让机器人既会认路又能干活 飞捷科思发布统一世界动作模型Fysiverse-UniWAM

　　近日，飞捷科思联合复旦大学认知与智能技术实验室(CITLab)发布统一世界动作模型Fysiverse-UniWAM，并同步公布技术报告与部分开源资源。与常见的“导航模型+操作模型”拼接方案不同，Fysiverse-UniWAM用同一个模型同时学习“走到哪里”“停在哪里”以及“接下来怎么动手”。同时，该模型另辟蹊径，不需要昂贵的预训练，极大降低了研发成本。在公开评测中，该模型在MAP导航与移动操作两项核心能力上均取得第一，交出同类方案中最强的整体能力组合。

　　两项关键设计：让机器人既会认路又能干活

　　在具身智能研究中，“会走的不干活，会干活的不认路”是一处长期存在的割裂。机器人执行移动操作，需要先穿过环境找到目标区域，再停在臂展够得着、视角合适、朝向正确的位置，最后才能完成抓取、放置、分类或倾倒。团队在技术报告中将其归纳为两个瓶颈：其一，传统语义导航只给出宽泛的目标区域，机器人可能确实“到了桌边”，却因为停得太远、角度不对而无法抓取;另一类从完整移动操作轨迹中隐式学习停靠位置的方法，则依赖大量“移动+操作”完整数据，采集成本较高。其二，导航与操作难以在同一模型中高效统一，分别训练两个策略会带来交接环节的误差传递，而把底盘、机械臂和夹爪动作塞进同一个动作向量，又要面对观察画面、动作空间、控制频率和运动规律上的明显差异。

(从三维场景生成参考操作位姿与接近轨迹，同步记录视觉、动作和几何标注，为训练与评测提供数据)

　　针对上述瓶颈，Fysiverse-UniWAM采用了两项核心设计。第一项是操作锚定位姿(Manipulation Anchor Pose，MAP)，用机器人底盘在地面上的二维位置和朝向，明确描述开始操作前应到达的姿态。围绕MAP，团队构建了自动化数据流程：根据三维场景、目标位置和可通行区域生成参考停靠位姿与接近轨迹，再将目标框和MAP的图像投影标注到沿途观察中。完整的MAP-Data包含超过150万条轨迹、约7500小时数据。

(导航流与操作流使用各自的输入和动作接口，共享视频与动作骨干，联合学习未来视觉状态与机器人动作)

　　第二项是Mixed-Stream双流架构。导航与操作两条数据流保留各自的视觉输入、动作编码器和输出头，共享视频与动作DiT骨干。导航样本与操作样本独立采样并沿batch维度拼接训练，可分别控制两类数据的采样比例;每条样本仅监督对应的数据流，通过共享骨干实现联合学习。

　　借助这样的设计，Fysiverse-UniWAM不仅能够预测下一步动作，同时学习动作发生后视觉世界将如何变化——视频预测、机器人动作和真实执行结果被放入同一学习框架。

　　在团队公开的一段演示中，研究人员先通过遥控把机器人推离工位、调转朝向，随后将控制权交还给模型。机器人自主环顾四周、规划路线、修正底盘，停在机械臂可及的位置，再把桌上的杯子逐个收进托盘。更换机器人本体与摄像头视角后，同一模型仍能完成这一过程。据介绍，该过程并非循迹、遥控或固定脚本，每一轮重启都由模型依据当前场景重新判断路线与停靠姿态。

　　评测数据：导航误差最低，移动操作四项第一

　　据报告披露的评测数据，在MAP-Bench上，UniWAM-Scaled在短、中、长距离任务中的位置误差与朝向误差均为最低，整体领先GR00T N1.7、π0.5等机器人预训练模型，并在同一评测中优于FastWAM等世界动作模型，以及Uni-NaVid、InternVLA-N1等视觉语言导航模型。

　　真机方面，在13项MAP导航任务上，UniWAM-Scaled的位置误差与朝向误差同样保持在最低水平。更受关注的是仿真到真机的迁移：仅使用MAP-Data训练、未使用任何真实机器人数据的UniWAM-Sim，被直接部署到Cobot Magic与AgiBot G2后，仍在真实环境的MAP导航任务上保持了接近的到位精度。

　　移动操作方面，物品收纳、彩色方块分类、移动收杯与倒水四项任务测试数百次，UniWAM-Scaled四项成功率均为第一，与当前最前沿的机器人预训练模型π0.5相比处于领先的位置。综合真机评测覆盖四类机器人平台、13项MAP导航任务、4项移动操作任务和7项固定工位操作任务，共计24项：其中13项导航任务位置误差全部领先、多数任务朝向误差领先;固定工位操作在多项分拣与放置任务上优于π0.5，整体表现已接近这一当前最强基线。

　　另辟蹊径：从世界模型出发，而非从昂贵预训练出发

　　当前国际上，Physical Intelligence的π系列已从π0迭代至π0.7，并于2026年10月开放API。该路线背后有OpenAI、红杉、贝索斯等投资方支持，其门槛在于大规模机器人数据预训练——数据采集、机器人规模、训练成本和工程门槛将绝大多数团队挡在门外。

　　Fysiverse-UniWAM选择了另一条路径：从视频世界模型出发，通过统一的机器人任务训练，同时学习导航、移动操作和固定工位操作。研究团队表示，Fysiverse-UniWAM并非不需要机器人数据，而是不需要将昂贵的机器人预训练作为前置条件，也不需要从π0.5等机器人预训练策略继承动作能力。统一架构允许导航数据、操作数据和移动操作数据独立进入训练流程，再通过共享骨干完成能力融合。

　　此次发布距飞捷科思今年6月推出Fysiverse物理世界模型约四个月。在此期间，该团队还陆续发布了OmniFysics全模态物理AI基础模型(在24项国际评测中取得SOTA)、FysicsReason物理推理评测基准，以及Fysiverse-3D实景重建管线。Fysiverse-UniWAM的推出被视为该技术路线从“理解世界”走向“执行任务”的关键一步。

　　目前，团队已开放混合流模型架构、训练与推理代码、操作流末端轨迹标注工具、UniWAM-Base及Scaled导航权重，以及MAP-Bench数据与评测轨迹。技术报告可在arXiv获取，项目主页及GitHub仓库均已上线。