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。

2026-07-20 至 2026-07-20 共收录 3 篇信号源：cs.AI, cs.LG, cs.CV, cs.RO, cs.MA

1. 通用世界模型 2 篇

2510.22204 2026-07-20 cs.RO cs.AI 版本更新 88%

Human-Inspired Neuro-Symbolic World Modeling and Logic Reasoning for Interpretable Safe UAV Landing Site Assessment

受人类启发的神经符号世界建模与逻辑推理用于可解释的安全无人机着陆点评估

Weixian Qian, Tianyi Yang, Sebastian Schroder, Yao Deng, Jiaohong Yao, Xiao Cheng, Richard Han, Xi Zheng

机构 * Macquarie University（麦考瑞大学）； University of California, Santa Barbara（加州大学圣巴巴拉分校）

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

AI总结 NeuroSymLand通过结合神经符号方法，实现了可解释的安全无人机着陆点评估，优于现有基线方法。

Comments The paper has a major update, which is uploaded to https://arxiv.org/abs/2607.02277

2607.13960 2026-07-20 cs.RO 版本更新 71%

GigaWorld-Policy-0.5: A Faster and Stronger WAM Empowered by AutoResearch

GigaWorld-Policy-0.5：由自动研究赋能的更快更强的世界行动模型

GigaWorld Team, Angen Ye, Angyuan Ma, Boyuan Wang, Chaojun Ni, Fangzheng Ye, Guan Huang, Guo Li, Guosheng Zhao, Haodong Yan, Hengtao Li, Jiwen Lu, Kai Wang, Mingming Yu, Qitang Hu, Qiuping Deng, Songling Liu, Xiaoyu Tian, Xiaofeng Wang, Xinyu Zhou, Xiuwei Xu, Xinze Chen, Yang Wang, Yejun Zeng, Yifan Chang, Yun Ye, Zhenyu Wu, Zhanqian Wu, Zheng Zhu

机构 * GigaAI（字节跳动人工智能实验室）； Tsinghua University（清华大学）

专题命中通用世界模型：world model(abstract)；world model(abstract)；分类 cs.RO；dynamics model(abstract)

AI总结研究旨在改进机器人策略学习，提出GigaWorld-Policy-0.5这一增强型以动作中心的WAM。预训练采用混合策略加强视觉与动作耦合，推理引入新架构提升效率，还用自动研究管道搜索训练配置，有效提升了机器人控制推理效率并保留训练优势。

Comments project page: https://open-gigaai.github.io/giga-world-policy/

2. 模型式强化学习 1 篇

2510.01475 2026-07-20 eess.SY cs.LG cs.SY 版本更新 50%

Comparative Field Deployment of Reinforcement Learning and Model Predictive Control for Residential HVAC

强化学习与模型预测控制在住宅暖通空调中的现场对比部署

Ozan Baris Mulayim, Elias N. Pergantis, Levi D. Reyes Premer, Bingqing Chen, Guannan Qu, Kevin J. Kircher, Mario Bergés

机构 * College of Engineering, Carnegie Mellon University, 5000 Forbes Ave, Pittsburgh, PA 15213, USA ； Wilton E. Scott Institute for Energy Innovation, Carnegie Mellon University, 5000 Forbes Ave, Pittsburgh, PA 15213, USA ； Center for High Performance Buildings, Purdue University, 177 S Russell St, West Lafayette, IN 47907, USA ； Trane Technologies, Residential R\&D Group, 6200 Troup Hwy, Tyler, TX 75707, USA ； Bosch Center for Artificial Intelligence

专题命中模型式强化学习：model-based RL(abstract)；分类 cs.LG

AI总结研究对比强化学习与模型预测控制应用于住宅暖通空调的情况，通过在寒冷气候住宅中各部署一个月，对比两者节能效果、居住者舒适度及数据需求等，发现RL节能略优、部署工作量少但面临初始化等困难。

Comments 26 pages, 9 figures, 5 tables. Under review for Applied Energy