编辑｜陈陈
机器人终于不只是知道往哪走，还知道该在哪里停、以什么方向面对目标，甚至停稳之后，就能直接上手干活。
听起来理所当然，但对机器人来说，这恰恰是一道长期存在的难题。
比如，让机器人收拾桌上的杯子。能走到桌边，不代表就能拿起杯子。底盘停得稍远一点，机械臂可能够不着；朝向稍有偏差，后续抓取也可能受到影响。
如何让机器人不仅走得到，还能停得准、拿得起，甚至完成更复杂的灵巧操作？
最近，国内团队给出了一条颇有意思的新路线。
飞捷科思（Fysics AI）联合复旦大学认知与智能技术实验室（CITLab），提出统一世界动作模型Fysiverse-UniWAM，尝试用一个模型，将自主导航、移动操作与固定工位灵巧操作三类原本相对独立的能力贯通起来。
更值得关注的是，这套模型没有走以大规模机器人预训练为起点的传统路线。
团队从预训练视频世界模型出发，通过共享骨干网络实现导航与操作的联合学习，并提出 MAP（Manipulation Anchor Pose，操作锚定位姿），构建了超过150 万条轨迹、累计约 7500 小时的 MAP-Data 数据集
技术路线不一样，实际表现究竟如何？
结果还真有点出乎意料。
在 MAP-Bench 基准测试中，Fysiverse-UniWAM 的平均位置误差仅为9.85 厘米，平均朝向误差为2.30°，较最强外部基线分别降低30.1% 和 44.0%
更有看头的是，团队直接将模型部署到 4 种机器人平台，开展了覆盖自主导航、移动操作与固定工位操作的24 项真机测试
其中，13 项导航任务的位置误差全部领先，4 项移动操作任务成功率全部第一；在复杂固定工位操作中，整体表现也接近经过大规模机器人预训练的 π₀.₅。
不靠大规模机器人预训练，一个模型凭什么交出这样的成绩？
视频链接：https://mp.weixin.qq.com/s/mci26p6jgAQqpj7IITgGiQ
24 项真机实测，一个模型到底有多能打？
先不急着看技术原理，直接上真机。
自主导航：不仅走得到，还能停得准
研究人员将机器人移动到远离目标的位置，改变起点与朝向，机器人便能根据当前环境自主规划接近路线，调整底盘位置与方向，最终精准停靠。
即使更换目标、场景乃至机器人平台，模型依然能够完成相应的导航任务。
视频链接：https://mp.weixin.qq.com/s/mci26p6jgAQqpj7IITgGiQ
视频链接：https://mp.weixin.qq.com/s/mci26p6jgAQqpj7IITgGiQ
这并不只是演示效果。
在 13 项 MAP 导航真机测试中，UniWAM 的位置误差全部排名第一，朝向误差在其中 11 项任务中取得最优。
而精准停靠的意义，正是为接下来的机械臂操作创造合适条件。
移动操作：走到位，还要把活干完
在移动操作任务中，机器人需要自主靠近目标，调整底盘，再控制机械臂完成抓取与放置。
例如，从移动到桌边，到伸手抓起杯子并收纳，整个流程由模型自主完成。
视频链接：https://mp.weixin.qq.com/s/mci26p6jgAQqpj7IITgGiQ
换成彩色方块分类，机器人则需要识别目标颜色，协调底盘与机械臂，将方块放入对应托盘。
视频链接：https://mp.weixin.qq.com/s/mci26p6jgAQqpj7IITgGiQ
这些任务真正考验的是导航和操作的衔接能力，而不只是单独完成某个动作。
技术报告表 7 给出了 4 项真机移动操作任务的逐项评测结果。UniWAM-Scaled 在 4 项移动操作任务中的成功率全部第一，平均成功率达到 80.0%，领先当前最强的机器人预训练基线 π₀.₅达 17.5 个百分点。
技术报告表 7 中 4 项移动操作的逐任务评测结果
灵巧操作：万物抓取、双臂三层叠杯、高精度插管、长程度咖啡制作
如果说导航与移动操作已经展现了模型的综合能力，那么接下来的灵巧操作，则更加令人眼前一亮。
首先是一段Pick Up Anything 一镜到底交互演示
视频链接：https://mp.weixin.qq.com/s/mci26p6jgAQqpj7IITgGiQ
