通过弱监督表示学习的物理可解释世界模型
机器学习
2026-04-07 v6
摘要
从高维感官观察中学习预测模型是面向赛博物理系统的基本任务，但标准世界模型所学习的潜在表示缺乏物理可解释性。这限制了其可靠性、可泛化性以及适用于安全关键任务的应用潜力。我们引入物理可解释世界模型（PIWM），通过弱分布基于监督将潜在表示与真实世界物理量对齐，并通过部分已知物理动力学约束其演化。PIWM的物理可解释性由两个互补属性定义：（i）所学习的潜在状态对应于有意义的物理变量，（ii）其时间演化遵循物理一致的动力学。为实现这一目标而无需 ground-truth物理注释，PIWM采用捕捉状态不确定性的弱分布监督。该架构集成了基于VQ的视觉编码器、基于Transformer的物理编码器以及基于已知物理方程的可学习动力学模型。在三个案例研究（Cart Pole、Lunar Lander和Donkey Car）中，PIWM实现了准确的长期预测，恢复了真实系统参数，并在纯数据驱动模型之上显著改进了物理 grounding。这些结果表明，在弱监督条件下直接从图像学习物理可解释世界模型是可行且有优势的。
引用
@article{arxiv.2412.12870,
title = {Physically Interpretable World Models via Weakly Supervised Representation Learning},
author = {Zhenjiang Mao and Mrinall Eashaan Umasudhan and Ivan Ruchkin},
journal= {arXiv preprint arXiv:2412.12870},
year = {2026}
}