arXiv cs.AI· X. Feng, J. Tang, Z. Lin, L. Chen, S. Shao, Q. Lu, K. Huang·· 14 小时前AI 评分38
EmbodiedWorld-200K：面向具身世界智能体的规划数据集与交互式世界模型
EmbodiedWorld-200K: Toward Embodied World Agents via Embodied-Planning Dataset and Interactive World Models
AI 导读
研究团队发布 EmbodiedWorld-200K，一个超 20 万样本的大规模具身导航规划数据集，覆盖多样场景并提供从相机运动轨迹到高层语义指令的多级标注及统一评测划分。
正文 · AI 翻译
摘要：构建能够在多样 3D 世界中感知、推理并行动的具身智能体，是迈向通用人工智能的核心研究方向。然而，现有工作大多局限于单一场景中的特定任务，难以迁移到新环境，开放世界场景下的通用具身智能体仍未被充分探索。我们将此类智能体称为具身世界智能体（Embodied World Agents, EWA），其核心特性是能够理解多样的视觉环境，并在开放世界条件下执行通用动作。为推进 EWA 研究，我们研究开放世界具身导航规划，并发布 EmbodiedWorld-200K，这是一个涵盖多样场景、包含超过 20 万样本的大规模数据集。每个样本都配备多层级标注，从底层相机运动轨迹到高层语义指令。该数据集还提供统一的评估划分和任务特定指标，支持 EWA 的离线预训练与公平评估。除离线监督外，EWA 的一个决定性特征是与环境的交互；因此仅靠离线数据训练并不充分，尤其是在泛化到训练分布未覆盖的场景时。然而，构建专用的真实交互环境往往成本高昂。为此，我们提出一种新的训练方案，采用视频世界模型作为低成本的环境代理，并在其中对 EWA 进行交互式强化学习（RL）后训练。实验表明，在 EmbodiedWorld-200K 上预训练可显著提升 EWA 的开放世界具身规划能力，而在世界模型内进一步进行 RL 后训练，则在分布外场景上取得明显收益。数据集、基线检查点以及训练和评估代码可在 此 https URL 获取。
| 评论： | 已被 NeurIPS 2026 接收~ |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.25959 [cs.AI] |
| （或 arXiv:2610.25959v2 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.25959 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Xiaokun Feng [查看邮箱]
[v1]
2026 年 10 月 19 日星期一 07:52:01 UTC（15,726 KB）
[v2]
2026 年 10 月 25 日星期日 05:54:47 UTC（15,726 KB）
来源：arXiv cs.AI · arxiv.org