월드 모델 (World models)은 체화된 지능 (Embodied intelligence) 분야에서 널리 탐구되고 있지만, 일반적으로 단일 스트림 내에서 세계 (World)와 에고 (Ego)의 서로 다른 진화를 동시에 예측합니다. 여기서 세계는 지시 사항과 무관한 지속적인 장면의 규칙성을 포착하고, 에고는 로봇 중심의 지시 사항에 따른 역학 (Dynamics)을 포착합니다. 이러한 세계-에고의 얽힘 (World-ego entanglement)은 장기적인 체화된 시나리오, 특히 내비게이션 (Navigation)과 조작 (Manipulation) 동작이 교차되는 하이브리드 작업에서 성능 저하를 초래합니다.

본 논문에서는 미래의 진화를 세계와 에고 구성 요소로 분해하는 새로운 개념적 패러다임인 World-Ego Modeling을 소개합니다. 우리는 움직임 (Motion), 의미 (Semantic), 의도 (Intention) 기반의 세 가지 관점에서 세계-에고 경계를 정의하며, 사후 (Post-), 사전 (Pre-), 그리고 전체 (Full) 분리 전략을 분석합니다. 나아가, 우리는 이 패러다임을 World-Ego Model (WEM)로 구체화합니다. WEM은 암시적으로 분리된 세계-에고 플래너 (World-ego planner)와 계층적 병렬 전문가 혼합 (Cascade-parallel mixture-of-experts, CP-MoE) 확산 생성기 (Diffusion generator)를 결합한 통합된 체화된 월드 모델입니다.

엄격한 평가를 가능하게 하기 위해, 우리는 하이브리드 내비게이션-조작 작업을 포함하는 장기 월드 모델링을 위한 최초의 벤치마크인 HTEWorld를 구축했습니다. HTEWorld는 세밀한 동작 주석이 포함된 125K개의 비디오 클립 (4.5M 프레임 이상)과 300개의 다회차 평가 궤적 (2K개 이상의 지시 사항)을 제공합니다. 광범위한 실험을 통해 WEM이 기존의 조작 전용 벤치마크에서도 경쟁력을 유지하는 동시에, HTEWorld에서 최첨단 (State-of-the-art) 성능을 달성함을 보여줍니다.