visual-navigation

DroneWAM是一种用于无人机视觉导航的高效世界行动模型，采用基于JEPA的架构直接在表示空间中建模未来状态，从而降低计算成本。它引入了自适应展开以有效分配预测深度，并在模拟的DroneNav-6D数据集上实现了最佳轨迹精度。

本文提出了一种用于机器人导航的潜空间世界模型(LWM)，该模型预测基于动作条件的潜特征兼容性，使得能够从无标签视频数据中学习策略，并通过无需额外环境交互的强化学习来提升性能，优于现有方法。

本文介绍了强化规划，一种利用潜世界模型学习改进多步骤规划的方法，在视觉导航和机器人操作等任务中取得了近乎完美的成功率，并且效率显著高于手工设计的算法。

UniNav是一个统一的世界-动作扩散模型，用于图像目标视觉导航。它在单个扩散过程中联合预测未来的视觉观察和航点轨迹，以高效推理实现了强大的基准测试结果。

Apple Research 推出了 Weblica，这是一个利用 HTTP 缓存和基于大语言模型（LLM）的合成技术，为视觉 Web 智能体创建可扩展且可复现训练环境的框架。