预测动力学能在物理世界中存在吗？
本文提出物理可接受性作为预测控制接口，通过在执行前评估预测动力学是否满足运动学、动力学和直接到组合水平条件，来验证物理可执行性。实验表明，完整门控在Hugging Face LeRobot PushT数据集上达到0.957的AUC，并有效阻止87-89%的无效提议。
预测性物理人工智能系统在近年来取得了显著进展，能够输出状态滚动、动作块和潜在计划等多种形式的预测结果。然而，一个根本性的问题始终存在：即使这些预测的均方根误差（RMSE）很低，也无法保证某个特定的提议在物理上是可执行的。针对这一挑战，来自以色列的研究人员Barak Or提出了一项创新性的解决方案，将物理可接受性概念引入作为预测系统与物理控制之间的关键接口。
该研究的核心思想是：在执行任何预测的提议之前，首先将解码后的提议视为候选动力学，然后通过一系列严格的物理条件对其进行评估。这些条件包括运动学约束（如几何可行性和关节限制）、动力学约束（如力和力矩平衡）以及直接到组合水平条件（即跨越多个时间步长的复合动作是否满足物理规律）。需要注意的是，通过这个门控并不等同于任务成功，但一旦被拒绝，系统就能明确指出违反了哪个特定的物理包络，并提供组件层面的具体原因。
为了验证这一方法的有效性，研究团队在Hugging Face LeRobot PushT数据集上进行了受控的伪造实验。实验结果表明，单步预测的RMSE和标准化的动力学残差的受试者工作特征曲线下面积（AUC）分别达到了0.982和0.972，而仅使用运动学条件的AUC仅为0.592。相比之下，完整的物理可接受性门控的AUC达到了0.957，并且具备条件级别的归因能力——即能够区分是运动学、动力学还是组合条件导致了拒绝。在基于回放干预的实验中，基于残差的滤波器和完整物理可接受性门控能够阻止87%至89%的无效提议，同时将平均任务进度保持在接近0.998的水平。
这篇题为“Can Predicted Dynamics Exist in the Physical World?”的论文于2026年5月23日提交至arXiv，全文共17页，作者Barak Or来自以色列。论文归属于机器人学（cs.RO）和人工智能（cs.AI）两个学科领域。这项研究不仅为预测动力学在真实世界中的可行性提供了重要的验证思路，也为未来开发更可靠的物理AI系统奠定了基础——通过将物理可接受性作为预测和控制之间的桥梁，有望显著提升机器人操作、自动驾驶等物理交互任务的安全性和可靠性。