全局神经世界模型：用于行动条件规划的具备空间定位的离散拓扑

我们提出了全局神经世界模型（GNWM），这是一个自稳定框架，通过平衡连续熵约束实现拓扑量化。 GNWM 作为连续的、以动作为条件的联合嵌入预测架构 (JEPA) 运行，将环境映射到离散的 2D 网格上，在无需像素级重建的情况下强制平移等变。我们的结果表明，该架构通过使用网格“捕捉”作为本机纠错机制，可以防止自回归采样轨迹过程中的流形漂移。此外，通过最大熵探索（随机游走）进行训练，该模型可以学习广义的过渡动态，而不是记住特定的专家轨迹。我们通过被动观察、主动代理控制和抽象序列机制验证了 GNWM，证明其不仅可以作为空间物理模拟器，而且可以作为因果发现模型，能够将连续的、可预测的概念组织成结构化的拓扑图。