面对形状、大小和摆放姿态各异的物体，机器人能够根据实时视觉观察灵活调整抓取动作，连续完成不同目标的交互式抓取。
人手移动到三维空间中的不同位置，机械臂会持续感知手部位置，并相应调整递送动作，完成精准递物。人手伸向哪里，机械臂就将物体送到哪里。
更高难度的操作也不在话下。
双臂三层叠杯任务中，机器人需要协调双臂，精准抓取、逐层放置，最终搭建起三层杯塔。
视频链接：https://mp.weixin.qq.com/s/mci26p6jgAQqpj7IITgGiQ
在高精度试管插放任务中，机器人则需要控制机械臂末端的位置与姿态，完成精细对准和插入，对空间精度提出了更高要求。
视频链接：https://mp.weixin.qq.com/s/mci26p6jgAQqpj7IITgGiQ
而在长程咖啡制作任务中，机器人还需要连续完成多个操作步骤，对长时序任务规划、动作衔接与执行稳定性提出了更高挑战。
视频链接：https://mp.weixin.qq.com/s/mci26p6jgAQqpj7IITgGiQ
从泛化抓取、双臂协作到精细插放，Fysiverse-UniWAM 展现出丰富的灵巧操作能力。
在 7 项固定工位真机评测中，模型有 3 项任务超过 π₀.₅，整体成功率达到68.9%，仅落后 π₀.₅ 2.5 个百分点。
技术报告表 7 中 7 项固定工位操作任务的成功率对比
综合 24 项真机任务来看，技术报告表 6 汇总了三类任务的整体表现：UniWAM-Scaled 在 MAP 导航和移动操作的停靠精度上均取得最优，移动操作成功率排名第一，固定工位操作成功率排名第二。
技术报告表 6 展示了 24 项真机任务整体评测结果
一个没有经历大规模机器人预训练的统一模型，不仅能在导航和移动操作中取得领先，还能兼顾如此丰富的灵巧操作，背后究竟有什么技术秘诀？
不靠大规模机器人预训练，UniWAM 走了一条什么路？
近年来，以 π₀.₅、GR00T 等为代表的大规模机器人预训练，已经成为具身智能的重要技术路线。
但真实机器人数据并不容易获得。尤其是完整移动操作轨迹，需要连续采集从移动、停靠到机械臂执行任务的整个过程，成本和复杂度都不低。
更重要的是，导航与操作本身存在明显差异：前者关注环境布局与底盘运动，后者关注近距离物体交互与机械臂精细控制。
那么，能否不依赖海量完整机器人操作轨迹，而让导航和操作在一个模型中共同学习？
为此，团队将问题拆成了两个层面。
第一个问题：机器人怎样知道，哪里才是适合操作的导航终点？
第二个问题：导航和操作的数据不同、动作不同，怎样让它们在一个模型中共同学习？
对应的答案，正是 MAP 与 Mixed-Stream。
移动操作面临的挑战及 Fysiverse-UniWAM 的解决方案。
MAP：让导航的终点，成为操作的起点
传统语义导航通常只要求机器人抵达目标附近，但对于移动操作而言，“到达” 远远不够。
机器人还需要知道，底盘应该停在哪里、以什么方向面对目标，才能方便机械臂接下来的动作。
为此，团队提出MAP（操作锚定位姿），将适合后续操作的参考位置与朝向，明确作为导航学习目标。
更关键的是，MAP 监督数据能够大规模自动生成。
团队利用 HM3D、InteriorGS 以及私有大规模场景数据，结合场景几何信息、视觉语言模型和自动路径规划，为不同操作目标生成参考停靠位姿与接近轨迹。
每条轨迹不仅包含视觉观察和导航动作，还记录目标边界框、MAP 图像投影等几何监督信息。
MAP-Data 自动生成流程。
最终形成的 MAP-Data 包含超过 150 万条轨迹、约 7500 小时的数据。
这意味着，机器人不必完全依赖真实移动操作示范，也能通过大规模生成数据学习如何走到适合动手的位置
但解决 “在哪里停”，还不意味着解决 “如何一起学”。
Mixed-Stream：导航与操作分开学，模型能力共享
导航和操作需要的视觉信息、动作空间与控制方式都有明显差异。
直接把两类动作拼接在一起，可能增加统一学习的难度；分别训练两个模型，又难以充分共享能力。
Fysiverse-UniWAM 采用了另一种思路：两条数据流独立，核心骨干网络共享。
Fysiverse-UniWAM Mixed-Stream 整体架构。
