arXiv cs.AI· Ke Gui, Chenghao Shi, Ziyue Wang, Longwen Chen, Xieyuanli Chen, Huimin Lu·· 3 天前AI 评分31
G²WAM：面向高效几何锚定图像目标导航的世界动作模型
G$^2$WAM: World Action Models for Efficient and Geometry Grounded Image-Goal Navigation
AI 导读
研究者提出几何锚定世界动作模型 G²WAM，用于图像目标导航。它通过学习式场景坐标定位模块将当前、目标与历史帧锚定到统一参考系，无需显式 3D 重建，并完全在潜空间中联合预测未来状态与动作，省去 CEM 式规划。在四个轨迹预测基准上，平均 ATE 与 RPE 分别降低 40.1% 和 35.2%；闭环导航成功率从 54.0% 提升至 63.0%，SPL 从 36.4% 提升至 59.2%。
正文 · AI 翻译
摘要：世界模型能够捕捉环境动态，并支持用于规划的反事实推理。在图像目标导航中，目标往往位于当前视野之外，智能体不仅需要对环境动态建模，还必须维持对场景的持续空间记忆。现有方法要么通过在目标任务上微调预训练模型来引入空间上下文，这未能充分利用其空间先验；要么依赖外部 3D 重建，而这在实际部署中计算成本高昂。在本文中，我们提出了用于图像目标导航的几何基础世界动作模型（G$^2$WAM）。G$^2$WAM 通过一个学习到的场景坐标定位模块来编码空间线索，该模块将当前帧、目标帧和历史帧锚定在一个共同的参考坐标系中，从而产生稳定且一致的空间上下文，使得无需显式 3D 重建即可实现高效导航。遵循世界动作模型范式，G$^2$WAM 联合预测未来状态和动作，无需昂贵的交叉熵方法（CEM）式规划。此外，G$^2$WAM 完全在潜在空间中运行，避免了像素级重建的计算负担，并大幅降低了推理成本。在四个轨迹预测基准上，G$^2$WAM 将平均 ATE 和 RPE 分别降低了 40.1% 和 35.2%。在闭环导航实验中，它将成功率从 54.0% 提升至 63.0%，将路径长度加权成功率（SPL）从 36.4% 提升至 59.2%，同时保持高效率。
| 评论： | 20 页，包括参考文献和附录 |
| 主题： | 人工智能（cs.AI）；机器人学（cs.RO） |
| 引用为： | arXiv:2610.16558 [cs.AI] |
| （或 arXiv:2610.16558v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.16558 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Ke Gui [查看邮箱]
[v1]
2026 年 10 月 12 日星期一 10:36:40 UTC（953 KB）
来源：arXiv cs.AI · arxiv.org