arXiv · 机器人与计算机视觉· Zuyao Lin, Jianhui Zhang, Peidong Jia, Xiaoguang Zhao, Shanghang Zhang, Jingdong Wang, Xingyu Chen·· 2026-10-09AI 评分49
World-Ego Model 实现长视界导航操作任务的具身视频生成
World-Ego Modeling for Embodied Video Generation in Long-Horizon Navigation-Manipulation Tasks
AI 导读
World-Ego Model(WEM)通过解耦场景演化与机器人行为,在 HTEWorld 基准上实现了长视界导航 - 操作任务的最优性能。该模型结合角色条件注意力视觉语言状态预测器与非对称查询预算的语义路由混合专家扩散生成器,有效兼顾了场景一致性与指令遵循精度。研究构建了包含 12.5 万视频片段(超 450 万帧)及 300 条多轮评估轨迹的 HTEWorld 数据集以支持严格评测。
来源:arXiv · 机器人与计算机视觉 · arxiv.org