飞捷科思与复旦提出 Fysiverse-UniWAM 统一世界动作模型

编辑｜陈陈 机器人终于不只是知道往哪走，还知道该在哪里停、以什么方向面对目标，甚至停稳之后，就能直接上手干活。 听起来理所当然，但对机器人来说，这恰恰是一道长期存在的难题。 比如，让机器人收拾桌上的杯子。能走到桌边，不代表就能拿起杯子。底盘停得稍远一点，机械臂可能够不着；朝向稍有偏差，后续抓取也可能受到影响。 如何让机器人不仅走得到，还能停得准、拿得起，甚至完成更复杂的灵巧操作？ 最近，国内团队给出了一条颇有意思的新路线。 飞捷科思（Fysics AI）联合复旦大学认知与智能技术实验室（CITLab），提出统一世界动作模型 Fysiverse-UniWAM，尝试用一个模型，将自主导航、移动操作与固定工位灵巧操作三类原本相对独立的能力贯通起来。 更值得关注的是，这套模型没有走以大规模机器人预训练为起点的传统路线。 团队从预训练视频世界模型出发，通过共享骨干网络实现导航与操作的联合学习，并提出 MAP（Manipulation Anchor Pose，操作锚定位姿），构建了超过 150 万条轨迹、累计约 7500 小时的 MAP-Data 数据集。 技术路线不一样，实际表现究竟如何？ 结果还真有点出乎意料。 在 MAP-Bench 基准测试中，Fysiverse-UniWAM 的平均位置误差仅为 9.85 厘米，平均朝向误差为 2.30°，较最强外部基线分别降低 30.1% 和 44.0%。 更有看头的是，团队直接将模型部署到 4 种机器人平台，开展了覆盖自主导航、移动操作与固定工位操作的 24 项真机测试。 其中，13 项导航任务的位置误差全部领先，4 项移动操作任务成功率全部第一；在复杂固定工位操作中，整体表现也接近经过大规模机器人预训练的 π₀.₅。 不靠大规模机器人预训练，一个模型凭什么交出这样的成绩？ 24 项真机实测，一个模型到底有多能打？ 先不急着看技术原理，直接上真机。 自主导航：不仅走得到，还能停得准 研究人员将机器人移动到远离目标的位置，改变起点与朝向，机器人便能根据当前环境自主规划接近路线，调整底盘位置与方向，最终精准停靠。 即使更换目标、场景乃至机器人平台，模型依然能够完成相应的导航任务。 这并不只是演示效果。 在 13 项 MAP 导航真机测试中，UniWAM 的位置误差全部排名第一，朝向误差在其中 11 项任务中取得最优。 而精准停靠的意义，正是为接下来的机械臂操作创造合适条件。 移动操作：走到位，还要把活干完 在移动操作任务中，机器人需要自主靠近目标，调整底盘，再控制机械臂完成抓取与放置。 例如，从移动到桌边，到伸手抓起杯子并收纳，整个流程由模型自主完成。 换成彩色方块分类，机器人则需要识别目标颜色，协调底盘与机械臂，将方块放入对应托盘。 这些任务真正考验的是导航和操作的衔接能力，而不只是单独完成某个动作。 技术报告表 7 给出了 4 项真机移动操作任务的逐项评测结果。UniWAM-Scaled 在 4 项移动操作任务中的成功率全部第一，平均成功率达到 80.0%，领先当前最强的机器人预训练基线 π₀.₅达 17.5 个百分点。 技术报告表 7 中 4 项移动操作的逐任务评测结果 灵巧操作：万物抓取、双臂三层叠杯、高精度插管、长程度咖啡制作 如果说导航与移动操作已经展现了模型的综合能力，那么接下来的灵巧操作，则更加令人眼前一亮。 首先是一段 Pick Up Anything 一镜到底交互演示。 面对形状、大小和摆放姿态各异的物体，机器人能够根据实时视觉观察灵活调整抓取动作，连续完成不同目标的交互式抓取。 人手移动到三维空间中的不同位置，机械臂会持续感知手部位置，并相应调整递送动作，完成精准递物。人手伸向哪里，机械臂就将物体送到哪里。 更高难度的操作也不在话下。 在双臂三层叠杯任务中，机器人需要协调双臂，精准抓取、逐层放置，最终搭建起三层杯塔。 在高精度试管插放任务中，机器人则需要控制机械臂末端的位置与姿态，完成精细对准和插入，对空间精度提出了更高要求。 而在长程咖啡制作任务中，机器人还需要连续完成多个操作步骤，对长时序任务规划、动作衔接与执行稳定性提出了更高挑战。 从泛化抓取、双臂协作到精细插放，Fysiverse-UniWAM 展现出丰富的灵巧操作能力。 在 7 项固定工位真机评测中，模型有 3 项任务超过 π₀.₅，整体成功率达到 68.9%，仅落后 π₀.₅ 2.5 个百分点。 技术报告表 7 中 7 项固定工位操作任务的成功率对比 综合 24 项真机任务来看，技术报告表 6 汇总了三类任务的整体表现：UniWAM-Scaled 在 MAP 导航和移动操作的停靠精度上均取得最优，移动操作成功率排名第一，固定工位操作成功率排名第二。 技术报告表 6 展示了 24 项真机任务整体评测结果 一个没有经

来源只提供摘要，完整内容请打开原文。