摘要
世界模型常通过前向推演学习到的动态来进行规划。然而，许多规划环境并非向量或图像，而是包含智能体、工具及依赖关系的图结构。本文研究了图世界模型（GWM）中的长程展开误差，构建了统一的固定边与动态边框架，并推导了分离拓扑诱导与模型诱导放大的误差界。基于此分析，提出了结合谱正则化与关键节点加权的“误差感知 GWM
AI 推荐理由
论文核心研究图世界模型中的展开误差对长程规划的影响，并提出改进方法。
研究机构
埃默里大学，美国亚特兰大
东京大学，日本东京
LocationMind，日本东京
论文信息