WNM-3D：带3D场景条件的世界导航模型

WNM-3D 用3D场景条件提升连续VLN的世界-动作生成

资讯摘要

论文提出 WNM-3D，一种面向连续视觉语言导航（VLN）的生成式世界导航模型。它用冻结的前馈几何编码器从单目 RGB 历史中提取跨视角表示，再经可训练的 3D Scene-to-Token Adapter 转为定长场景前缀，通过块因果注意力在联合去噪中持续提供几何上下文。作者报告其在 GN-Bench 与 VLN-CE 上优于同骨干的 WNM-2D 及强 VLN 基线，并完成实体机器人闭环部署。

要点速读

1. 方法：冻结几何编码器加可训练 3D Scene-to-Token Adapter，生成固定长度场景前缀供世界-动作 Diffusion Transformer 使用。
2. 训练：监督式世界-动作学习、DAgger 式策略访问状态适配，以及 Counterfactual DanceGRPO 精炼。
3. 结果：作者报告在 GN-Bench 和 VLN-CE 上优于骨干匹配的 WNM-2D，并在实体机器人上完成闭环部署。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。