Aether – 上海 AI Lab 開源的生成式世界模型

Aether：智能空間推理與決策的前沿模型

Aether 是由上海AI Lab開源的性生成式世界模型，完全依賴合成數據進行訓練。其創新之處在于將三維時空建模與生成式建模深度融合，展現出強大的4D動態重建、動作條件視頻預測和目標導向視覺規劃三大核心功能。Aether能夠感知周圍環境，理解物體的位置與關系，從而進行智能決策。在真實世界中，Aether以其卓越的零樣本泛化能力，憑借虛擬數據訓練高效完成復雜任務，為具身智能系統提供強大的空間推理和決策支持。

Aether是什么

Aether 是一個先進的生成式世界模型，致力于將三維時空建模與生成式建模實現深度整合。通過合成數據的訓練，Aether不僅能夠感知環境，還能對物體的位置和關系進行深入理解，從而做出智能決策。這一模型在真實環境中展現出強大的零樣本泛化能力，使其能夠在沒有真實數據的情況下，憑借虛擬數據高效解決復雜任務，為具身智能系統提供了強有力的空間推理和決策支持。

Aether的主要功能

• 4D動態重建：能夠從視頻中重建包含時間和空間信息的三維場景模型，捕捉動態變化。
• 動作條件視頻預測：依據初始觀察和動作軌跡，預測未來場景的變化。
• 目標導向視覺規劃：根據起始和目標場景生成合理路徑，輔助智能系統規劃行動路線。

Aether的技術原理

• 統一多任務框架：將動態重建、視頻預測和動作規劃三項任務聯合在一個框架中進行優化，借助任務間的特征學習，實現不同任務之間的協同優化，增強模型的穩定性和魯棒性。
• 幾何感知建模：通過引入三維時空建模，構建幾何空間，提升模型的空間推理能力。利用大量仿真RGBD數據（彩像和深度圖），開發出完整的數據清洗與動態重建流程，并標注豐富的動作序列。
• 相機軌跡作為動作表征：選擇相機軌跡作為全局動作的表示。在導航任務中，相機軌跡直接對應導航路徑；在機器人操作中，手柄相機的則能捕捉末端執行器的6D。
• 擴散模型與多模態融合：基于預訓練的視頻擴散模型，利用合成4D數據進行后訓練。將深度視頻轉換為尺度不變的歸一化視差表示，將相機軌跡編碼為與擴散變換器（DiTs）時空框架對齊的尺度不變射線圖序列。通過動態整合跨任務和跨模態的條件信號，Aether實現多模態信息的融合與協同優化。
• 零樣本泛化能力：完全依賴虛擬數據進行訓練，成功實現對真實世界的零樣本泛化。通過組合不同的條件輸入（如觀察幀、目標幀和動作軌跡），結合擴散過程，Aether能夠實現對多種任務的統一建模與生成，展現出在沒有真實世界數據的情況下，遷移到真實場景中的卓越表現。

Aether的項目地址

• 項目官網：https://aether-world.github.io/
• GitHub倉庫：https://github.com/OpenRobotLab/Aether
• HuggingFace模型庫：https://huggingface.co/AetherWorldModel/AetherV1
• arXiv技術論文：https://arxiv.org/pdf/2503.18945
• 在線體驗Demo：https://huggingface.co/spaces/AmberHeart/AetherV1

Aether的應用場景

• 機器人導航：協助機器人規劃路徑，避開動態障礙物。
• 自動駕駛：實時重建道路場景，預測交通動態。
• 虛擬現實：生成沉浸式虛擬場景，提升用戶體驗。
• 工業機器人：優化機器人操作路徑，提高生產效率。
• 智能監控：分析監控視頻，預測異常行為。

常見問題

• Aether的訓練數據來源是什么？ Aether完全基于合成數據進行訓練，這使得它具備強大的零樣本泛化能力。
• Aether能在哪些領域應用？ Aether適用于機器人導航、自動駕駛、虛擬現實、工業機器人和智能監控等多個領域。
• 如何訪問Aether的項目？ 用戶可以通過其官網和GitHub倉庫訪問Aether的詳細信息及資源。