打通視頻生成與機器人世界模型，BridgeV2W 讓機器人學會"預演未來"

機器人如何"腦補"未來？

想象一下，你面前擺著一杯咖啡，你伸手去拿，在你的手真正觸碰到杯子之前，你的大腦已經在"腦補"了整個過程：手臂將如何移動、杯子會是什么觸感、抬起后桌面的樣子……這種對未來場景的想象和預測能力，正是人類操控世界的核心認知基石。

那么，能否賦予機器人同樣的“預演能力”，先在“腦海”中模擬動作后果，再付諸執行？這就是具身世界模型要做的事情：讓機器人在行動前，就能“看見”未來。近年來，借助大規模視頻生成模型（如Sora、Wan等）強大的視覺先驗，這一方向取得了令人矚目的進展。

然而，一個尷尬的問題始終懸而未決：視頻生成模型的世界由像素編織而成，而機器人的語言卻是關節角度與位姿坐標，它們使用完全不同的“表征語言”描述同一個物理世界。

為了解決上述問題，具身智能公司中科第五紀聯合中科院自動化所團隊推出 BridgeV2W，它通過一個極為優雅的設計，具身掩碼（Embodiment Mask），一種由機器人動作渲染出的“動作剪影”，將坐標空間的動作無縫映射到像素空間，從而真正打通預訓練視頻生成模型與世界模型之間的橋梁，讓機器人學會可靠地“預演未來”。

困境：三座大山擋住了機器人的"預演能力"

盡管前景廣闊，當前的具身世界模型仍面臨三大核心挑戰：

1.動作與畫面“語言不通”。機器人動作是關節角、末端位姿等坐標數值，而視頻生成模型只“看”像素。直接拼接動作向量效果有限，往往缺乏空間對齊的“硬連接”，模型難以理解。

2.視角一變，世界就“崩”。同一動作在不同視角下外觀迥異。現有方法在訓練視角上尚可，一旦換視角，預測質量驟降，而真實場景中，相機位置幾乎不可能復現訓練設置。

3.換一個機器人就得“從零開始”。單臂、雙臂、移動底盤……結構千差萬別。現有方法往往需為每種機器人定制架構，難以構建統一的世界模型。

核心創新：僅憑"動作剪影"，一舉破解三大難題

BridgeV2W 的核心洞察極其直覺：既然鴻溝源于“坐標 vs 像素”，那就把動作直接“畫”進畫面里！

它提出具身掩碼：利用機器人的 URDF 模型和相機參數，將動作序列實時渲染為每幀圖像上的二值“動作剪影”，精準標出機器人在畫面中的位置與姿態。

這一設計，一舉破解前述三大難題：

• 動作-像素對齊：掩碼是天然的像素級信號，與視頻模型輸入空間完全匹配，無需模型“猜”坐標的含義。

• 視角自適應：掩碼隨當前相機視角動態生成，動作與畫面始終對齊，模型因此天然泛化到任意新視角。

• 跨具身通用：只要提供 URDF，單臂、雙臂機器人都能用同一套框架生成對應掩碼，無需修改模型結構。

技術上，BridgeV2W 采用 ControlNet 式的旁路注入，將掩碼作為條件信號融入預訓練視頻生成模型，在保留其強大視覺先驗的同時，賦予其理解機器人動作的能力。此外，為防止模型“偷懶”（只復現靜態背景），還引入光流驅動的運動損失，引導其聚焦于任務相關的動態區域。

實驗結果：多場景、多機器人、多視角的全面驗證

研究團隊在多個設置下系統驗證了BridgeV2W的能力，涵蓋不同機器人平臺、不同操作場景、未見視角和下游任務應用。

DROID數據集：大規模單臂操作

DROID是目前最大規模的真實世界機器人操作數據集之一，數據采集跨越多個實驗室和環境。BridgeV2W在該數據集上的表現尤為亮眼，在 PSNR、SSIM、LPIPS 等核心指標上超越 SOTA 方法。

尤其在“未見視角”測試中，對比方法常出現畫面崩塌、肢體錯位，而 BridgeV2W 依然生成物理合理、視覺連貫的未來視頻，充分驗證了其視角魯棒性。在“未見場景”（全新桌面布局、背景）下，泛化能力同樣出色。

