深思熟虑之路：用于具身导航的空间感知世界动作模型

现有基于世界模型的视觉导航规划器通常采用以验证为中心的范式，将目标意图与轨迹合成解耦，导致候选依赖、计算开销大及动作与预测视觉不一致等问题。为此，本文提出 SWAM（空间感知世界动作模型），这是一种以任务为中心的联合观察 - 动作生成框架。给定起始和目标 RGB 观测，SWAM 通过单次推理同时生成中间 RGB-D 序列及对应动作轨迹，提升了目标一致性与空间可行性。实验表明，SWAM 在成功率、轨迹精度及推理效率上显著优于最先进的两阶段规划器，并展现出强大的零样本泛化能力。