国产在线观看播放91-国产在线观看播放精品-国产在线观看不卡a-国产在线观看的-国产在线观看第一页-国产在线观看福利-国产在线观看高-国产在线观看高清精品

導(dǎo) 言 

當(dāng)前具身智能研發(fā)正面臨“雙重枷鎖”：一方面，真機驗證成本高、仿真偏差大，制約策略驗證效率；另一方面，海量真機數(shù)據(jù)尚未構(gòu)建基于軌跡擴增的高效利用機制，導(dǎo)致數(shù)據(jù)未被充分利用，制約了模型的持續(xù)進(jìn)化。為打破這一困局，im電競機器人在去年發(fā)布的具身4D世界模型基礎(chǔ)上【點擊文字回顧相關(guān)內(nèi)容】，進(jìn)一步創(chuàng)新迭代，推出動作序列驅(qū)動的世界模型框架 EVAC（EnerVerse-AC），同時配套提出全球首個具身世界模型評測基準(zhǔn) EWMBench，構(gòu)建從世界模型從訓(xùn)練到評測的全鏈路閉環(huán)。另外，這兩大創(chuàng)新成果現(xiàn)已全面開源，EVAC也成為全球頂尖機器人賽事 AgiBot World Challenge @ IROS 2025【點擊文字跳轉(zhuǎn)相關(guān)文章】 的baseline之一。

▍核心能力：從 “物理執(zhí)行” 到“像素空間”的精準(zhǔn)映射

EVAC基于前序工作 EnerVerse 架構(gòu)持續(xù)演進(jìn)，創(chuàng)新型引入多級動作條件注入機制，實現(xiàn) “物理動作 - 視覺動態(tài)” 的端到端生成，其核心能力體現(xiàn)在以下幾個方面：

? 機器人動作與像素的高精度對齊：將機械臂 6D 位姿（x,y,z,roll,pitch,yaw）與末端執(zhí)行器行程投影為action map，確保物理動作與圖像幀的像素級對齊，精準(zhǔn)建模 “抓取”、“放置”、“碰撞”、“推拉”、“快速拋擲”、“緩慢搖晃” 等復(fù)雜動力學(xué)行為；

? 動態(tài)多視圖建模：引入Ray Map編碼相機運動軌跡，支持頭部 、腕部等多視角協(xié)同生成一致且連貫的視覺場景，賦予機器人更全面的環(huán)境生成能力。；

? 卓越的長時序一致性：采用 Chunk-Wise 自回歸擴散架構(gòu)與稀疏記憶機制（Sparse Memory），EVAC能夠?qū)崿F(xiàn)單視圖穩(wěn)定生成長達(dá) 30 個連續(xù)片段、多視圖下亦可維持 10 個連續(xù)片段的無漂移穩(wěn)定輸出，保證了模擬過程在時間軸上的連貫性與真實性；

? 數(shù)據(jù)高效利用：融合 Agibot-World 數(shù)據(jù)集 + 失敗軌跡（如抓取滑脫、路徑碰撞）提升生成質(zhì)量，該策略能有效抑制幻覺現(xiàn)象，使模型能更合理、更全面地建模機器人與環(huán)境的交互動態(tài)。

▍雙重價值：生成式仿真評估+數(shù)據(jù)引擎雙輪驅(qū)動

生成式仿真評測：

針對真機評測成本高、風(fēng)險大、難以復(fù)現(xiàn)等痛點，EVAC開創(chuàng)性地提出了生成式模擬評測方案，它能與待評測的策略模型進(jìn)行交替推理，構(gòu)建起一套完整的交互式評測管線。實驗顯示，在多個任務(wù)中，EVAC所生成的評測結(jié)果與真機評測的成功率具有高度一致性，甚至能夠可靠地識別出性能更優(yōu)的模型權(quán)重，大幅提升了策略模型的篩選效率。

數(shù)據(jù)增廣引擎：

EVAC 能夠基于極少量的專家軌跡數(shù)據(jù)，通過動作插值與高保真畫面生成技術(shù)進(jìn)行大規(guī)模數(shù)據(jù)增廣。應(yīng)用結(jié)果表明，采用EVAC數(shù)據(jù)增廣數(shù)據(jù)訓(xùn)練的策略模型，其任務(wù)成功率提升高達(dá)29%，目標(biāo)跟隨性得到顯著改善，驗證了這一方案在具身智能研究中的實用性與高性價比。

具身世界模型評測基準(zhǔn)

EWMBench——打造具身世界模型的 

“質(zhì)檢尺”

為了科學(xué)、系統(tǒng)地衡量具身世界模型的性能表現(xiàn)，im電競機器人推出了全球首個具身世界模型評測基準(zhǔn)——EWMBench，旨在填補行業(yè)空白，構(gòu)建統(tǒng)一、可信的評測標(biāo)準(zhǔn)。

▍三維度評估體系：場景 × 動作 × 語義的立體考核

針對機器人操作場景的復(fù)雜性與特殊性，EWMBench構(gòu)建了立體化的評估體系，從場景一致性、動作合理性 與 語義對齊與多樣性 三大核心指標(biāo)進(jìn)行分析：

場景一致性Scene Consistency：

評估生成場景中背景/物體/視角等穩(wěn)固度與真實性，采用微調(diào)過的DINOv2特征進(jìn)行量化。

動作合理性Motion Correctness：

利用HSD (Symmetric Hausdorff Distance), nDTW (normalized Dynamic Time Warping) 和 Dynamics Score 三重互補指標(biāo)協(xié)同精確評估生成動作的合理性與動力學(xué)真實度。

語義對齊與多樣性Semantic Alignment & Diversity：
結(jié)合MLLM(多模態(tài)大模型）和CLIP從全局指令對齊度、關(guān)鍵步驟語義準(zhǔn)確性、邏輯合理性等多個層次對生成視頻進(jìn)行語義理解評估。

▍權(quán)威數(shù)據(jù)支撐與便捷開源工具

? 基準(zhǔn)數(shù)據(jù)集：EWMBench 基于行業(yè)領(lǐng)先的開源百萬真機數(shù)據(jù)集 Agibot-World 構(gòu)建，涵蓋了家居、工業(yè)、醫(yī)療三大場景的 10 類典型機器人操作任務(wù)和剛體 / 柔體 / 流體 / 關(guān)節(jié)物體等多種交互對象，其中包含超過 300個精心設(shè)計的測試樣本及 30% 挑戰(zhàn)性場景（低光照 / 部分遮擋），全面驗證模型在復(fù)雜環(huán)境下的魯棒性。

? 開源評測工具：im電競機器人同步開源了全流程評測工具，支持一鍵生成標(biāo)準(zhǔn)化對比報告，大幅降低評估門檻，方便研究者快速開展模型比較與性能分析，加速實驗驗證與成果復(fù)現(xiàn)。

▍卓越評測性能：更貼近人類主觀感知