Valerant：基于动作条件世界模型探索的自动可导航游戏地图生成器
arXiv cs.AI · · 发布于 2026-09-11 · 3 分钟阅读
该论文提出 Valerant，一个无需训练的框架，可将预训练的动作条件世界模型转化为世界动作模型，用于探索并构建 3D 游戏地图。现有面向游戏的方法多把动作条件世界模型与外部策略和奖励函数结合，但主要在 2D 视觉观测空间运行，未建立持久的三维几何。与自动驾驶和机器人不同，游戏缺少独立于模型存在的外部物理环境，虚拟世界必须自行实例化；可玩的游戏通常需要持久且可导航的空间，3D 游戏还要求支持移动与交互的显式几何，而动作条件视频推演只提供视觉观测，并不提供这种空间表示。Valerant 将预测性视觉推演与基于 SLAM 的空间重建、探索驱动的动作选择相结合，逐步把单张图像转化为持久的 3D 游戏地图，把基于世界动作模型的交互扩展到 2D 视觉模拟之外，并为减少 3D 游戏地图制作中的人工投入提供新思路。
当前来源仅提供摘要，以下要点基于摘要生成；可通过官方原文查看完整信息。研究背景
世界动作模型（WAM）把预测性世界建模与动作生成结合起来，让智能体用预期未来状态指导自身行为；这类模型在具身智能领域进展迅速。
游戏领域的空白
面向游戏的通用 WAM 对应方案仍少有探索；现有游戏相关方法多把动作条件世界模型与外部策略、奖励函数组合起来，实现类似 WAM 的决策。
现有方法局限
既有游戏方法主要在 2D 视觉观测空间中运作，不会实例化持久的 3D 几何结构。
3D 游戏的核心挑战
在自动驾驶与机器人中，物理环境独立于模型存在，为动作执行提供持久 3D 世界；游戏没有这种外部基底，虚拟世界必须被实例化。
空间表示需求
多数可玩游戏需要持久且可导航的空间，3D 游戏还要求支持移动与交互的显式几何；动作条件视频回放只给出视觉观测，并不提供这种空间表示。
方法框架
Valerant 是免训练框架，把预训练的动作条件世界模型变成 WAM，并结合预测性视觉回放、基于 SLAM 的空间重建与探索驱动的动作选择。
输出结果
该框架把单张图像逐步转化为持久、可导航的 3D 游戏地图。
研究意义
该工作把 WAM 交互扩展到 2D 视觉模拟之外，并为减少 3D 游戏地图制作的人工投入提供了新思路。