Target Output

RoboWorld Challenge 2026：课程目标产出

把 12 课的本地实验推进成一个可复现、可提交、可解释的参赛项目。

活动定位

RoboWorld Challenge 2026 关注机器人与自动驾驶中的 embodied world modeling，鼓励参赛者结合 world model、VLA 和 embodied policy，让智能体理解语言、预测未来状态并安全行动。官方说明它是与 RoboPAD @ NeurIPS 2026 相关的独立组织 challenge；challenge 参赛与 workshop 论文投稿是两条不同路径。

官方主页

RoboWorld Challenge 2026

包含三个赛道、注册入口、提交入口和组织者信息。

注册入口

Google Form

以官方页面为准，注册前确认团队信息和参赛规则。

Workshop

RoboPAD

官方页面说明 challenge 与 RoboPAD workshop 的关系；不要把参赛等同于论文录用。

本课程的目标

不是空喊“参加比赛”，而是产出一个完整的 RoboWorld-ready project package：明确赛道、可复现 baseline、改进假设、验证结果、失败分析和官方提交记录。是否获奖是外生结果，不作为学习成功与否的唯一标准。

三个官方赛道

Track	输入 / 环境	输出	评估重点	入口
WorldNav 推荐主目标	单张初始 egocentric RGB + natural-language instruction；无中间反馈	完整未来轨迹：平面位移、yaw、Stop	SR、ATE、RPE、full-route fidelity、heading / turn fidelity	详情 · CodaBench · GitHub
HA-VLN 2.0 进阶目标	连续 3D 环境中的 RGB-D；动态行人；部分可观测	0.25m 前进、15° 转向等导航动作	NE、SR、collision rate、social compliance	详情 · CodaBench · GitHub
SafeDrive-VLA 观察项	CARLA 车载视觉 + 语言指令；包含指令与场景冲突	驾驶轨迹或控制动作	导航合规、目标速度误差、Driving Score、事故与违规	详情 · CodaBench · GitHub

为什么优先 WorldNav

任务形式贴近课程主线：一张图 + 一句语言 → 未来动作轨迹，正好对应 perception、world model、policy 的边界。
允许不同层次方法：官方鼓励 world model、VLA 和 policy-only 方法；可以先做可复现 baseline，再逐步加入想象或 VLA 组件。
产出风险可控：相较 SafeDrive 约 1.2TB 压缩数据，WorldNav 更容易先完成数据审计、baseline 和消融。
评估指标可学习：SR/ATE/RPE 与本课程的评价体系直接衔接；full-route 和 heading fidelity 补充轨迹质量。

不要过度承诺

本地 PushT 是二维 manipulation，RoboWorld WorldNav 是语言条件导航。PushT 实验只提供方法训练，不能把 PushT 指标外推为 RoboWorld 排名。

课程到赛题的映射

课程内容	本地实验	迁移到 RoboWorld
概念边界	Cosmos / RSSM / SmolVLA 分类	明确采用 world model、VLA 还是 policy-only 路线
数据审计	PushT schema、episode-safe split	检查 LCVN 轨迹、语言类型、seen/unseen split
视频想象	Cosmos3-Nano 生成	分析 future observation prediction 是否能辅助轨迹选择
Latent rollout	Tiny RSSM	评估 latent imagination 的误差累积与可用性
Policy	Tiny imitation policy	建立 vision-language → trajectory baseline
闭环评估	gym-pusht closed loop	理解 HA-VLN 的动态行人、碰撞与 social compliance
VLA 接口	SmolVLA action chunk	检查动作空间、单位、频率和 embodiment 是否匹配
Capstone	实验设计模板	整理成参赛技术报告和提交包

目标产出包

roboworld_2026/
├── README.md                 # 赛道选择、方法摘要、复现命令
├── TEAM.md                   # 分工、时间预算、风险
├── rules/
│   ├── official_links.md     # 官方页面、注册、提交入口
│   └── eligibility.md        # 资格、外部数据、算力、提交格式
├── data/
│   ├── schema_audit.md       # 字段、单位、episode、split
│   └── download_plan.md      # 存储与带宽计划
├── baselines/
│   ├── reproduce.md          # 官方/简单 baseline 复现记录
│   └── metrics.json          # validation 指标
├── experiments/
│   ├── hypothesis.md         # 可证伪假设
│   ├── config.yaml           # 固定配置
│   ├── ablation.md           # 组件消融
│   └── failure_analysis.md   # 错例与失败模式
├── submission/
│   ├── run.sh                # 一键生成提交
│   ├── predictions/          # 官方格式输出
│   └── submission_log.md     # 提交时间、分数、变化
└── report/
    ├── RoboWorld_Report.md   # 图表 + 结论 + 边界
    └── slides.md            # 5 分钟汇报稿

最低合格产出

即使暂时不提交官方服务器，也至少要有：数据审计、可复现 baseline、一个改进假设、validation 指标、失败分析和完整报告。这样才能把学习成果沉淀下来。

五阶段里程碑

P0 · Decision

确认主赛道为 WorldNav，阅读规则、注册、检查算力和存储。

P1 · Reproduce

下载数据或最小子集，审计 schema，复现官方/简单 baseline。

P2 · Improve

加入一个明确组件：语言编码、轨迹解码、latent rollout 或 VLA adapter。

P3 · Validate

在 seen/unseen validation 上报告 SR、ATE、RPE 和误差分析。

P4 · Submit

生成官方格式提交，记录分数变化；整理报告和复现包。

备选路线

HA-VLN 2.0：如果团队更关注 closed-loop、动态行人和 social navigation，可作为第二阶段目标。
SafeDrive-VLA：如果后续有足够存储、GPU 和自动驾驶经验，可研究 world-model dreaming 与安全冲突处理。
非比赛路线：若官方规则或时间不合适，可把同一产出包投给开源 benchmark 复现报告、课程项目或内部技术分享。

官方事实与边界

WorldNav 使用 LCVN 数据：官方页写明 39,016 条轨迹和 117,048 条人工校验指令。
WorldNav 指标包括 SR、ATE、RPE、full-route fidelity、heading / turn fidelity。
HA-VLN 2.0 使用 RGB-D 和连续环境，成功要求距离目标 3m 内且无碰撞。
SafeDrive-VLA 训练数据约 1.2TB，评估包含 CARLA-F 和 B2D-C 两组路线。
官方时间线当前只列出阶段，未在本页给出具体日期；报名和提交前必须查官网当届信息。