打通视频生成与机器人世界模型，BridgeV2W 让机器人学会"预演未来"

机器人如何"脑补"未来？

想象一下，你面前摆着一杯咖啡，你伸手去拿，在你的手真正触碰到杯子之前，你的大脑已经在"脑补"了整个过程：手臂将如何移动、杯子会是什么触感、抬起后桌面的样子……这种对未来场景的想象和预测能力，正是人类操控世界的核心认知基石。

那么，能否赋予机器人同样的“预演能力”，先在“脑海”中模拟动作后果，再付诸执行？这就是具身世界模型要做的事情：让机器人在行动前，就能“看见”未来。近年来，借助大规模视频生成模型（如Sora、Wan等）强大的视觉先验，这一方向取得了令人瞩目的进展。

然而，一个尴尬的问题始终悬而未决：视频生成模型的世界由像素编织而成，而机器人的语言却是关节角度与位姿坐标，它们使用完全不同的“表征语言”描述同一个物理世界。

为了解决上述问题，具身智能公司中科第五纪联合中科院自动化所团队推出 BridgeV2W，它通过一个极为优雅的设计，具身掩码（Embodiment Mask），一种由机器人动作渲染出的“动作剪影”，将坐标空间的动作无缝映射到像素空间，从而真正打通预训练视频生成模型与世界模型之间的桥梁，让机器人学会可靠地“预演未来”。

困境：三座大山挡住了机器人的"预演能力"

尽管前景广阔，当前的具身世界模型仍面临三大核心挑战：

1.动作与画面“语言不通”。机器人动作是关节角、末端位姿等坐标数值，而视频生成模型只“看”像素。直接拼接动作向量效果有限，往往缺乏空间对齐的“硬连接”，模型难以理解。

2.视角一变，世界就“崩”。同一动作在不同视角下外观迥异。现有方法在训练视角上尚可，一旦换视角，预测质量骤降，而真实场景中，相机位置几乎不可能复现训练设置。

3.换一个机器人就得“从零开始”。单臂、双臂、移动底盘……结构千差万别。现有方法往往需为每种机器人定制架构，难以构建统一的世界模型。

核心创新：仅凭"动作剪影"，一举破解三大难题

BridgeV2W 的核心洞察极其直觉：既然鸿沟源于“坐标 vs 像素”，那就把动作直接“画”进画面里！

它提出具身掩码：利用机器人的 URDF 模型和相机参数，将动作序列实时渲染为每帧图像上的二值“动作剪影”，精准标出机器人在画面中的位置与姿态。

这一设计，一举破解前述三大难题：

• 动作-像素对齐：掩码是天然的像素级信号，与视频模型输入空间完全匹配，无需模型“猜”坐标的含义。

• 视角自适应：掩码随当前相机视角动态生成，动作与画面始终对齐，模型因此天然泛化到任意新视角。

• 跨具身通用：只要提供 URDF，单臂、双臂机器人都能用同一套框架生成对应掩码，无需修改模型结构。

技术上，BridgeV2W 采用 ControlNet 式的旁路注入，将掩码作为条件信号融入预训练视频生成模型，在保留其强大视觉先验的同时，赋予其理解机器人动作的能力。此外，为防止模型“偷懒”（只复现静态背景），还引入光流驱动的运动损失，引导其聚焦于任务相关的动态区域。

实验结果：多场景、多机器人、多视角的全面验证

研究团队在多个设置下系统验证了BridgeV2W的能力，涵盖不同机器人平台、不同操作场景、未见视角和下游任务应用。

DROID数据集：大规模单臂操作

DROID是目前最大规模的真实世界机器人操作数据集之一，数据采集跨越多个实验室和环境。BridgeV2W在该数据集上的表现尤为亮眼，在 PSNR、SSIM、LPIPS 等核心指标上超越 SOTA 方法。

尤其在“未见视角”测试中，对比方法常出现画面崩塌、肢体错位，而 BridgeV2W 依然生成物理合理、视觉连贯的未来视频，充分验证了其视角鲁棒性。在“未见场景”（全新桌面布局、背景）下，泛化能力同样出色。

