Uncertainty-Aware World Model for Aerial Image-Goal Navigation

Aerial image-goal navigation requires an unmanned aerial vehicle (UAV) to reach a target location specified by a goal image. Existing world-model-based methods rank candidate trajectories using predicted futures, but typically rely on only one or a few point predictions, which is inadequate for large-scale outdoor environments with substantial future-state uncertainty. To address this limitation, we propose the Uncertainty-Aware Navigation World Model (UA-NWM), an efficient latent world model for aerial image-goal navigation, which formulates trajectory scoring as conditional out-of-distribution detection. UA-NWM represents plausible futures with an uncertainty subspace and decomposes the prediction--goal discrepancy into uncertainty-explainable and unexplainable components. Only the unexplainable residual is used for scoring, enabling robust selection without multiple future samples. Extensive experiments demonstrate that UA-NWM consistently outperforms existing navigation world models while maintaining low inference latency. Real-world UAV experiments further validate its practical applicability. Project page: https://duryi.github.io/UA-NWM-Project-Page

한 줄 요약

UA-NWM은 미래 상태의 불확실성을 고려한 항공 이미지-목표 탐색을 위한 효율적인 월드 모델이다.

핵심 기여도

UA-NWM은 미래 상태 분포를 불확실성 서브스페이스로 모델링하고, 트래젝토리 점수를 조건부 OOD 감지 문제로 정의한다.
Hierarchical Error Projection (HEP) 모듈을 도입하여 예측-목표 차이를 불확실성 설명 가능한 요소와 설명 불가능한 잔차로 분해한다.
기존 방법 대비 낮은 추론 지연을 유지하면서 오프라인 및 온라인 평가에서 SOTA 성능을 달성한다.
실제 무인 항공기 실험을 통해 실용성을 검증한다.

핵심 아이디어

기존 항공 이미지-목표 탐색 월드 모델은 단일 또는 소수의 미래 상태 예측만을 기반으로 트래젝토리 점수를 산출하지만, 이는 대규모 외부 환경에서 발생하는 미래 상태 불확실성을 충분히 반영하지 못한다. UA-NWM은 이 문제를 해결하기 위해 트래젝토리 점수 산출을 조건부 OOD 감지 문제로 재정의한다. 즉, 목표 이미지가 주어진 트래젝토리의 미래 상태 분포에 속하는지 여부를 판단하는 방식이다.

이를 구현하기 위해 HEP 모듈을 도입하여 예측된 미래 상태와 목표 간의 차이를 두 가지 성분으로 분해한다: 불확실성에 의해 설명 가능한 평행 성분과, 불확실성으로 설명할 수 없는 직교 잔차 성분. 점수 산출에는 이 잔차만을 사용함으로써, 불확실성에 기인한 오류를 제거하고 안정적인 트래젝토리 선택이 가능해진다. 이는 다수의 미래 샘플링 없이도 분포 기반의 점수를 도출할 수 있게 한다.

기술적 접근법

**월드 모델 구조**: DINOv3의 라티언트 공간에서 미래 상태를 예측하는 경량형 결정론적 백본을 사용.
**HEP 모듈**: 예측-목표 차이를 평행(불확실성 설명 가능)과 직교(불확실성 설명 불가능) 성분으로 분해.
**트래젝토리 점수**: 직교 잔차만을 기반으로 삼아, 불확실성에 의한 오류를 제거.
**트레이닝**: 단계적 최적화 스키ーム을 사용하여 고질량 항공 탐색 데이터셋에서 학습.
**추론**: 단일 미래 예측만으로도 분포 기반 점수를 산출하여, 계산 비용을 절감.

주요 결과

**오프라인 평가**: ATE, RPE 지표에서 기존 방법 대비 개선.
**온라인 평가**: Success Rate (SR), Success weighted by Path Length (SPL)에서 SOTA 성능 달성.
**추론 지연**: 낮은 추론 지연을 유지하면서도 정확도 향상.
**실제 무인 항공기 실험**: 실제 환경에서도 우수한 성능과 실용성을 검증.

의의 및 한계

UA-NWM은 미래 상태 불확실성을 분포 기반으로 모델링함으로써, 기존 결정론적/확률적 모델의 한계를 극복한다. 특히, HEP 모듈을 통해 불확실성에 기인한 오류를 분리함으로써, 트래젝토리 점수의 안정성을 높인다. 이는 대규모 외부 환경에서의 항공 탐색 성능 향상에 기여할 수 있다.

하지만, DINOv3 라티언트 공간에 의존하는 점에서, 다른 시각 기반 모델과의 호환성이나, 다양한 환경에서의 일반화 능력은 추가 연구가 필요하다. 또한, HEP 모듈의 복잡성은 모델의 경량화 요구와 충돌할 수 있다.

실용적 활용

UA-NWM은 무인 항공기, 드론, 자율 비행 시스템 등에서 이미지 기반 목표 탐색을 수행하는 데 적용 가능하다. 특히, 장거리 비행, 복잡한 도시 환경, 실시간 탐색 등에서 미래 상태 불확실성이 큰 상황에서 유용하다.