潜在空间自回归世界模型用于高效鲁棒的图像目标导航

arXiv 25.11 2025 59.2 method, application

TLDR

基于DINOv3的潜在空间自回归世界模型，实现高效鲁棒图像目标导航，经基准和真实人形机器人验证。

评分理由

The paper presents a novel approach that avoids pixel-level reconstruction by operating in a semantic latent space, achieving state-of-the-art results and real-world deployment. However, the abstract lacks detailed discussion of limitations or comparisons to other latent-space methods.

Read-first 评分解释

综合优先阅读分 59.2，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 42。

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：基线、基准、实验

主题相关性 42%

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：代码

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：205。

关键词评分

world model

world dynamics prediction

interactive world model

model-based reinforcement learning world model

generative world model

world simulator

video world model

深度分析

创新点

完全在潜在空间中进行世界模型预测和规划，绕过像素级重建
使用DINOv3作为预训练表示编码器，并采用专门机制整合动作信号和历史上下文
自回归世界模型，根据动作和历史预测未来潜在状态
在Unitree G1人形机器人上的实际部署，展示了高效性和鲁棒性

方法

所提出的ReL-NWM利用预训练的DINOv3编码器生成高层次语义潜在表示。然后，一个自回归世界模型根据动作信号和历史上下文预测未来潜在状态，整个过程在潜在域内进行，避免了显式的像素级重建。该模型在多个基准上针对轨迹预测和图像目标导航进行训练和评估，并与基线方法进行比较。

关键结果

该方法在多个基准上实现了最先进的轨迹预测和图像目标导航性能。在Unitree G1人形机器人上的实际部署证实了其在真实导航场景中的高效性和鲁棒性。

资源

论文