论文地址项目地址Abstract导航是具有视觉运动能力的智能体的基本技能。我们介绍了导航世界模型（NWM），一个可控的视频生成模型，预测未来的视觉观察的基础上，过去的观察和导航行动。为了捕捉复杂的环境动态，NWM采用了条件扩散Transformer（CDiT），在人类和机器人代理的各种自我中