相机移动或控制器更换后，同一条指令会让机器人朝不同方向、以不同幅度运动，而冻结的世界模型仍按训练时的指令约定规划，于是规划全落在错误的动作坐标系里。Library of Hands（LoH）不训练、不改动世界模型，只用冻结的预测器从相邻两帧图像反推实际执行的动作，据此估计“指令到实际动作”的映射，并把识别过的映射存入库中以便复用。在闭环测试中，当“手”变化并反复出现时，LoH 把冻结规划器的成功率从 28.6% 提高到 62.3%，而在手不变时只损失 0.6 个百分点。
world2vec 只用观测和动作、不用奖励信息，学习一个把物理状态换成隐坐标的编码器和描述其演化的隐动力学。它要求编码后的未来与在隐空间里滚动积分得到的结果一致，这一条件只依赖观测和动作即可计算。在 Pendulum、Reacher、Cartpole 三个 MuJoCo 环境上，它用比 DreamerV3、TD-MPC2、LeWM 至少少一个数量级的参数完成从像素出发的连续控制，并在 71 个吸引子的基准上做系统辨识。
手术机器人要在遮挡下预判器械动作会把组织推成什么样，此前用可微物理仿真直接预测组织的绝对位置，重建误差、初始化和仿真偏移会让整块表面持续错位。现在改为把每个组织点锚定在它最后一次有效观测上，只预测已知未来器械轨迹带来的形变增量，物理模型用无网格位置动力学并逐场景辨识刚度、附着与抓持耦合。在12段手术操作视频上，参照式预测相对持久性基线的片段内误差比中位数为0.912，95%区间0.787–1.070，12段中8段改善，区间包含持平。
一个在合成Wiener-Hammerstein系统上离线预训练的元模型，可直接从新系统的输入输出片段零样本预测输出，在非线性辨识基准上取得与主流方法相当的精度，且只微调输入侧就能把分布外连续搅拌反应器的预测误差从1.249降到0.242。
已读完全部报道