← 世界模型 / 在模型中控制

正式发表 / World Models

E2C

Embed to Control: A Locally Linear Latent Dynamics Model for Control from Raw Images

NeurIPS · 2015CCF A
GitHub 未确认Stars —引用 944

快照 2026-10-28 · 引用:Semantic Scholar / arXiv 关联记录 · 代码核验依据 ↗

关键框架 FRAMEWORK
编码、局部转移与分布一致性NeurIPS 2015 · Fig. 1 · p.3 ↗

把图像编码为适合局部线性控制的潜状态,用重建和转移一致性共同约束表示,再接随机最优控制。

  1. 01编码观测
  2. 02拟合局部线性转移
  3. 03在潜空间优化控制
E2C编码、局部转移与分布一致性
编码、局部转移与分布一致性

把图像编码为适合局部线性控制的潜状态,用重建和转移一致性共同约束表示,再接随机最优控制。 来源 ↗ · 打开完整图片 ↗

THE IDEA

它在解决什么

把图像编码为适合局部线性控制的潜状态,用重建和转移一致性共同约束表示,再接随机最优控制。

WHY READ IT

为什么放在这条路线

与只压缩图像的 VAE 相比,E2C 在表示学习阶段就要求潜空间适合控制;可作为理解 PlaNet 前的早期参照。

当前阶段在模型中控制 ↗

模型用于局部优化、树搜索,还是策略学习?

READ WITH A QUESTION

读的时候,留意什么

局部线性结构与代价设定是关键假设,不代表任意长时程、开放场景都可精确规划。

我的阅读笔记

LOCAL NOTES
笔记仅保存在当前浏览器