EMPIRIC: Experiment-Driven Learning of Residual World Models for Robot Planning
作者: Yichao Liang, Amber Li, Dat Nguyen, Emily Bunnapradist, Michelangelo Naim, Sreela Kodali, Matteo Merler, Bowen Li, Kiran Gopinathan, Yiyun Liu, Nikhil Pimpalkhare, Joshua B. Tenenbaum, Adrian Weller, Zenna Tavares, Tom Silver, Kevin Ellis
分类: cs.RO, cs.AI, cs.LG
发布日期: 2026-09-28
备注: The last two authors contributed equally as co-advisors. Website and code: https://yichao-liang.github.io/empiric
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
提出EMPIRIC以解决机器人规划中的未知机制学习问题
🎯 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: 机器人规划 物理引擎 贝叶斯推断 残余世界模型 智能体学习
📋 核心要点
- 现有的物理引擎在处理复杂物理现象时存在局限，无法涵盖所有机制，导致机器人规划能力受限。
- EMPIRIC通过学习残余世界模型，扩展物理引擎以包括缺失的物理机制，从而提升机器人对环境的理解和规划能力。
- 在五个模拟领域中，EMPIRIC展示了更高的任务解决能力，且与环境的交互次数显著低于三种基线方法。
📝 摘要（中文）
机器人应能够通过实验学习不熟悉物体的行为和相互作用，然后利用这些知识进行规划。现有的物理引擎虽然提供了运动和接触的知识，但可能遗漏某些机制，例如胶水固化、水加热或风的影响。本文提出EMPIRIC，一个学习残余世界模型的智能体，该模型是一个扩展的物理引擎，包含缺失机制的代码。通过贝叶斯推断，模型能够从噪声观察中估计参数和状态。实验结果表明，EMPIRIC在五个模拟领域中学习到可解释、可重用的模型，并且在与环境交互次数更少的情况下解决了更多任务。在物理机器人上，它学习了风力和多米诺骨牌的质量以完成操作任务。
🔬 方法详解
问题定义：本文旨在解决机器人在规划过程中对未知物理机制的学习问题。现有方法依赖于物理引擎，但常常忽略某些重要的物理现象，导致机器人无法有效进行任务规划。
核心思路：EMPIRIC的核心思路是通过学习残余世界模型，结合物理引擎与缺失机制的代码，增强机器人对环境的理解能力。这种设计允许机器人在已有知识的基础上，灵活地适应新的物理现象。
技术框架：EMPIRIC的整体架构包括三个主要模块：物理引擎模块、学习模块和推断模块。物理引擎提供基础的运动和接触知识，学习模块负责从实验中学习缺失的机制，推断模块则利用贝叶斯推断来估计模型参数和状态。
关键创新：EMPIRIC的主要创新在于其能够学习并整合缺失的物理机制，从而形成一个更全面的世界模型。这与传统物理引擎的静态特性形成鲜明对比，使得机器人能够在动态环境中进行更有效的规划。
关键设计：在设计上，EMPIRIC采用了贝叶斯推断方法来处理噪声观察，确保模型的鲁棒性。此外，模型的参数设置和损失函数经过精心设计，以优化学习过程和提高预测准确性。
🖼️ 关键图片
📊 实验亮点
在实验中，EMPIRIC在五个模拟领域中表现优异，解决了比三种基线方法更多的任务，且与环境的交互次数减少了显著比例。这表明EMPIRIC在学习和适应未知物理机制方面具有显著优势。
🎯 应用场景
该研究具有广泛的应用潜力，特别是在机器人操作、自动化制造和智能家居等领域。通过提升机器人对复杂环境的理解能力，EMPIRIC可以在多种任务中实现更高的效率和准确性，推动智能机器人技术的发展。
📄 摘要（原文）
A robot should be able to learn through experiments how unfamiliar objects behave and interact, then plan with that knowledge. It need not start from scratch: physics engines supply knowledge of motion and contact, but can omit entire mechanisms, such as glue curing, water heating, or wind. We present EMPIRIC, an agent that learns a residual world model: a physics engine extended with code for the missing mechanisms. The learned programs can introduce new forces, constraints, and hidden state, and Bayesian inference estimates their parameters and states from noisy observations. The resulting model lets the agent predict the outcomes of actions, choose informative experiments, and revise its hypotheses when predictions fail. Across five simulated domains, EMPIRIC learns interpretable, reusable models, and solves more tasks with fewer environment interactions than all three baselines. On a physical robot, it learns wind forces and domino masses to solve a manipulation task. Website and code: https://yichao-liang.github.io/empiric