跳到正文
arXiv · 机器人与计算机视觉· Chenyuan Zhou, Yining Hong, Huang Huang, Yunfan Jiang, Wenlong Huang, David Held, Vitor Campagnolo Guizilini, Yue Wang, Li Fei-Fei, Jiajun Wu, Leonidas Guibas, Yejin Choi·· 2026-10-16精选AI 评分82

T2-z:通过测试时优化环境潜变量实现机器人世界模型的自适应

T2-z: Test-Time Optimization of Environment Latents for Robotic World Models

AI 导读

论文介绍 T2-Z 方法,该方法为机器人世界模型引入可学习的无监督环境潜变量,在训练阶段交替优化动力学与潜变量结构,在测试阶段仅凭少量交互即可适配新环境。实验显示,该方法在仿真和真实任务中将物体预测误差从 15.20 降至 7.00,动作成功率从 33.73% 提升至 72.96%,且能高效捕捉环境与物理因素的联合表征。

推荐理由

该工作提出在测试时优化环境潜变量以适配未见过的环境配置,显著降低预测误差并提升任务成功率。

来源:arXiv · 机器人与计算机视觉 · arxiv.org