提出耦合局部与全局世界模型的一阶RL方法

2026年10月15日，arXiv Artificial Intelligence 报道了一项由 Joseph Amigo 等作者提出的研究，提出一种耦合局部与全局世界模型的高效一阶强化学习方法。该研究提出一种完全绕过模拟器的方法，直接在从真实机器人交互中学习的世界模型内训练强化学习策略。其核心是解耦一阶梯度（FoG）方法：由完整世界模型生成精确前向轨迹，轻量级隐空间代理模型近似局部动力学以高效计算梯度。在 Push-T 操作任务上，该方法样本效率显著优于 PPO，并在四足机器人的自我中心物体操作任务中得到验证。目前进展为该方法在两项任务上完成验证，尚未见后续跟进报道。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。