思考之路：具身导航的空间感知世界行动模型

现有的基于世界模型的视觉导航规划器通常遵循以验证为中心的范例，将目标意图与轨迹合成分离。这种方法存在候选依赖性、大量计算开销以及采样动作和预测视觉效果之间不一致的问题。为了解决这些问题，我们提出了 SWAM（空间感知世界行动模型），这是一个以任务为中心的联合观察行动生成框架。给定起始和目标 RGB 观测值，SWAM 执行单通道推理以同时生成中间 RGB-D 序列和相应的动作轨迹，从而促进目标一致的轨迹生成并提高空间可行性。虽然 SWAM 在训练期间利用深度伪标签来内化空间先验，但它在推理时仅需要单目 RGB 输入。我们进一步引入了视觉引导动作细化模块和轨迹尺度正则化损失，以强制运动和视觉线索之间的细粒度对齐，同时稳定不同距离的预测。大量实验表明，SWAM 在成功率、轨迹精度和推理效率方面显着优于最先进的两阶段规划器，同时展示了对未见环境的强大的零样本泛化能力。