LiteNWM: Efficient Latent World Models for Onboard Visual Navigation in the Wild

📄 arXiv: 2610.12368v1 📥 PDF

作者: Linkai Liu, Yuntian Zhang, Zhenshan Bing, Chen Chen, Lingjuan Lyu, Shangguang Wang, Mengwei Xu, Dongqi Cai

分类: cs.RO

发布日期: 2026-10-08

备注: 12 pages, 11 figures, including appendix

💡 一句话要点

提出LiteNWM以解决视觉导航中的未来预测问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 视觉导航 生成式模型 机器人技术 未来预测 高效计算

📋 核心要点

  1. 现有的视觉导航方法在生成轨迹时未能有效评估未来的后果，导致导航性能受限。
  2. LiteNWM通过共享视觉编码和联合预测未来表示，显著提高了导航策略的效率和准确性。
  3. 在多项实验中，LiteNWM展示了显著的性能提升，尤其是在真实环境中的导航成功率大幅提高。

📝 摘要（中文）

直接的视觉导航策略能够高效生成轨迹，但未能明确评估其未来后果。生成式导航世界模型通过视觉展开提供这种前瞻性，但在评估多个候选者时成本较高。本文提出LiteNWM，一种潜在导航世界模型，通过在候选者之间共享视觉编码，并联合预测其在多个时间步的动作条件未来表示，同时使用学习的评分器选择轨迹。在RECON、SCAND和SACSoN的离线评估中，LiteNWM相较于NoMaD+NWM-XL减少了17.56%的宏观平均轨迹误差，并在RTX 5090上实现了128.00倍的端到端加速。在未见的室内外环境中的真实机器人实验中，LiteNWM将导航成功率从43.3%提升至83.3%。这些结果表明LiteNWM可以用于未来感知规划和物理机器人闭环导航。

🔬 方法详解

问题定义：本文旨在解决现有视觉导航策略在生成轨迹时缺乏未来后果评估的问题。现有生成式导航世界模型在评估多个候选轨迹时成本较高，影响了导航效率。

核心思路：LiteNWM的核心思想是通过在候选者之间共享视觉编码，联合预测其未来状态，从而降低计算成本并提高决策质量。这样的设计使得模型能够在多个时间步内有效评估不同轨迹的潜在结果。

技术框架：LiteNWM的整体架构包括视觉编码模块、未来状态预测模块和评分器。视觉编码模块负责提取输入图像的特征，未来状态预测模块基于当前状态和动作条件生成未来表示，评分器则根据这些预测选择最佳轨迹。

关键创新：LiteNWM的主要创新在于其共享视觉编码机制和联合预测能力，这与传统方法的逐个评估方式形成鲜明对比，显著提高了计算效率和导航精度。

关键设计：在模型设计中，LiteNWM采用了特定的损失函数来优化未来状态的预测精度，并通过多层神经网络结构增强了特征提取能力。具体的参数设置和网络结构设计在实验中经过调优，以确保最佳性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

LiteNWM在RECON、SCAND和SACSoN数据集上相较于NoMaD+NWM-XL减少了17.56%的宏观平均轨迹误差，并在RTX 5090上实现了128.00倍的端到端加速。在真实机器人实验中，导航成功率从43.3%提升至83.3%，显示出显著的性能提升。

🎯 应用场景

LiteNWM的研究成果在自主机器人导航、无人驾驶汽车以及智能家居等领域具有广泛的应用潜力。通过提高导航的准确性和效率，该技术能够在复杂环境中实现更安全和可靠的自动化操作，推动智能机器人技术的发展。

📄 摘要（原文）

Direct visual navigation policies generate trajectories efficiently but do not explicitly evaluate their future consequences. Generative navigation world models provide this foresight through visual rollouts, which are costly when evaluating multiple candidates. We present LiteNWM, a latent navigation world model that shares visual encoding across candidates and jointly predicts their action-conditioned future representations at multiple horizons, while a learned scorer uses these predictions to select trajectories. In offline evaluations on RECON, SCAND, and SACSoN, LiteNWM reduces macro-averaged trajectory error by 17.56% relative to NoMaD+NWM-XL and achieves a 128.00-fold end-to-end speedup on an RTX 5090. The same evaluator transfers from NoMaD to MBRA without proposer-specific retraining, reducing MBRA's macro-averaged trajectory error by 16.2%. In real-robot experiments in unseen indoor and outdoor environments, LiteNWM improves navigation success from 43.3% to 83.3% relative to NoMaD. These results demonstrate that LiteNWM can be deployed for future-aware planning and closed-loop navigation on a physical robot.