导航世界模型

Navigation World Models (Meta)NWM进阶

Meta 2024 年底提出的导航用视频世界模型，按动作想象走过去会看到什么。

导航世界模型由 Meta FAIR 的 Amir Bar、Yann LeCun 等与纽约大学、伯克利合作提出，2024 年 12 月上 arXiv，获 CVPR 2025 最佳论文荣誉提名。它是一个可控的视频生成模型：给定过去的画面和一段导航动作（往哪走、转多少），预测接下来会看到的画面。模型是 10 亿参数的条件扩散 Transformer（CDiT），用人类和机器人的第一人称视频训练。有了它，机器人可以先在模型里模拟多条路线，挑能到达目标的那条；也能给 NoMaD 等现成策略采样的轨迹打分排序；还能只凭一张照片想象在陌生环境里行走。作者也指出，在陌生环境里生成久了，画面会逐渐偏向训练数据。