DroneWAM 用 JEPA 潜空间预测与自适应 rollout 把无人机视觉导航的推理延迟降到 483 毫秒，并让闭环进度从 0.510 升到 0.774

DroneWAM 把未来预测放在表示空间而非生成未来图像，并用预训练 Resampler 压缩视觉 token，从而同时降低空间与时间上的预测开销。 相对显式预测未来视觉世界的空中世界模型与 WAM，以及只隐式建模未来视觉后果的视觉语言导航方法，这里把效率直接做进预测过程本身。 组件消融显示，加入 Planner 后 Rel.ATE 从 0.6621 降到 0.0584；再加入 Resampler 把推理时间从 656.12 ms 降到 582.65 ms 而轨迹误差几乎不变；token 数从 512 压到 128 时延迟从 591.28 ms 降到 483.29 ms，Rel.ATE 仅从 0.0574 变为 0.0578。

自适应 rollout 用偏好训练的 Gate 按当前场景决定预测深度，在降低计算量的同时提升轨迹精度。 既有模型通常使用预定义的 rollout 深度，对不同场景分配相近的预测计算；这里把预测深度变成可变长度 rollout 的停止决策。 平均 rollout 从 8.0 降到 4.578，Rel.ATE 与 Rel.RPE 反而优于固定深度；随机停止在几乎相同的平均深度 4.581 下明显更差，说明收益来自计算分配而非单纯截断；逐样本分析显示最优深度因样本而异。

DroneNav-6D 提供了超出常规 4-DoF 抽象的 6-DoF 空中运动监督。 多数既有空中视觉导航基准用平移加偏航的 4-DoF 表示飞行，对滚转与俯仰覆盖有限，而这两者直接影响相机视角与视觉动态。 数据集含 3,837 段轨迹、1,592,170 帧 RGB 观测、63.03 小时飞行、2,004.11 km 航程，训练与验证分别为 3,453 与 384 段，五个仿真世界在两侧均有覆盖，并注入随机风扰。

自适应 rollout 的收益不限于空中导航，在 LIBERO 机器人操作上也成立。 把同一 rollout 策略迁移到另一类具身任务分布，检验其是否为空中场景特有。 LIBERO 上延迟从 890.8 ms 降到 411.9 ms（降 53.8%），归一化 RMSE 从 0.2685 降到 0.2652，夹爪准确率从 89.83% 升到 90.55%，四个 suite 上均优于固定深度。

该结果面向机载算力受限的无人机视觉导航，尤其是图像目标条件下的闭环飞行；作者指出在中等复杂度的简单路线上 DroneWAM 达到 88% 成功率，比 NWM 与 FastWAM 分别高 14 与 16 个百分点，任务进度 0.95，延迟 460 ms。自适应 rollout 的适用面被进一步扩展到机器人操作，说明按输入分配预测计算这一思路可迁移到其他具身任务分布。数据集 DroneNav-6D 面向需要 6-DoF 运动监督的训练与评测，作者表示代码与数据将会发布。

作者在局限性中说明，固定 token 预算与有界想象视野可能需要随场景和算力预算调整，性能也依赖预训练编码器与 Resampler 保留的信息；在复杂场景的仿真闭环中任务成功率仍然很低，当前系统尚不适合真实部署。逐样本案例显示 Gate 偶尔过早停止，从而错过更深 rollout 带来的更低误差。困难闭环路线下所有被比较方法都未完成一个 episode，因此这些增益更适合被读作方向性证据而非已确立的结论。此外，本次可读文本为完整论文正文与附录，但表格以文本形式呈现，个别数值的排版细节需以原文为准。