Когда бросаешь мяч, легко представить, где он окажется через мгновение. Роботу такое предсказание даётся сложнее: нужно учитывать не только картинку, но и движение предметов в пространстве. Исследователи 29 октября представили WorldFlow — модель, которая одновременно предсказывает будущие кадры^[1] видео и перемещение выбранных точек в трёх измерениях^[2].

Для обучения использовано 1,44 миллиона примеров объектов из реальных и смоделированных сцен. Отдельный набор WorldFlowBench содержит 1678 проверочных примеров из 11 источников. На тесте SpatialCog средняя ошибка предсказанного перемещения составила 0,060 метра, на 54,2% меньше ошибки сильнейшего внешнего метода в сравнении авторов.

Это не значит, что робот теперь всегда поймает мяч или безопасно переставит предмет. Прогнозирование движения и выбор безопасного действия — разные задачи. Для реального применения ещё нужны проверка скорости расчётов, точности камер и поведения в неожиданных ситуациях.