WEM解耦世界与自我建模并建HTEWorld基准

2026年10月9日，arXiv cs.RO 刊出由 Zuyao Lin 等作者完成的研究，提出 World-Ego Model（WEM）并构建 HTEWorld 数据集与基准，面向长时程具身视频生成。该工作将具身视频拆分为“世界”（背景与未被操作物体）和“自我”（机器人与被操作物体）两部分，并解耦其生成过程。方法上，WEM 结合了使用角色条件注意力（RCA）与非对称查询预算的视觉-语言状态预测器，以及语义路由混合专家（SR-MoE）扩散生成器。据该报道，其目标场景为长时程导航-操作任务。目前进展为方法提出与数据集、基准构建，尚无后续跟进报道。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。