给世界模型配上骨架，动作不再和画面混在一起

让机器人从视频里学动作，最大的麻烦是画面里什么都在一起动：机械臂在动，物体在动，光影也在动。模型分不清哪个是「原因」，哪个是「结果」。

一、论文做了什么

机器人世界模型的任务，是预测环境会怎样响应机器人的动作。常见做法是从无标注视频里学：把画面变化编码成代理动作，以此近似真实控制。问题在于，这种靠重建画面驱动学出来的潜动作，把机器人自身的运动、物体的反应和场景里其他变化全部搅在一起，和真正发出去的控制指令对不上号。

10 月 22 日挂上 arXiv 的这篇论文提出的方案叫 SkeLAM，思路是给潜动作「分家」：把机器人的骨架数据当监督信号，先把运动学成分单独拎出来，剩下的画面变化归入残差成分。为了让两条通路学到的运动表征保持一致，作者设计了跨模态的交换重建——要求从画面推出来的运动和从骨架推出来的运动可以互换着用。世界模型内部给两个成分各留了条件通路，还用分支丢弃的办法降低对残差信息的依赖。推理时再加一个轻量适配器，把真实机器人动作映射进运动空间。

结果用的是公开数据集 DROID 的对比：相对基线方法 DreamDojo，末端执行器的预测误差降了 19.5%，感知层面的 LPIPS 指标降了 11.1%。论文还报告了两项附加验证：一是运动探针实验，支持运动学成分确实特化了；二是生成的 rollout 里出现了零样本的人到机器人动作迁移。策略评测中，模型预测的成功率和真机执行测出来的成功率大体吻合。

二、跟你有什么关系

做机器人算法的：把动作和场景变化解耦，是遥操作数据稀缺时最值得投入的方向之一，这篇给了可对照的实现。

买机器人方案的工程团队：真机成功率与模型预测一致这一点，决定世界模型能不能进仿真验证流程，值得要供应商出示同类数字。

普通读者：世界模型是人形机器人降本叙事的核心组件，这类论文的进步速度就是那条时间表的可信度。

三、怎么判断

1. 看对比基线。19.5% 的降幅是相对 DreamDojo 一个基线的，不是对所有方法。换一批基线，排名可能变。
2. 看误差种类。末端误差和 LPIPS 分属控制精度和画面感知，两个都降才算结构有效；只降一个可能是残差通路在兜底。
3. 看真机验证比重。摘要只说「一致」，没给真机实验的规模和场景数，落地前需要看全文细节。

四、三个别信的说法

骨架监督需要额外采集成本，所以不划算。 摘要没有讨论成本。多数机器人平台本来就输出关节状态，骨架信息近乎免费，这一点要等看全文确认采集方式。

零样本迁移说明模型学会了通用运动。 摘要写的是生成 rollout 里出现了人到机器人的迁移，这是生成结果层面的观察，不等于策略在真机上零样本可用。

这是背景，不是论文结论：「世界模型马上能替代真机训练」是常见宣传。目前所有同类工作都还要求后续在真数据上微调，本文的方法也不例外。

五、一句话结论

把「谁在动」和「动了什么」分开学，是目前视频训练通往真机控制最便宜的一块砖。

信息来源

• arXiv：面向机器人世界模型的骨架引导潜动作模型，2026 年 10 月 22 日

功能与价格以官方公告为准。本文写于 2026 年 10 月 26 日。