提出基于视觉语言模型的语义世界模型方法以优化机器人规划

研究提出将世界建模转化为视觉问答问题，通过监督微调训练视觉语言模型预测任务相关的语义信息，而非重建未来像素。该方法在模拟机器人任务中验证，相比传统的基于重建的动作风条件世界模型范式取得了性能提升。