飞捷科思发布统一世界动作模型

IT时代网11月1日消息，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，该模型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”，且不需要昂贵的预训练，研发成本大幅降低。在公开评测中，模型在MAP导航与移动操作两项核心能力上均取得第一。

团队把移动操作的瓶颈归为两类：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”，却因停得太远、角度不对而无法抓取；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。此外，导航与操作分别训练两个策略会带来交接环节的误差传递，而把底盘、机械臂与夹爪动作塞进同一动作向量，又要面对观察画面、动作空间、控制频率和运动规律上的差异。

对应第一类问题，模型采用操作锚定位姿（Manipulation Anchor Pose，MAP）：用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构建的自动化数据流程，可根据三维场景、目标位置和可通行区域生成参考停靠位姿与接近轨迹，再把目标框和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。

对应第二类问题，模型采用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；两类样本独立采样并沿batch维度拼接训练，可分别控制采样比例，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。

评测数据显示，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，领先GR00T N1.7、π0.5等机器人预训练模型，并优于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，13项MAP导航任务中的位置误差与朝向误差同样保持最低水平。

在公开演示中，研究人员先遥控把机器人推离工位并调转朝向，随后交还控制权：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，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。