前向动力学模型

基于摘要分析。本文研究机器人策略学习，提出 Forward Dynamics Models（FDM），以动作特征为条件预测未来世界状态，使真实未来状态在端到端训练中监督策略，同时在推理时完全跳过未来生成。主要贡献是将未来预测作为训练监督路径，而非动作推理的前置依赖。 机制上，作者将现有方法的局限区分为两类：Vision-language-action（VLA）模型缺少未来世界状态的显式监督；部分 world action models（WAMs）依据预测未来生成动作，因而增加推理成本，并可能将视觉预测误差传递至动作。FDM 采用 action-to-future 范式，未来预测依赖动作特征，而非反向依赖。这里需要区分训练监督与推理信息流：作者主张未来状态监督可经动作特征影响策略学习，但未来生成误差不会作为动作推理的输入。 作者分别使用预训练 vision-language models（VLMs）和 video generative models（VGMs）作为骨干，在仿真及真实机器人任务上评估。作者报告在 LIBERO 上取得平均成功率 99.4%，并在真实任务中相较 VLA、WAM 方法获得提升。摘要未说明 LIBERO 的具体任务组合、训练测试划分、重复次数及基线配置，不能据此直接比较其他协议下的结果；具体损失、特征连接方式、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是，训练时的未来状态监督可能帮助学习任务相关表征，而无需在部署时运行预测模块。若用于 EEG 解码，需重新定义动作特征与可观测未来目标，不能直接将机器人动作等同于 EEG 类别。低信噪比、跨被试差异及小数据可能使预测目标偏向伪迹或个体特征。一个小规模可证伪实验是在相同跨被试划分与骨干下，对比纯分类训练和增加未来 EEG 片段预测监督的训练，并在推理时均移除预测模块；需确保目标片段不跨越数据划分边界。已有 EEG 相关工作尚未检索确认，此假设不构成已验证的 BCI 效果。