#基于模型的强化学习 (1)

分块式基于模型的策略优化

CMPO 将策略与世界模型的时间粒度统一为动作块和潜状态块，使多步想象轨迹只需一次前向计算即可完成，同时保留可微价值展开与闭环控制。方法在 HumanoidBench 的 19 个高维人形任务上验证训练效率和梯度稳定性，并在 Unitree Go2 双足站立任务上完成仿真到实机部署。