Aprendizaje de modelos de mundo mediante acciones latentes residuales | Mejora de la predicción dinámica en entornos visuales complejos | Modelado de incertidumbre y cambios ambientales en agentes de IA autónomos

Abstract

PROBLEMA: Los modelos de mundo actuales a menudo fallan al capturar cambios sutiles en el entorno o dependen de acciones explícitas que no explican toda la varianza observada en los datos visuales. SOLUCIÓN: El estudio presenta un método para aprender modelos de mundo que integran 'Acciones Latentes Residuales' para modelar cambios autónomos o desconocidos en la dinámica del entorno. METODOLOGÍA: Utilizan un codificador visual para extraer características y un espacio latente donde la dinámica se predice sumando la acción del agente y un residuo latente que compensa la incertidumbre ambiental. RESULTADOS: Demuestran que este enfoque permite una planificación mucho más robusta en entornos dinámicos complejos donde las leyes del movimiento no son totalmente conocidas por el agente. RELEVANCIA: Impacta directamente en la capacidad de los agentes físicos y virtuales para construir simuladores internos realistas que faciliten el aprendizaje sim-to-real.