WorldRover：用于世界探索的可扩展合成视频数据引擎，具有丰富标注

arXiv 2026 41 benchmark, system

TLDR

WorldRover是基于Unreal Engine的合成视频数据引擎，生成带丰富标注的长距离探索视频，用于世界模型学习。

评分理由

The paper introduces a scalable synthetic data pipeline with dense, aligned annotations and multi-viewpoint rendering, which is a strong contribution. However, it is purely synthetic and the abstract does not report real-world validation or downstream model experiments.

Read-first 评分解释

综合优先阅读分 41，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 34。

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

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：数据集、实验、指标、结果

主题相关性 29%

48.6

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 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：数据集

引用影响力 18%

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。引用数：0

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

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：413。

关键词评分

world model

world simulator

video world model

interactive world model

generative world model

world dynamics prediction

model-based reinforcement learning world model

深度分析

创新点

一个可扩展的合成视频数据引擎（WorldRover-Engine），生成分钟级、长距离的艺术家构建环境探索，同时保留完整轨迹和场景几何。
该引擎可在不同环境状态（包括中性白色材质）下，从第一人称、第三人称和360度全景相机重放同一探索，实现可控的视角和外观变化。
WorldRover-10M数据集将RGB与度量深度、相机轨迹和轨迹导出的动作信号配对；第三人称子集还提供密集光流、带可见性的长距离2D/3D点轨迹，以及独立的角色轨迹。

方法

WorldRover-Engine是一个Unreal Engine管线，离线渲染分钟级路线，捕获完整的相机轨迹和场景几何。同一探索可从多个相机视角和环境状态重放。WorldRover-10M由这些渲染构建，提供丰富标注的视频序列。

关键结果

摘要中未报告实验结果；本文聚焦于数据引擎的设计和WorldRover-10M数据集的构建。

技术栈

Unreal Engine

资源

论文