Same World, Different Knowledge: When Isolated Audits Misjudge World-Model Repairs
作者: Rui Min, Xianyao Li, Fang Xu, Sofiane Lachab, Jing Du
分类: cs.RO
发布日期: 2026-09-17
备注: 9 pages, 3 figures, 6 tables
💡 一句话要点
提出信息接口审计以解决世界模型修复中的误判问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)
关键词: 信息接口审计 世界模型 修复策略 预测控制 不确定性训练
📋 核心要点
- 现有方法在处理共享故障信息时，孤立输入故障下的修复方案可能导致性能下降，存在误判风险。
- 本文提出信息接口审计，区分精度差距和可用性差距，利用固定权重干预来评估模型的预测误差和输入依赖性。
- 实验结果显示，耦合的校准误差显著降低了模型成功率，而不确定性训练能够有效恢复性能，验证了方法的有效性。
📝 摘要（中文）
在孤立输入故障下偏好的修复方案在共享故障信息的模块中可能表现不佳。本文引入了一种信息接口审计方法，用于区分精度差距和可用性差距。通过固定权重干预，测量预测误差、输入依赖性和闭环收益。模拟四旋翼模型的预测控制实验表明，耦合的质量/推力校准误差将物理锚定模型的成功率从69%降至8%；而不确定性训练则恢复了65%的成功率。风重建虽然恢复了控制收益，但也继承了校准依赖性。
🔬 方法详解
问题定义：本文旨在解决在共享故障信息的环境中，孤立输入故障下的修复方案可能导致的性能误判问题。现有方法未能有效处理这种信息共享带来的复杂性。
核心思路：提出信息接口审计，区分模型中的精度差距和可用性差距，通过固定权重干预来测量模型的预测误差和输入依赖性，从而优化修复选择。
技术框架：整体架构包括信息接口审计模块、固定权重干预模块和性能评估模块。信息接口审计用于识别模型的精度和可用性差距，干预模块用于测量模型的输入依赖性和预测误差。
关键创新：最重要的创新在于引入信息接口审计的概念，能够有效区分不同类型的模型误差，并根据信息路径优化修复选择，这与现有方法的单一修复策略有本质区别。
关键设计：在实验中，采用固定权重干预来评估模型的预测误差，设计了特定的损失函数以量化输入依赖性，并通过模拟实验验证了不同校准误差对模型性能的影响。实验中还考虑了风重建对控制收益的影响。
🖼️ 关键图片
📊 实验亮点
实验结果显示，耦合的质量/推力校准误差将物理锚定模型的成功率从69%降至8%，而通过不确定性训练，成功率恢复至65%。风重建虽然恢复了控制收益，但也引入了校准依赖性，显示出不同修复策略的优劣。
🎯 应用场景
该研究的潜在应用领域包括无人机控制、机器人导航和自动驾驶等领域，能够为这些系统在面对共享故障信息时提供更为可靠的修复策略，提升系统的鲁棒性和可靠性。未来，该方法可能推动更复杂系统的故障诊断与修复技术的发展。
📄 摘要（原文）
A repair favored under an isolated input fault can be inferior when deployed modules share the faulty information. We introduce an information-interface audit for world models, distinguishing fidelity gaps, where exact inputs become estimates, from availability gaps, where inputs are missing. Fixed-weight interventions measure prediction error, input dependence, and paired closed-loop benefit, including dependencies introduced by reconstruction. In simulated quadrotor model predictive control, coupled, opposite-sign 10% mass/thrust calibration errors reduce a physics-anchored model's success from 69% to 8%; uncertainty training restores 65%. Wind reconstruction recovers control benefit but inherits calibration dependence. For a positive calibration offset, reconstruction-only corruption favors uncertainty-trained reconstruction, whereas shared corruption favors the baseline. Acceleration diagnostics reveal compensation between reconstruction bias and nominal-model error, also observed with a disturbance observer. Repair selection therefore depends on the information paths used in deployment.