Aether是什么
Aether 是上海AI Lab开源的生成式世界模型，完全基于合成数据训练。Aether 首次将三维时空建模与生成式建模深度融合，具备 4D 动态重建、动作条件视频预测和目标导向视觉规划三大核心能力。Aether 能感知环境、理解物体位置和运动关系，做出智能决策。Aether 在真实世界中展现出强大的零样本泛化能力，使用虚拟数据训练完成高效完成复杂任务，为具身智能系统提供强大的空间推理和决策支持。
Aether的主要功能
- 4D 动态重建：从视频中重建包含时间和空间的三维场景模型，捕捉动态变化。
- 动作条件视频预测：根据初始观察和动作轨迹预测未来场景的变化。
- 目标导向视觉规划：根据起始和目标场景生成合理路径，辅助智能系统规划行动路线。
Aether的技术原理
- 统一多任务框架：将动态重建、视频预测和动作规划三项任务融合在一个统一的框架中进行优化。基于任务交错的特征学习，实现不同任务之间的协同优化，提升模型的稳定性和鲁棒性。
- 几何感知建模：引入三维时空建模，构建几何空间提升模型的空间推理能力。用海量仿真 RGBD 数据（彩色图像和深度图），开发一套完整的数据清洗与动态重建流程，标注丰富的动作序列。
- 相机轨迹作为动作表征：选择相机轨迹作为全局动作的表示方式。在导航任务中，相机轨迹直接对应导航路径；在机器人操作中，手柄相机的运动可以捕捉末端执行器的 6D 运动。
- 扩散模型与多模态融合：基于预训练的视频扩散模型，用合成 4D 数据进行后训练。将深度视频转换为尺度不变的归一化视差表示，将相机轨迹编码为与扩散变换器（DiTs）时空框架对齐的尺度不变射线图序列表示。基于动态整合跨任务和跨模态的条件信号，Aether 实现多模态信息的融合和协同优化。
- 零样本泛化能力：完全在虚拟数据上训练，实现对真实世界的零样本泛化。基于组合不同的条件输入（如观察帧、目标帧和动作轨迹），结合扩散过程，实现对多种任务的统一建模与生成。让模型在没有真实世界数据的情况下，迁移到真实场景中表现出色。
Aether的项目地址
- 项目官网：https://aether-world.github.io/
- GitHub仓库：https://github.com/OpenRobotLab/Aether
- HuggingFace模型库：https://huggingface.co/AetherWorldModel/AetherV1
- arXiv技术论文：https://arxiv.org/pdf/2503.18945
- 在线体验Demo：https://huggingface.co/spaces/AmberHeart/AetherV1
Aether的应用场景
- 机器人导航：帮助机器人规划路径，避开动态障碍。
- 自动驾驶：实时重建道路场景，预测交通动态。
- 虚拟现实：生成沉浸式虚拟场景，增强用户体验。
- 工业机器人：优化机器人操作路径，提高生产效率。
- 智能监控：分析监控视频，预测异常行为。
