Valerant：通过动作条件世界模型探索生成可导航游戏地图

世界行动模型 (WAM) 将预测世界建模与行动生成结合起来，允许预期的未来状态指导智能体行为。尽管 WAM 正在迅速推进嵌入式人工智能的发展，但游戏中的通用对应物在很大程度上仍未得到探索。现有的面向游戏的方法通常将动作条件世界模型与外部策略和奖励函数相结合，以实现类似 WAM 的决策，但它们主要在 2D 视觉观察空间中运行，并且不会实例化持久的 3D 几何结构。将这种范例扩展到 3D 游戏会带来一个独特的挑战。在自动驾驶和机器人技术中，物理环境独立于模型而存在，提供了一个持久的 3D 世界，可以在其中执行选定的操作。游戏没有这样的外部基质；虚拟世界本身必须被实例化。大多数可玩游戏都需要持久且可导航的空间，而 3D 游戏还需要支持移动和交互的显式几何图形。动作条件视频推出提供视觉观察，但不提供空间表示。我们提出了 \textsc{Valerant}，这是一个免训练框架，可将预训练的动作条件世界模型转换为 WAM，用于探索和构建 3D 游戏地图。通过将预测视觉推出与基于 SLAM 的空间重建和探索驱动的动作选择相结合，\textsc{Valerant} 逐步将单个图像转换为持久的 3D 游戏地图。该框架将基于 WAM 的交互扩展到 2D 视觉模拟之外，并提供了一种减少 3D 游戏地图创建中的手动工作量的新方法。