环境变化下基于视觉的四旋翼导航的世界模型泛化研究

arXiv 2026 59.3 method, application

TLDR

研究DreamerV3世界模型在视觉四旋翼导航中对环境变化的鲁棒性，含真实部署与开环想象。

评分理由

The paper provides a systematic evaluation of world model generalization under environmental variability, using both simulation and real-world quadrotor experiments, which is a strength. However, it is limited to a single model architecture (DreamerV3) and a specific task (quadrotor navigation), potentially reducing generalizability.

Read-first 评分解释

综合优先阅读分 59.3，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 50。

近期性 6%

100

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：2026

引用影响力 18%

83.6

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.83586785

主题相关性 29%

71.4

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

方法质量 18%

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：评估、结果、验证

可复现性 18%

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

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

基础论文前沿论文桥接论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：399。

关键词评分

world model

generative world model

model-based reinforcement learning world model

world dynamics prediction

world simulator

video world model

interactive world model

深度分析

创新点

系统研究世界模型对环境变化的鲁棒性，以视觉四旋翼导航为测试平台
跨环境验证涵盖自监督学习（SSL）预训练和强化学习（RL）微调
真实世界部署，包括开环场景：模型仅接收2.5秒传感器输入后完全依靠想象导航
识别离散潜在大小和训练序列长度为影响世界模型质量的主导因素

方法

本研究使用基于DreamerV3的世界模型，在不同环境随机性水平下进行训练。通过跨环境验证评估SSL预训练和RL微调，然后在真实四旋翼平台上部署于未见环境，包括开环测试：模型接收2.5秒真实传感器输入后，完全依靠想象导航12米。

关键结果

世界模型在SSL预训练期间的鲁棒性是模拟到真实迁移的强预测指标：所有在跨环境SSL验证中泛化良好的模型均成功部署到真实世界（通过窄至0.67米的间隙），而在仿真策略评估中占优的模型在真实平台上失败。离散潜在大小和训练序列长度被确定为影响世界模型质量的主导因素。

资源

论文