Mar, 2024

基于基础世界模型的自主机器人零射击安全预测

PDF
TL;DR提出了基础世界模型，通过将观察结果转化为有意义且因果潜在的表示，使代理动力学可以直接预测因果未来状态，并且在安全预测任务中表现优于标准世界模型，与监督学习相比具有可比拟的性能，而且不需要使用任何数据。
world modelsafety violationssurrogate dynamicsfoundation world modelscausal future states
发现论文，激发创造
  • 自主驾驶中基于世界模型的异常检测潜能探索

    自动驾驶中的异常检测研究综述，重点介绍了如何利用世界模型及相关组件实现预测建模、稀疏奖励和复杂控制任务的突出结果。

    Aug, 2023

  • 自动驾驶的世界模型：初步调查

    在自动驾驶领域中，世界模型的能力是重要的，既可以确保安全性和效率性，还能关键性地帮助决策过程，通过合成和解释大量的传感器数据，从而预测潜在的未来情景并弥补信息缺失。本文回顾了自动驾驶领域中当前状态和世界模型的前景发展，包括其理论基础、实际应用以及正在进行的研究努力以克服现有的限制。突出世界模型在推进自动驾驶技术中的重要作用，本综述旨在为研究社区提供基础参考，便于快速获得对这一新兴领域的理解，并激发持续的创新和探索。

    Mar, 2024

  • 基于图像控制的自主安全概率的校准预测

    通过基于生成世界模型的可配置学习流水线，在不需要低维状态的情况下解决了在线安全预测问题，并提供了统计校准的安全机会预测保证。通过对图像控制系统的两个案例研究（赛车和平衡杆）进行广泛评估。

    Aug, 2023

  • UniWorld：基于世界模型的自主驾驶预训练

    该研究论文利用 Alberto Elfes 在 1989 年的先驱性工作中引入了占据栅格的概念，并为机器人赋予了一种空间 - 时间世界模型（UniWorld），从而感知其环境并预测其他参与者的未来行为。UniWorld 能够估计世界状态中缺失的信息，并预测世界的合理未来状态，该统一预训练框架在运动预测、多相机三维物体检测和周围场景语义完成等关键任务中展现了有希望的结果，对于实现真实世界的自动驾驶具有重要实用价值。

    Aug, 2023

  • 无需向前预测的学习：没有前向预测的世界模型

    本研究介绍了一种名为 'observational dropout' 的改进强化学习方法，该方法通过限制智能体在每个时间步的真实环境观察能力，强制智能体学习填补观察不足的世界模型，结果表明基于这种模型的强化学习算法可以提高智能体的学习效率和执行能力。

    Oct, 2019

  • 神经世界模型与计算机视觉

    该研究提出了一种基于计算机视觉概念，使用深度神经网络从摄像头观测和专业演示数据中训练世界模型和政策的通用框架，该模型可以预测鸟瞰图空间中动态汽车的未来轨迹，并在城市驾驶环境中联合预测静态场景、动态场景和特定行为。

    Jun, 2023

  • 增强世界模型促进从单个脱机环境实现零样本动态泛化

    本论文介绍了如何在在线环境中使用增强世界模型来改善零样本泛化，从而提高强化学习的性能。

    Apr, 2021

  • 强化端到端自动驾驶与潜在世界模型

    我们提出了一种自我监督的方法，通过潜在世界模型来预测未来的潜在特征，从而提高无需昂贵标签的端到端驾驶性能。

    Jun, 2024

  • 世界模型

    本研究旨在使用生成神经网络建立流行的强化学习环境下的世界模型，并利用该世界模型进行无监督学习，学习环境的空间和时间紧凑表示。通过使用从世界模型提取的特征作为代理输入，我们可以训练出非常紧凑和简单的策略来解决所需任务。我们甚至可以在代理自己的幻象梦境中完全进行训练，并将该策略传输回实际环境中。

    Mar, 2018

  • 学习感知交互式自主安全性

    为了确保机器人等自主车辆的广泛部署，本文提出了一种新的闭环范式用于综合安全控制策略，明确考虑系统在可能的未来情景下的演变不确定性，通过物理动力学和机器人的学习算法共同推理，利用对抗深度强化学习进行放大，展示了该框架能够处理贝叶斯信念传播和大规模预训练神经轨迹预测模型引起的隐式学习。

    Sep, 2023