VIGOR: Latent-Space-Konsistenz für robuste Zero-Shot-Visualisierung in MBRL
VIGOR ist ein Preprint-Framework für modellbasiertes Reinforcement Learning, das mit asymmetrischer Weak-to-Strong-Augmentierung, Dynamics-Level-Konsistenz und Encoder-Stabilisierung die Zero-Shot-Generalisierung unter visuellen Störungen verbessert. Auf DeepMind Control Suite übertrifft es die zweitbeste Baseline um 3,4 Prozent, auf Robosuite um 43,6 Prozent, bei erhaltener Sample-Effizienz des TD-MPC2-Backbones. Damit adressiert es eine strukturelle Schwäche latenter Weltmodelle, bei der Störungen über rekursive Rollouts kumulieren.