性作用有域限制，还得出随机强迫定律统一控制域。

Comments 22 pages, 9 figures. Diagnostic study of multi-horizon latent consistency, expansion proxies (L20), and a stochastic-forcing law for world-model geometry. Code and experiment logs to be released publicly

Dream to Chat: Model-based Reinforcement Learning on Dialogues with User Belief Modeling

Yue Zhao, Xiaoyu Wang, Dan Wang, Zhonglin Jiang, Qingqing Gu, Teng Chen, Ningyuan Xi, Jinxian Qu, Yong Chen, Luo Ji

机构 * Geely AI Lab（Geely人工智能实验室） ； Beijing Institute of Technology（北京理工大学） 纠错

专题命中 模型式强化学习 ：model-based reinforcement learning(title,abstract)；world model(abstract)；world models(abstract)；world model(abstract)

Comments Accepted to EMNLP 2025 Findings

Learning from World Feedback: Why Model Uncertainty Fails as a Risk Signal in Model-Based RL

从世界反馈中学习：为何模型不确定性在基于模型的强化学习中无法作为风险信号

Zhaohui Wang

专题命中 模型式强化学习 ：model-based RL(title)；world model(abstract)；world-model(abstract)；world model(abstract)

AI总结 研究探讨 RLxF 中学习信号应源于世界反馈，在安全模型控制中实例化并提炼原则。通过实验表明基于动力学的不确定性惩罚会增加碰撞率，用世界反馈信号可降低碰撞率，提取原则并指出其适用于多种相关方法。

Comments Accepted at the ICML 2026 Workshop on Reinforcement Learning from X Feedback (RLxF). 14 pages

DailyArt: Discovering Articulation from Single Static Images via Latent Dynamics

DailyArt: 从单张静态图像中通过潜在动态发现关节

Hang Zhang, Qijian Tian, Jingyu Gong, Daoguo Dong, Xuhong Wang, Yuan Xie, Xin Tan

专题命中 模型式强化学习 ：latent dynamics(title)；world model(abstract)；world models(abstract)；world model(abstract)

AI总结 DailyArt通过合成介导推理解决单张图像中关节估计问题，无需多视角输入或显式部分标注，实现关节参数同时恢复和部分级新状态合成。

Replay Buffer with Local Forgetting for Adapting to Local Environment Changes in Deep Model-Based Reinforcement Learning

Ali Rahimi-Kalahroudi, Janarthanan Rajendran, Ida Momennejad, Harm van Seijen, Sarath Chandar

专题命中 模型式强化学习 ：model-based reinforcement learning(title)；world model(abstract)；world models(abstract)；world model(abstract)

Planning from Pixels using Inverse Dynamics Models

Keiran Paster, Sheila A. McIlraith, Jimmy Ba

专题命中 模型式强化学习 ：world model(abstract)；world models(abstract)；dynamics model(title,abstract)；world model(abstract)

Comments 9 pages, 4 figures

Dreaming Falcon: Physics-Informed Model-Based Reinforcement Learning for Quadcopters

梦之鹰：用于四旋翼的物理引导模型基强化学习

Eashan Vytla, Bhavanishankar Kalavakolanu, Andrew Perrault, Matthew McCrink

机构 * The Ohio State University（俄亥俄州立大学） 纠错

专题命中 模型式强化学习 ：model-based reinforcement learning(title,abstract)；world model(abstract)；world model(abstract)；model-based RL(abstract)

AI总结 本文提出一种基于物理引导的世界模型方法，用于改进四旋翼的强化学习性能，通过物理模型预测力矩和状态展开，提升动态环境下的鲁棒性。