基于扩散策略与多时间尺度世界模型的深度主动推理
机器人学
2025-10-28 v1 人工智能
机器学习
摘要
在真实环境中实现自主机器人导航，既需要探索以获取环境信息，又需要目标导向导航以到达指定目标。基于自由能原理的主动推理（AIF）提供了统一框架，通过最小化预期自由能（EFE）来综合实现这两种行为，从而结合认知价值与外在价值。为实现此目标，我们提出一种深度AIF框架，集成扩散策略作为策略模型，采用多时间尺度循环状态空间模型（MTRSSM）作为世界模型。扩散策略生成多样化的候选动作，而MTRSSM通过潜在想象预测其长期后果，实现基于EFE最小化的动作选择。在真实世界的导航实验中，我们的方法在探索需求场景下实现了更高的成功率和更少的碰撞。这些结果表明，基于EFE最小化的AIF能够在真实机器人环境中统一探索与目标导向导航。
引用
@article{arxiv.2510.23258,
title = {Deep Active Inference with Diffusion Policy and Multiple Timescale World Model for Real-World Exploration and Navigation},
author = {Riko Yokozawa and Kentaro Fujii and Yuta Nomura and Shingo Murata},
journal= {arXiv preprint arXiv:2510.23258},
year = {2025}
}
备注
Preprint version