预测动态能在物理世界中存在吗？
摘要
本文提出了一种验证AI预测物理可接受性的方法，通过一个包含运动学和动力学条件的预测-控制接口来实现。在LeRobot PushT任务上，该方法展示了过滤无效提议的高精度。
查看缓存全文
缓存时间: 2026/06/02 15:36
论文页面 - 物理世界中存在可预测的动力学吗？
来源：https://huggingface.co/papers/2606.00089
摘要
AI系统的物理可接受性验证采用包含运动学与动力学条件的预测-控制接口，在保持高性能的同时过滤无效提案。
预测性物理AI系统输出状态展开、动作块与潜在规划，但低均方根误差并不代表某个提案在物理上可执行。我们将物理可接受性形式化为一种预测-控制接口：在执行之前，经解码的提案被视为候选动力学，并通过运动学、动力学以及直接到合成时域条件进行评估。通过验证并非任务成功的保证；被拒绝则表明违反了指定的物理边界，并给出组件级的原因说明。在Hugging Face LeRobot PushT上，受控反例测试表明：单步预测RMSE与标准化动力学残差达到受试者工作特征曲线下面积0.982和0.972，仅运动学条件达到AUC 0.592，而完整门控达到AUC 0.957并具备条件级归因。在基于重放的干预实验中，基于残差的过滤器与完整物理可接受性门控能够阻止87%-89%的无效提案，同时将平均进度保持在接近0.998的水平。
查看 arXiv 页面 (https://arxiv.org/abs/2606.00089)查看 PDF (https://arxiv.org/pdf/2606.00089)项目页面 (http://www.state16.ai/)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2606.00089)
在您的智能体中获取本文：
hf papers read 2606\.00089
没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash
引用本文的模型0
没有模型链接至本文
请在模型 README.md 中引用 arxiv.org/abs/2606.00089 以将其链接至此页面。
引用本文的数据集0
没有数据集链接至本文
请在数据集 README.md 中引用 arxiv.org/abs/2606.00089 以将其链接至此页面。
引用本文的 Spaces0
没有 Space 链接至本文
请在 Space README.md 中引用 arxiv.org/abs/2606.00089 以将其链接至此页面。
包含本文的收藏集1
相似文章
从单一动作到预测、规划与不可逆性：世界模型中预测的路径空间形式化
本文提出了一种AI世界模型中预测的路径空间形式化方法，将未来轨迹的分布视为基本预测对象。研究表明，预测、规划和不确定性表现为对单一作用泛函的操作，并证明学习模型中的注意力不对称性与数据中的不可逆性相关。
我观看了一个机器人以真实速度跟上冰球，它预测比赛而非仅做出反应
本文讨论了机器人控制从反应式向基于预测的转变，重点介绍了LingBot-VA 2.0模型，该模型能够跟上快速移动的物体（如空气曲棍球），并且仅需少量演示即可学习。
通过学习深度逆动力学模型实现从仿真到真实世界的转移
# 通过学习深度逆动力学模型实现从仿真到真实世界的转移 来源: [https://openai.com/index/transfer-from-simulation-to-real-world-through-learning-deep-inverse-dynamics-model/](https://openai.com/index/transfer-from-simulation-to-real-world-through-learning-deep-inverse-dynamics-model/) ## 摘要 在仿真环境中开发控制策略通常比直接在真实世界中运行实验更加实际和安全。这适用于从强化学习中获得的策略
凭借对物理的感知，AI模型能模拟更广泛的现实世界场景
MIT CSAIL和清华大学的研究人员提出了GeoPT，这是一种预训练方法，利用合成动力学帮助AI模型更高效地学习物理，以模拟车辆安全和机器人测试等现实世界场景。其达到峰值性能的速度提升两倍，训练所需数据最多减少60%。
通过动力学随机化实现机器人控制的仿真到现实迁移
OpenAI 研究人员演示了一种通过使用随机化的模拟器动力学来训练策略，从而弥合现实差距的方法。这使得完全在仿真环境中训练的机器人能够成功迁移到现实世界任务，如物体操作，无需进行物理训练。