Generative World Models and Imagination-Based Planning for Robots

本文提出了一种面向机器人的生成式世界模型与基于想象的规划方法。生成式世界模型通过生成模型学习环境的完整动力学，能够在潜空间中生成未来观测和奖励；基于想象的规划通过在世界模型中进行想象 rollout 来优化策略。文章分析了不同生成式世界模型（VAE世界模型、GAN世界模型、扩散世界模型、Transformer世界模型）和想象规划方法对学习效率的影响，提出了结合生成式世界模型与强化学习的方法，并在仿真和真实机器人上验证了效果。来源机构包括Google Research、MIT、Oxford等。