Ropedia W0：用人类经验扩展跨具身运动操作世界模型

导语

具身智能要在真实环境中行动，不能只回答“下一步该做什么”，还需要预测动作会如何改变视野、身体姿态和物体状态。Ropedia W0瞄准的正是这一问题：训练一个面向人类与机器人的第一视角世界模型，同时处理移动与操作，而不是将行走、抓取和全身协调割裂开来。

核心要点

• 统一跨具身表示。 不同机器人拥有不同的关节数量、机械结构和动作空间，直接共享动作标签往往很困难。Ropedia W0改用相机位姿描述移动，用投影后的运动骨架描述操作。机器人骨架由自身运动学正向计算与人工关键点标注、校正结合而成，试图把不同身体形态映射到更通用的几何接口。
• 人类经验成为预训练资源。 项目构建了Xp-Data，包含约1万小时人类第一视角数据和约3000小时机器人数据，并配有相机轨迹、运动学骨架及层级化描述等多模态标注。数据还经过系统化质量控制，以减少跨来源数据之间的噪声差异。
• 同时覆盖移动与操作。 这类模型不仅要预测手部如何接触物体，也要理解身体如何接近目标、调整视角并持续完成长时任务。研究者还推出Xp-Teleop，用高质量灵巧人形机器人遥操作数据构建长时程运动操作评测。
• 从预测走向交互。 论文报告称，模型在DreamDojo、Ψ_0、ω-HOME、Xp-Teleop和AgiBot等五项跨具身基准上取得领先结果，并覆盖零样本、少样本和完整数据后训练设置。蒸馏后，模型可进行实时、持续数分钟的滚动预测，并支持实时VR交互。

意义与影响

Ropedia W0最值得关注的并非单一机器人上的任务成绩，而是它对“机器人数据是否必须完全匹配目标身体”的重新思考。人类视频规模大、行为丰富，但人与机器人在视角、动力学和执行能力上存在明显差异。统一的相机—骨架接口提供了一种中间层：模型学习环境变化和身体运动的规律，再由具体具身形态承担执行映射。

实验还显示，增加人类预训练数据能够同时改善人类视频和机器人评测结果，这为利用廉价、广泛的人类经验训练机器人模型提供了支持。不过，跨具身迁移并不等于直接实现可靠控制。视觉遮挡、接触动力学、机器人自身约束以及长时预测误差，仍可能限制模型在真实环境中的表现。当前成果更像是连接感知、预测和规划的基础设施：它可用于策略评估、基于模型的规划以及世界模型与动作模型的结合。未来关键问题将是，统一表示能否在更多身体形态和更复杂任务中保持稳定，并最终转化为可验证、可部署的机器人行为。

来源：Hugging Face Daily Papers