RAE-NWM：密集视觉表示空间中的导航世界模型

arXiv 26.3 2026 53.8 method

TLDR

提出RAE-NWM，利用密集DINOv2特征和条件扩散Transformer提升结构稳定性与动作精度。

评分理由

Strengths include a novel dense representation approach motivated by linear dynamics probe and an effective architecture with decoupled diffusion head and time-driven gating. Weaknesses: the abstract does not specify real-world experiments, and the evaluation may be limited to simulated environments.

Read-first 评分解释

综合优先阅读分 53.8，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 56。

近期性 5%

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

方法质量 15%

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、数据集、评估、实验、指标

可复现性 15%

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：有；数据：无；命中信号：代码、数据集、GitHub

主题相关性 25%

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

引用影响力 15%

11.3

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：0.11285881

图谱声望 15%

5.7

基于可用 OpenAlex 引用关系构建局部引用图，并计算 PageRank 风格的图谱声望。局部 PageRank：0.0016

引用速度 10%

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

前沿论文方法锚点复现锚点

排序敏感性

稳定性：volatile；排名波动范围：897。

关键词评分

world model

world dynamics prediction

generative world model

interactive world model

video world model

model-based reinforcement learning world model

world simulator

深度分析

创新点

通过线性动力学探针发现密集DINOv2特征在动作条件转换中表现出更强的线性可预测性
提出基于表示自编码器的导航世界模型（RAE-NWM），在密集视觉表示空间中建模导航动力学
采用带有解耦扩散Transformer头（CDiT-DH）的条件扩散Transformer来建模连续转换
引入独立的时间驱动门控模块用于动力学条件化，以在生成过程中调节动作注入强度

方法

RAE-NWM使用表示自编码器将观测编码到密集视觉表示空间（DINOv2特征）。它采用带有解耦扩散Transformer头（CDiT-DH）的条件扩散Transformer来建模连续的动作条件状态转换，并引入时间驱动门控模块以控制生成过程中动作注入的强度。该模型在导航任务上进行了大量实验评估，但摘要中未详细说明具体数据集、基线和指标。

关键结果

在密集视觉表示空间中建模序列展开提高了结构稳定性和动作精度，有利于下游规划与导航任务。

资源

论文代码