NavWM:用未来视觉想象做闭环导航决策

arXiv: 2606.24101 | 时间: 2026.06 | 路线: WAM · 导航世界模型 / 联合混合 ← WAM 总览 · Qwen-RobotNav

TL;DR

NavWM 把 WAM 从桌面 manipulation 扩到视觉导航。它不是只预测下一步 waypoint,而是让模型想象候选路径可能看到的未来视觉,再用这些 foresight 评估和选择路径。

这正中 WAM 的核心:动作不再只是反应式输出,而是要和“世界会怎样变化”一起考虑。

方法

NavWM 结合三件事:

• latent world reasoning:在潜空间里推理环境未来变化。
• multimodal action prediction:生成多个可能路径/动作候选,避免单一路径 mode collapse。
• controllable future visual generation:根据候选动作生成可控未来视觉,用于评估。

谱系位置

• 与 Qwen-RobotNav:Qwen-RobotNav 是 VLA 导航执行器;NavWM 是 WAM 式导航预演。
• 与 DreamZero:都体现“想象未来再动作”的范式,但 NavWM 面向导航而非操作。
• 与 WorldVLA:WorldVLA 统一世界和动作 token;NavWM 更强调多路径候选和视觉 foresight。

局限与待核

• 未来视觉生成的质量会直接影响路径选择。
• 导航场景的安全约束、动态障碍和长程地图记忆需要更多实证。
• ECCV 接收信息和最终版本细节需要以后续 camera-ready 为准。

来源

• arXiv:2606.24101.