导航流专门处理环境观察与底盘动作，操作流专门处理多视角观察与机械臂动作。
两条数据流拥有各自的输入编码器和动作输出头，却共享统一的视频 DiT 与动作 DiT 骨干网络，通过 Mixture-of-Transformers（MoT）机制实现视觉动态与动作生成的协同建模。
更重要的是，导航数据和操作数据不必来自同一条完整移动操作轨迹。
训练时，两类数据可以独立采样、批量输入，共同更新共享骨干；推理时，两条数据流既能独立工作，也能够并行执行。
这使得海量导航数据与固定工位操作数据能够共同参与统一模型训练，降低对完整移动操作示范数据的依赖。
此外，模型还引入图像平面辅助监督：导航流预测目标边界框和 MAP 投影位置，操作流预测机械臂末端的二维投影轨迹，进一步加强视觉信息与动作预测之间的联系。
导航 MAP 预测与操作末端轨迹预测可视化
至此，UniWAM 的技术逻辑便清晰起来：
MAP 解决机器人应该在哪里停，Mixed-Stream 解决导航与操作如何共同学习。
两者结合，让原本相对独立的导航、移动操作与固定工位操作，能够在统一世界动作模型中协同建模。
从基准测试到零样本迁移，这条路线究竟有多有效？
为了验证这套设计，团队构建了包含 15000 条评测轨迹的 MAP-Bench，对比 π₀.₅、GR00T N1.7、FastWAM、Uni-NaVid 及 InternVLA-N1 等模型。
结果显示，UniWAM-Scaled 在短、中、长距离任务中均取得最低的停靠误差，整体平均位置误差仅9.85 厘米，朝向误差仅2.30°
相比最强外部基线，位置误差降低 30.1%，朝向误差降低 44.0%。
技术报告表 4 展示了 MAP-Bench 各模型性能对比
而且，优势并不完全来自额外数据。
在不引入 MAP-Data 的情况下，UniWAM-Base 已经取得优于外部基线的结果；加入 MAP-Data 后，停靠精度进一步提升。
架构对照实验也表明，Mixed-Stream 相比统一动作 Token、独立动作专家和序列拼接等方案，能够改善移动操作成功率与停靠精度。
更有意思的是零样本真机迁移。
团队仅使用 MAP-Data 训练 UniWAM-Sim，不加入真实机器人示范数据，随后直接部署到两种真实机器人平台。
最终，模型取得18.7 厘米的位置误差和 6.34° 的朝向误差，展现出从生成式场景数据向真实机器人迁移的潜力。
技术报告表 8 展示了 UniWAM-Sim 零样本真机迁移结果
这也进一步说明，通过明确的几何监督和统一模型设计，机器人能力的提升并不只能依靠扩大真实机器人预训练规模。
统一机器人能力，不只有扩大预训练规模一条路
Fysiverse-UniWAM 真正值得关注的，不只是导航和移动操作指标上的领先。
更重要的是，它展示了一条不同的机器人能力构建路径。
通过 MAP，让导航真正面向后续操作；通过 Mixed-Stream，让分散的导航与操作数据在一个世界动作模型中共同学习。
这并不意味着大规模机器人预训练已经不再重要，而是说明它未必是构建统一机器人能力的唯一前提。
从精准导航到移动抓取，再到双臂协作与精细操作，Fysiverse-UniWAM 用 24 项真机测试展示了一个统一模型的能力广度，也证明了这条技术路线的潜力。
当具身智能不再只比拼机器人数据的规模，如何让不同能力真正融合，或许同样是通向通用机器人的关键。
最后，附上项目与开源资源：
项目主页与演示
https://fysics-ai.github.io/uniwam.github.io/
技术报告
https://arxiv.org/abs/2609.39388
GitHub 代码
https://github.com/Fysics-AI/UniWAM
Hugging Face 导航权重
https://huggingface.co/Fysics-AI/UniWAM
MAP-Data 数据集
https://huggingface.co/datasets/Fysics-AI/MAP-Data
MAP-Bench 数据与评测轨迹
https://huggingface.co/datasets/Fysics-AI/MAP-Bench
热门跟贴