打通视频生成与机器人世界模型，BridgeV 2 W让机器人学会"预演未来"
机器人如何"脑补"未来？
想象一下，你面前摆着一杯咖啡，你伸手去拿，在你的手真正触碰到杯子之前，你的大脑已经在"脑补"了整个过程：手臂将如何移动、杯子会是什么触感、抬起后桌面的样子……这种对未来场景的想象和预测能力，正是人类操控世界的核心认知基石。
那么，能否赋予机器人同样的“预演能力”，先在“脑海”中模拟动作后果，再付诸执行？这就是具身世界模型要做的事情：让机器人在行动前，就能“看见”未来。近年来，借助大规模视频生成模型（如Sora、Wan等）强大的视觉先验，这一方向取得了令人瞩目的进展。
然而，一个尴尬的问题始终悬而未决： 视频生成模型的世界由像素编织而成，而机器人的语言却是关节角度与位姿坐标，它们使用完全不同的“表征语言”描述同一个物理世界。
为了解决上述问题，具身智能公司中科第五纪联合中科院自动化所团队推出 BridgeV2W，它通过一个极为优雅的设计，具身掩码（Embodiment Mask），一种由机器人动作渲染出的“动作剪影”，将坐标空间的动作无缝映射到像素空间，从而真正打通预训练视频生成模型与世界模型之间的桥梁，让机器人学会可靠地“预演未来”。
困境：三座大山挡住了机器人的"预演能力"
尽管前景广阔，当前的具身世界模型仍面临三大核心挑战：
1. 动作与画面“语言不通” 。 机器人动作是关节角、末端位姿等坐标数值，而视频生成模型只“看”像素。直接拼接动作向量效果有限，往往缺乏空间对齐的“硬连接”，模型难以理解。
2. 视角一变，世界就“崩” 。同一动作在不同视角下外观迥异。现有方法在训练视角上尚可，一旦换视角，预测质量骤降，而真实场景中，相机位置几乎不可能复现训练设置。
3. 换一个机器人就得“从零开始” 。 单臂、双臂、移动底盘……结构千差万别。现有方法往往需为每种机器人定制架构，难以构建统一的世界模型。
核心创新：仅凭"动作剪影"，一举破解三大难题
BridgeV2W 的核心洞察极其直觉：既然鸿沟源于“坐标 vs 像素”，那就把动作直接“画”进画面里！
它提出具身掩码：利用机器人的 URDF 模型和相机参数，将动作序列实时渲染为每帧图像上的二值“动作剪影”，精准标出机器人在画面中的位置与姿态。
这一设计，一举破解前述三大难题：
动作-像素对齐 ： 掩码是天然的像素级信号，与视频模型输入空间完全匹配，无需模型“猜”坐标的含义。
视角自适应 ： 掩码随当前相机视角动态生成，动作与画面始终对齐，模型因此天然泛化到任意新视角。
跨具身通用 ： 只要提供 URDF，单臂、双臂机器人都能用同一套框架生成对应掩码，无需修改模型结构。
技术上，BridgeV2W 采用 ControlNet 式的旁路注入，将掩码作为条件信号融入预训练视频生成模型，在保留其强大视觉先验的同时，赋予其理解机器人动作的能力。此外，为防止模型“偷懒”（只复现静态背景），还引入光流驱动的运动损失，引导其聚焦于任务相关的动态区域。
实验结果：多场景、多机器人、多视角的全面验证
研究团队在多个设置下系统验证了BridgeV2W的能力，涵盖不同机器人平台、不同操作场景、未见视角和下游任务应用。
DROID数据集：大规模单臂操作
DROID是目前最大规模的真实世界机器人操作数据集之一，数据采集跨越多个实验室和环境。BridgeV2W在该数据集上的表现尤为亮眼，在 PSNR、SSIM、LPIPS 等核心指标上超越 SOTA 方法。
尤其在“未见视角”测试中，对比方法常出现画面崩塌、肢体错位，而 BridgeV2W 依然生成物理合理、视觉连贯的未来视频，充分验证了其视角鲁棒性。在“未见场景”（全新桌面布局、背景）下，泛化能力同样出色。