Всемирное эго-моделирование для создания более здоровых видеозаписей в рамках долгосрочных задач навигации и управления

arXiv:2605.19957v2 Annualce Type: заменить резюме: Эстефизированные видео-моделей обычно отражают как эволюцию сцены, так и поведение робота, которые мы называем "emph {world} и emph {ego} соответственно. Мир и эго проявляют различную основную динамику: мировое прогнозирование основывается главным образом на визуальной истории и подчеркивает стабильность сцены, в то время как предсказание эго более сильно зависит от текущей инструкции и акцентирует точное указание следующего. Моделирование обоих компонентов в рамках потока одного поколения может запутать эти различные зависимости, что затрудняет специализацию прогнозирования любого из этих компонентов. В связи с этим становится трудно одновременно поддерживать последовательность и точность инструкций, особенно при выполнении долгого горожанских задач в области навигации-манипулирования. В этом документе мы предлагаем разложить воплощенное видео в мир и эго, а также расчленить процессы их поколения. Если говорить конкретно, то мы определим мир как бак