标签
H-JEPA 引入了一种动作条件的联合嵌入预测架构，将宽泛的感知编码与继承的控制状态分离，后者由耗散型端口-哈密顿动力学所支配；端口逆一致性作为对预测误差的一种无需参数的重新加权，在基于像素的控制基准上与 Delta-JEPA 等基线持平或更优。
本文提出了一种复合梯度学习方法，该方法整合了深度强化学习和模型预测控制，用于自主系统中的共享控制权限，并在交通网络上进行评估，显示在强交互下有适度效益。
介绍了潜能量行动规划（LEAP），该方法通过冻结的世界模型优化行动序列，以改善目标条件控制，在四个控制领域中实现成功率提高17.3个百分点。
本文引入了决策指标对齐诊断和动作条件目标，以改进用于模型预测控制的潜在世界模型。提出的DA-LeWM方法提高了规划任务的收敛速度和成功率。
提出时序距离JEPA（TD-JEPA），从离线轨迹中挖掘有向时序代价，以改进潜在世界模型预测控制，在机器人环境中实现了更高的成功率。
本文提出了一种面向偏微分方程的目标无关控制框架，采用联合嵌入预测架构（JEPA），并配备轻量级2D ViT编码器和动作条件潜在动力学。研究表明，使用学到的物理可观测探针在控制任务中优于原始潜在距离。
本文介绍了EHR-MPC框架，该框架通过使用电子健康记录训练患者的生成式数字孪生，将学习患者动态与治疗优化解耦，然后在推理时应用模型预测控制，在多个医院的脓毒症队列上实现了与强化学习基线相当或更优的性能。
AdaJEPA引入了一种自适应的潜在世界模型，该模型在测试期间通过闭环模型预测控制持续更新，显著提高了分布偏移下的规划成功率。
Valdi 将端到端在线训练与潜在扩散动态相结合，用于强化学习中的模型预测控制，实现快速且能处理不确定性的动态预测，并在 CarRacing 环境中展示了初步结果。
本文介绍了BeliefDiffusion，一种结合扩散模型表示多模态信念分布和使用模型预测控制在部分可观测环境中进行规划的框架，相比基线方法取得了更好的导航成功率和路径效率。
本文提出了一种针对韧性制造业供应链的技能约束模型预测控制方法，其中培训决策影响未来的认证产能。该控制器求解有限时域混合整数规划，并在合成场景上进行评估，结果表明当瓶颈可预测时预测控制有效，但并非普遍优越。