Metro-WM：可实现的子目标长程潜空间规划
原文标题：Metro-WM: Long-Horizon Latent Planning with Realisable Sub-Goals
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文指出，基于 JEPA 的层次化规划中，宏规划器常生成物理上不可实现的潜空间子目标，这是长程规划失效的根本原因。作者提出 Metro-WM，改为从离线经验中检索真实状态作为子目标，并构建可跨轨迹拼接的状态图。实验显示长程成功率最高提升 37.33 个百分点，速度快 10.9 倍，离线算力需求降低 13-56 倍。
- 问题
- JEPA 层次化规划中宏规划器生成的潜空间子目标物理上不可实现，导致长程规划失效。
- 方法
- 改为从离线经验中检索真实状态作为子目标，构建可跨轨迹拼接的状态图，执行偏离时可即时重规划。
- 结果
- 长程成功率最高提升 37.33 个百分点，速度快 10.9 倍，离线算力需求降低 13-56 倍。
- 影响
- 为机器人长程规划提供更可靠且更省算力的方案，直接可替换现有层次化 JEPA 规划器。
深读 · 结论先行AI 生成展开看要点与影响 ↓
Metro-WM 改用检索真实状态作子目标，长程成功率最高提升 37.33 个百分点、快 10.9 倍
- •论文指出基于 JEPA 的层次化规划中，领先宏规划器常生成物理上不可实现的潜空间子目标，这是长程失效的根因
- •Metro-WM 从离线专家演示或随机动作轨迹中检索真实观测帧作为子目标，构建可跨轨迹拼接的状态图
- •微规划器偏离路线时，系统可从当前状态立即重新找到最优路径，对执行误差鲁棒
- •长程成功率较次优层次化方法最高提升 37.33 个百分点，快 10.9 倍，离线算力需求降低 13-56 倍，需调超参更少
为什么重要：把「子目标必须可实现」作为设计约束，为长程规划提供了一条更省算力且更鲁棒的路线。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。