摘要
图像目标视觉导航是具身智能体的基础能力。现有策略缺乏视觉预见性,而世界模型规划成本高。本文提出UniNav,一种统一的世界-动作模型,通过单一扩散过程联合生成未来视觉观测和连续航点轨迹。该模型在单个Transformer中联合去噪视觉和航点令牌,并引入几何感知相机令牌以增强空间定位。实验表明,UniNav在ATE指标上优于最强基线,且UniNav-Fast变体实现0.1秒低延迟推理。
AI 推荐理由
论文核心解决视觉导航中的轨迹预测与动作生成问题,属于典型的任务规划与多步计划生成研究。
研究机构
香港科技大学(广州)
中国香港深圳大学
论文信息