AgiBot-G1数据集：双臂人形机器人

AgiBot-G1 是一个完全不同的双臂平台，自由度与运动模式与 DROID 截然不同。

关键结果：无需修改模型架构，仅替换 URDF 并重新渲染掩码，BridgeV2W 就能无缝适配，并取得媲美单臂的预测质量，这是迈向通用具身世界模型的重要一步。

下游任务应用：从"想象"到"行动"

BridgeV2W不仅仅是一个"能生成好看视频"的模型，研究团队进一步在真实世界的下游任务中验证了其实用价值：

策略评估：在世界模型中“试跑”不同策略，无需真实机器人反复试错。实验显示，BridgeV2W 的评估结果与真实成功率高度相关，大幅降低策略迭代成本。

目标图像操作规划：给定一张目标图像（如“把杯子放到盘子上”），BridgeV2W 能在“想象空间”中搜索出可行动作序列，实现从视觉目标到物理动作的闭环规划。

关键亮点：海量无标注人类视频，全都能用！

你可能会问：具身掩码不是需要 URDF 和相机参数吗？没有这些几何信息的数据怎么办？

BridgeV2W 的巧妙之处在于：

•推理时需轻量几何信息（URDF + 相机参数）渲染“计算掩码”，用于精准控制；

•训练时却无需任何标定：只需分割模型（如 SAM）提取的“分割掩码”，即可提供有效监督。

团队将 AgiBot-G1 机器人数据与无标定的 Ego4D FHO（第一人称手部操作视频）混合训练，仅用 SAM 提取的手部掩码，就实现了惊人效果：

•仅用分割掩码训练，模型仍能学到合理的运动规律；

•加入大量 Ego4D 视频 + 少量机器人标定数据，性能几乎媲美全量标定训练。

这说明：人类视频蕴含丰富的动作先验，只需少量机器人数据，就能完成“具身对齐”。

一句话总结：训练靠“野生”视频扩规模，部署靠轻量几何保精度：BridgeV2W 兼得可扩展性与准确性。

BridgeV2W揭示了一条极具前景的技术路线：

视频生成模型 + 具身掩码 = 可扩展的机器人世界模型

这条路线有三个关键优势值得深思：

• 1、数据飞轮真正启动：互联网视频规模远超机器人数据数个数量级。BridgeV2W 无需几何先验即可利用人类视频，为构建“机器人数据飞轮”迈出关键一步。

• 2、技术红利自动继承：视频生成领域正高速迭代（Sora、Wan、CogVideoX……）。BridgeV2W 的架构使其能自然受益于底座模型升级，底座越强，“预演”越真。

• 3、通用智能的坚实基石：从单臂到双臂，从已知场景到未知视角，BridgeV2W 展现出的跨平台、跨场景、跨视角泛化能力，是迈向通用具身智能的重要里程碑。

总结与展望

BridgeV2W 通过“具身掩码”这一简洁而优雅的中间表征，成功架起了从大规模视频生成模型到实用具身世界模型的桥梁。它不仅解决了动作-像素对齐、视角鲁棒性、跨具身通用性三大核心挑战，更关键的是：训练无需 URDF 或相机标定，可直接利用海量无标注人类视频，为世界模型的规模化训练开辟了全新路径。

目前展现的能力，或许只是冰山一角。

试想未来：当视频生成底座从十亿参数迈向千亿，当训练数据从数千小时机器人视频扩展到百万小时人类操作视频，当具身掩码从机械臂延伸至全身人形、乃至多机协作，机器人的“预演能力”将迎来怎样的飞跃？

正如 DreamZero 等工作预示的“机器人 GPT 时刻”，BridgeV2W 从另一个维度证明：

让机器人借助视频生成模型“预演”自身行动的后果——这条路，不仅走得通，而且可以走得很远。

论文标题：BridgeV2W: Bridging Video Generation Models to Embodied World Models via Embodiment Masks

论文链接：https://arxiv.org/pdf/2602.03793

项目链接：https://bridgev2w.github.io/