Uncertainty-Aware World Model for Aerial Image-Goal Navigation
Deyi Zhu, Haoyu Fan, Yinan Zhu, Weichen Zhang, Shilin Ma, Xinlei Chen, Yansong Tang
cs.CV
2026-08-06
隐空间世界模型把预测与目标的差拆成不确定性可解释和不可解释两部分,只用后者打分,一次前向就够。AirSim 闭环 76%、每步 2.7 秒。
空中图像目标导航:无人机拿到一张目标位置的图,要飞到那个位置。世界模型类做法是给一批候选轨迹打分(预测各自未来状态,挑最像目标的执行)。问题是大场景户外环境里未来高度不确定,前方遮挡、长程漂移都会带来多个合理未来,单一或少量点预测不够;而能输出分布的随机世界模型又贵,要迭代采样。
UA-NWM 是一个隐空间世界模型,用冻结的 DINOv3 ViT-B/16 抽特征。它把轨迹打分重新表述成「条件 OOD 检测」:对一条候选轨迹的未来,先用一个「不确定性子空间 S」表示所有合理未来(围绕预测均值 µ),再把「预测与目标的差 e」拆成两部分,落在子空间内的(不确定性能解释的)和剩余残差(解释不了的)。只有残差用来打分:目标如果落在合理未来分布里,残差就小、得分高。这样一次前向就能给分,不需要多次采样未来。HEP(分层误差分解)在多尺度上做这个拆分,不确定性子空间的秩取 2 最好,再高会把真实轨迹误差也吸收进可解释部分、反而削弱打分,而最细的尺度贡献最大。
| 指标 | UA-NWM | RAE-NWM | NWM |
| 排序 ATE(32 候选) | 1.09 | 1.50 | 1.37 |
| 闭环成功率 | 76.0% | 70.0% | 63.0% |
| 每步耗时 | 2.70 秒 | 202.5 秒 | 191.7 秒 |
AirSim 闭环导航(100 个 episode):成功率 76.0%、SPL 64.5%、每步 2.70 秒。对比 RAE-NWM 70.0%/57.8%/202.5 秒、MWM 69.0%/56.0%/66.6 秒,策略类里最强的 NoMaD 是 56.0%。真实四旋翼无人机在 5 个任务上闭环部署成功。
「把打分变成 OOD 检测」这个视角转换是核心:不再纠结预测未来要准,而是判断目标是不是落在合理未来里。一次前向就给分,带来每步 2.7 秒对 67 到 202 秒的两个数量级延迟优势。对在线规划(每步都要 CEM 多轮采样候选)来说,这是能不能实时跑的区别。
评测主要在作者自己的 AirGoal-10k(AirSim 城市场景)上做,泛化到其他仿真器或真实环境的广度有限。成功判据是停在目标 20 米内,阈值偏宽松。规划仍然依赖 CEM(3 轮、每轮 32 个候选),2.7 秒一步对真机实时控制仍偏慢。需要目标图这个前提,是图像目标导航范式自带的约束。