VisualPatchWorld：將世界模型壓縮為可執行程式碼進行規劃
為何重要
此研究為開發「高可解釋性、短程式」的機器人世界模型提供了一條實用途徑，解決了黑盒神經網路難以融入 Model-Predictive Control 的工作流問題。對產業而言，這展現了「結構化表示+資料驅動」在具體機器人模擬與規劃上的潛力，與主流追求純粹神經網路泛化的路線形成互補。
VisualPatchWorld (VPW) 提出以程式碼作為世界動態的表示形式，在此模式中 Neural predictors 的隱式學習與 Physics engines 的可檢查性取得平衡。
- 模型先透過短暫的「主動探查」選定定性的動態形式，再從狀態-動作軌跡中擬合自由引數，最小化預測誤差。
- 評測顯示 VPW 的平均規劃成功率高達 69.0%，比最強的基於程式的基準高出 23.5 個百分點。
- 在導航與涉及大量接觸的抓取控制任務中，VPW 接近地面真實引擎的表現，即使在推擠動作上仍有殘差差距。