Fujii 與 Murata 在 IEEE Robotics and Automation Letters 發表以深度主動推論控制真實機器人的研究。方法將世界模型、動作模型與抽象世界模型串接：以多時間尺度隱狀態表示環境動態，將動作序列壓縮為抽象動作，再以預期自由能選擇動作。作者在真實物件操作任務中評估，報告代理者可在不確定情境下切換目標導向與探索行動。這是重要的實體機器人示範，但其任務範圍與基準比較仍需進一步追蹤。
思與行
- 追查論文中的真實機器人任務、評估指標、基準與資料可用性。
- 比較同一團隊 2024 年的 contrastive deep active inference 工作，觀察方法如何演進。
參考
- Fujii, K. & Murata, S. (2026). Real-World Robot Control by Deep Active Inference With a Temporally Hierarchical World Model. IEEE Robotics and Automation Letters, 11(1), 890–897. Keio University repository · DOI
- 開源實作：GitHub repository
- 延伸：主動推論把狀態估計規劃與控制整合在生成模型中、工程應用需要與成熟基準公平比較、階層式生成模型連結不同時間尺度