变分能量塑形用于规划网络

结构骨架

源论文将规划结构直接构建到网络中，而不是将动作值视为无约束的预测。

物理概念/数学对象

可复用性概念是在约束下的变分选择：一个有效的方案并非任何低分状态，而是最小化正确目标同时尊重动力学约束的状态。

人工智能目标问题

目标神经规划器、世界模型或控制策略，它们会反复更新内部价值估计，并在长时序的模拟中倾向于发生漂移。

变量/运算符/目标映射

• Energy/action functional -> 规划目标（在轨迹或局部价值更新上）
• Feasible state manifold -> 模型动力学下的可达规划
• Stable minimizer -> 具有改进控制一致性的rollout策略

为什么这可能奏效

一种变分视角可以将启发式规划层转化为结构化的优化目标。这使得更容易推断哪些更新能够保持可行性，哪些更新仅仅是表面上降低了损失。

为什么会失败

能量可能无法以有益的方式对应于任务奖励。规划器在满足设计的能量的同时，仍然可能利用模型误差或缺失的远距离约束。

最小可证伪实验

实现一个规划模块，该模块包含一个显式的能量塑形惩罚项，用于衡量与可行展开结构（feasible rollout structure）的偏差。在长时域导航或策略任务中，将其与未采用该惩罚项的相同规划器进行比较。如果约束感知能量塑形（constraint-aware energy shaping）未能提高展开稳定性或价值一致性，则拒绝该简报。