使用联合嵌入预测架构从任意数据学习动态系统状态空间模型
机器学习
2025-08-15 v1
摘要
随着联合嵌入预测架构 (Joint Embedding Predictive Architectures, JEPAs) 的出现，其能力似乎优于基于重建的方法。本文引入一种新技术，用于从任意观测数据中创建以连续时间动态系统为基础的世界模型。 proposed 方法将序列嵌入与神经常微分方程 (neural ODEs) 集成。它采用约束嵌入和状态转换中 Lipschitz 常数的损失函数，以构建良好组织的潜在状态空间。该方法通过仅使用图像数据为简易摆动系统生成结构化潜在状态空间模型，展示了其有效性。这开辟了一种新技术，用于开发更通用的控制算法和估计技术，具有广泛的机器人应用前景。
引用
@article{arxiv.2508.10489,
title = {Learning State-Space Models of Dynamic Systems from Arbitrary Data using Joint Embedding Predictive Architectures},
author = {Jonas Ulmen and Ganesh Sundaram and Daniel Görges},
journal= {arXiv preprint arXiv:2508.10489},
year = {2025}
}
备注
6 Pages, Published in IFAC Joint Symposia on Mechatronics & Robotics 2025