# AGWM: Affordance-Grounded World Models for Environments with Compositional Prerequisites

### 저자

Qinshi Zhang (University of California, San Diego), Weipeng Deng (University of Hong Kong), Zhihan Jiang (Columbia University), Jiaming Qu (Amazon), Qianren Li (City University of Hong Kong), Weitao Xu (City University of Hong Kong), Ray LC (City University of Hong Kong)

### 💡 개요

기존 모델 기반 학습 방식은 월드 모델이 고정된 전이 함수를 학습하는 데 집중하여 행동의 선행 조건(prerequisites)을 무시하는 경향이 있습니다. 본 논문은 동적으로 변화하는 행동의 실행 가능성을 추적하기 위해 선행 조건 의존성의 DAG(Directed Acyclic Graph)로 표현되는 추상적 어포던스 구조(affordance structure)를 학습하는 AGWM(Affordance-Grounded World Model)을 제안합니다. AGWM은 여러 단계에 걸친 예측 오류를 줄이고 새로운 환경 구성에 대한 일반화 성능 및 해석 가능성을 향상시킵니다.

### 🔑 시사점 및 한계

- 행동의 선행 조건 변화를 명시적으로 모델링함으로써 다단계 예측의 정확성을 크게 향상시킬 수 있습니다.

- 동적으로 변화하는 환경에서 에이전트의 행동 선택 및 계획 능력을 강화할 수 있습니다.

- AGWM이 학습하는 어포던스 구조의 복잡성 및 실제 로봇 환경으로의 확장 가능성에 대한 추가적인 연구가 필요합니다.

---

[PDF 보기](https://arxiv.org/pdf/2605.06841)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).