告别目标依赖：JEPA 框架实现偏微分方程的无目标预测控制
导读
在控制偏微分方程（PDE）时，传统方法通常需要一个明确的目标（如跟踪特定轨迹或达到某个状态），并在训练中反复调整模型。但一篇来自 arXiv 的新论文提出了一种**目标无关（goal-agnostic）**的方法，让世界模型在无奖励、无下游目标的情况下离线学习，之后冻结模型，再通过规划器灵活适配不同控制任务。这一思路有望降低对标注数据的依赖，提升模型的复用性。
核心方法：联合嵌入预测架构（JEPA）
研究团队构建了一个基于联合嵌入预测架构（JEPA）的控制框架。核心是一个小型 2D ViT 编码器和一个动作条件化的潜在动力学模型。训练阶段完全离线，不涉及任何奖励函数或下游控制目标，仅通过预测潜在空间的未来状态来学习 PDE 的演化规律。训练完成后，模型被冻结，不再更新。
在控制阶段，团队使用**模型预测路径积分（MPPI）**控制器，在冻结的潜在动力学模型上进行规划。关键发现是：控制目标最好应用于显式的物理可观测量（如动能），而不是直接在潜在空间最小化欧氏距离（L2）。只要可观测量满足唯一延拓（injectivity）性质，就能更准确地引导系统到达目标状态。
实验验证：Navier-Stokes 基准测试
在 PDE Control Gym 的 2D Navier-Stokes 基准上，团队对比了两种规划策略：
- 潜在 L2 规划：直接在潜在空间最小化预测与目标的 L2 距离。
- 动能探针（KE-probe）规划：通过学习一个线性探针从潜在状态中解码出动能（kinetic energy），然后以动能为优化目标。
结果如下：
- 本机奖励（native reward）：KE 规划在 50 个 episode 上的平均奖励为 -10.90±0.91，优于潜在 L2 规划的 -12.08±0.86（95% 置信区间）。
- 速度场 RMSE：最后四分之一时间步的 RMSE 从 0.0765 降至 0.0692。
泛化能力：应对未见过目标
为了测试泛化性，研究者设计了三个刻意不同、非周期性的目标，这些目标在训练中从未出现过。冻结的模型配合 KE 探针规划，在 30 个配对 episode 中全部获胜，最终场 RMSE 降低了 53%（0.0220 vs 0.0469）。
此外，同一冻结模型还能通过直接调节动能来实现稳定控制：围绕稳态配置进行调节，达到 2.7% 的平均相对误差。
局限与展望
论文也指出，潜在探针（KE 探针）对测量噪声和缺失像素较为敏感。尽管如此，研究者认为结果支持一个观点：潜在动力学可以保持动态且目标无关，而经过标定的可观测量（只要保证唯一延拓）可能是状态控制的更好目标。
小结
这项研究展示了目标无关的联合嵌入预测控制在 PDE 上的可行性。通过离线训练一个冻结的世界模型，再配合合适的物理探针，模型能够灵活适应多种控制任务，包括轨迹跟踪和稳定控制。对于机器人、流体控制等连续物理系统的控制问题，这种范式或许能提供更高效、更通用的解决方案。