AgiBot-G1數據集：雙臂人形機器人

AgiBot-G1 是一個完全不同的雙臂平臺，自由度與運動模式與 DROID 截然不同。

關鍵結果：無需修改模型架構，僅替換 URDF 并重新渲染掩碼，BridgeV2W 就能無縫適配，并取得媲美單臂的預測質量，這是邁向通用具身世界模型的重要一步。

下游任務應用：從"想象"到"行動"

BridgeV2W不僅僅是一個"能生成好看視頻"的模型，研究團隊進一步在真實世界的下游任務中驗證了其實用價值：

策略評估：在世界模型中“試跑”不同策略，無需真實機器人反復試錯。實驗顯示，BridgeV2W 的評估結果與真實成功率高度相關，大幅降低策略迭代成本。

目標圖像操作規劃：給定一張目標圖像（如“把杯子放到盤子上”），BridgeV2W 能在“想象空間”中搜索出可行動作序列，實現從視覺目標到物理動作的閉環規劃。

關鍵亮點：海量無標注人類視頻，全都能用！

你可能會問：具身掩碼不是需要 URDF 和相機參數嗎？沒有這些幾何信息的數據怎么辦？

BridgeV2W 的巧妙之處在于：

?推理時需輕量幾何信息（URDF + 相機參數）渲染“計算掩碼”，用于精準控制；

?訓練時卻無需任何標定：只需分割模型（如 SAM）提取的“分割掩碼”，即可提供有效監督。

團隊將 AgiBot-G1 機器人數據與無標定的 Ego4D FHO（第一人稱手部操作視頻）混合訓練，僅用 SAM 提取的手部掩碼，就實現了驚人效果：

?僅用分割掩碼訓練，模型仍能學到合理的運動規律；

?加入大量 Ego4D 視頻 + 少量機器人標定數據，性能幾乎媲美全量標定訓練。

這說明：人類視頻蘊含豐富的動作先驗，只需少量機器人數據，就能完成“具身對齊”。

一句話總結：訓練靠“野生”視頻擴規模，部署靠輕量幾何保精度：BridgeV2W 兼得可擴展性與準確性。

BridgeV2W揭示了一條極具前景的技術路線：

視頻生成模型 + 具身掩碼 = 可擴展的機器人世界模型

這條路線有三個關鍵優勢值得深思：

• 1、數據飛輪真正啟動：互聯網視頻規模遠超機器人數據數個數量級。BridgeV2W 無需幾何先驗即可利用人類視頻，為構建“機器人數據飛輪”邁出關鍵一步。

• 2、技術紅利自動繼承：視頻生成領域正高速迭代（Sora、Wan、CogVideoX……）。BridgeV2W 的架構使其能自然受益于底座模型升級，底座越強，“預演”越真。

• 3、通用智能的堅實基石：從單臂到雙臂，從已知場景到未知視角，BridgeV2W 展現出的跨平臺、跨場景、跨視角泛化能力，是邁向通用具身智能的重要里程碑。

總結與展望

BridgeV2W 通過“具身掩碼”這一簡潔而優雅的中間表征，成功架起了從大規模視頻生成模型到實用具身世界模型的橋梁。它不僅解決了動作-像素對齊、視角魯棒性、跨具身通用性三大核心挑戰，更關鍵的是：訓練無需 URDF 或相機標定，可直接利用海量無標注人類視頻，為世界模型的規?；柧氶_辟了全新路徑。

目前展現的能力，或許只是冰山一角。

試想未來：當視頻生成底座從十億參數邁向千億，當訓練數據從數千小時機器人視頻擴展到百萬小時人類操作視頻，當具身掩碼從機械臂延伸至全身人形、乃至多機協作，機器人的“預演能力”將迎來怎樣的飛躍？

正如 DreamZero 等工作預示的“機器人 GPT 時刻”，BridgeV2W 從另一個維度證明：

讓機器人借助視頻生成模型“預演”自身行動的后果——這條路，不僅走得通，而且可以走得很遠。

論文標題：BridgeV2W: Bridging Video Generation Models to Embodied World Models via Embodiment Masks

論文鏈接：https://arxiv.org/pdf/2602.03793

項目鏈接：https://bridgev2w.github.io/