流等价性世界模型：用于部分观测动态环境的记忆

具身系统经历的世界是'众多流动的交响曲'：许多连续的感官输入流与自身运动交织，伴随外部物体的动力学。在这些流中遵循光滑、时参数化的对称性，这些对称性通过精确结构化的代数相互作用；然而，大多数神经网络世界模型忽略了这种结构，仅凭数据反复学习相同的变换。在本工作中，我们提出'流等价性世界模型' (Flow Equivariant World Models)，将自身运动和外部物体运动统一为一参数李群'流动'。我们利用这种统一性，实现对这些变换的群等价性，从而在数百个时间步上提供稳定的潜在世界表示。在2D和3D部分观测视频世界建模基准测试中，我们展示了Flow等价性世界模型在各类基于扩散和记忆增强的 state-of-the-art 世界建模架构中显著超越，尤其在代理当前视野之外存在可预测世界动力学时效果更为突出。我们表明，流等价性在长期 rollout 中尤其有益，能够远超训练时段进行推理。通过对内外部运动进行结构化世界模型表示，流等价性为数据高效、受称对称性引导的具身智能指明了可扩展的路径。项目链接：https://flowequivariantworldmodels.github.io。