UrbanWorld：用于 3D 城市生成的城市世界模型
原文中文，约1700字，阅读约需4分钟。
📝
内容提要
本文介绍了多种生成3D城市和游戏世界的机器学习方法，如CityDreamer、UrbanDiffusion和MetaUrban。这些模型通过分离建筑与背景对象、利用实际数据集和深度生成学习，提升了城市和游戏环境的真实性与多样性，推动了具身人工智能在城市空间中的应用。
❓
Q&A
CityDreamer 是什么，它如何提升 3D 城市的真实性？
CityDreamer 是一种组合生成模型，通过将建筑与背景对象分离，增强了 3D 城市的布局和外观的真实性。
UrbanDiffusion 模型的主要特点是什么？
UrbanDiffusion 利用 Bird's-Eye View 地图生成多样化的城市场景，并可扩展到任意规模。
MetaUrban 在城市空间研究中有什么应用？
MetaUrban 是一个具身人工智能研究平台，旨在提高移动机器人的泛化性和安全性，支持导航和社交导航任务。
如何通过生成神经网络建立世界模型？
通过使用生成神经网络，可以实现无监督学习和紧凑表示，建立流行的强化学习环境下的世界模型。
UniWorld 世界模型的功能是什么？
UniWorld 能够感知环境并预测其他参与者的未来行为，估计世界状态中缺失的信息。
OccWorld 模型如何有效建模驾驶场景演变？
OccWorld 在无需实例和地图监督的情况下，能够有效建模驾驶场景的演变。
🏷️
