AGWM：面向组合前提环境的仔意导向世界模型
人工智能
2026-05-11 v1 机器学习
摘要
在基于模型的学习中，智能体通过基于世界模型预测来模拟轨迹，从而学习行为。标准世界模型通常学习固定的状态-动作到下一个状态的转换函数；当动作与结果在训练数据中频繁共现时，模型倾向于将这种相关性内化为一般因果规则，而忽视动作的前提条件。在交互式环境中，智能体的动作可以重塑未来的仔意空间。在每个时间步，动作只有在其前提满足时才可能可执行，或在前提被破坏后变为不可执行。我们称此类事件为结构性变更事件（SC 事件）。结果是，传统世界模型往往难以确定在当前状态下给定动作是否可执行，尤其是在多步预测中。每个想象的步骤都依赖于错误的仔意状态，因而预测误差在滚动视野范围内叠加。本文提出 AGWM（Affordance-Grounded World Model），通过学习表示为前提依赖 DAG 的抽象仔意结构，显式跟踪动作可执行性的动态变化。实验在基于游戏的模拟环境中表明，我们方法有效，实现了更低的多步预测误差、更好的对新配置的泛化能力以及更好的可解释性。
引用
@article{arxiv.2605.06841,
title = {AGWM: Affordance-Grounded World Models for Environments with Compositional Prerequisites},
author = {Qinshi Zhang and Weipeng Deng and Zhihan Jiang and Jiaming Qu and Qianren Li and Weitao Xu and Ray LC},
journal= {arXiv preprint arXiv:2605.06841},
year = {2026}
}
备注
16 pages, 3 figures, 4 tables. Appendix on pages 11-16 (main text is self-contained)