この研究は、ロボットの視覚的ナビゲーションを改善するためのナビゲーションワールドモデル（NWM）と呼ばれる新しいアプローチを提案しています。NWMは、過去の視覚的観測とナビゲーション動作に基づいて将来の視覚的観測を予測する制御可能なビデオ生成モデルです。このモデルは、ロボットと人間のエージェントの両方からの多様な自己中心的なビデオで訓練され、複雑な環境力学を捉えるために条件付き拡散トランスフォーマー（CDiT）を使用しています。NWMは、軌道をシミュレートし、目標達成度を評価することで、ナビゲーション計画を可能にし、見知らぬ環境での想像上の軌道を生成する柔軟性も持っています。この方法は、既存のナビゲーションポリシーを強化し、単独で計画を立てる両方において最先端のパフォーマンスを達成します。