AstraNav-World: 用于前瞻控制与一致性的世界模型

arXiv 25.12 2025 66.3 method

TLDR

AstraNav-World是一个端到端世界模型，融合扩散视频生成与视觉语言策略，实现具身导航精度提升和零样本真实世界适应。

评分理由

The paper presents a novel unified framework that tightly couples visual prediction and action planning, with strong empirical results on benchmarks and real-world tests. However, the abstract lacks details on baseline comparisons and limitations, and the term 'world model' is used broadly without clear differentiation from prior work.

Read-first 评分解释

综合优先阅读分 66.3，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 53。

近期性 8%

86.7

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2025

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：消融、基准、实验、结果

主题相关性 42%

75.7

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：157。

关键词评分

world model

generative world model

video world model

interactive world model

world dynamics prediction

world simulator

model-based reinforcement learning world model

深度分析

创新点

在统一概率框架内联合推理未来视觉状态和动作序列
将基于扩散的视频生成器与视觉语言策略集成以实现同步展开
双向约束：动作条件化的多步视觉预测和基于预测视觉的轨迹推导
紧密的视觉-动作耦合和统一训练以减轻解耦流程中的累积误差

方法

AstraNav-World是一个端到端世界模型，集成了基于扩散的视频生成器与视觉语言策略。训练优化两个互补目标：生成动作条件化的多步视觉预测，以及基于这些预测视觉推导轨迹，从而实现预测场景和规划动作同时更新的同步展开。

关键结果

在多种具身导航基准上的实验表明，轨迹精度提高，成功率更高。真实世界测试展示了卓越的零样本能力，无需任何微调，表明其具有可迁移的空间理解和与规划相关的导航动态。

资源

论文