LEARNING
离散-WAM：面向世界-策略学习的统一离散视觉-动作令牌编辑
Ziyang Yao, Haochen Liu, Yuncheng Jiang, Zeyu Zhu, Zibin Guo, Jingru Wang, Tianle Liu, Jianwei Cui, Kuiyuan Yang, Hongwei Xie, Jingwei Zhao, Guang Chen, Hangjun Ye
- 发表年份
- 2026
- 访问权限
- 开放获取
摘要
该论文提出离散-WAM，一种统一潜在视觉-动作世界策略，将未来视觉状态和自车动作表示为对齐的离散令牌，支持跨反事实未来的组合因果推理。实验表明，该方法在自动驾驶基准测试中实现竞争性能，同时支持可控生成和反事实推理。
关键词
world modeldiscrete tokenautonomous drivingcausal reasoningdiffusion
相关论文
LEARNING
📊 8,465 引用
The Organization of Behavior
D. O. Hebb
2005
LEARNING
📊 7,678 引用
Fractional Brownian Motions, Fractional Noises and Applications
Benoît B. Mandelbrot, John W. Van Ness
1968
LEARNING
开放获取📊 7,484 引用
Review of deep learning: concepts, CNN architectures, challenges, applications, future directions
Laith Alzubaidi, Jinglan Zhang, Amjad J. Humaidi 等 10 位作者
2021
LEARNING
📊 4,608 引用
A guide to deep learning in healthcare
Andre Esteva, Alexandre Robicquet, Bharath Ramsundar 等 10 位作者
2018