Ropedia W0 是作者报告的首个跨人类与机器人具身的自我中心世界模型,以统一条件接口预测移动与操作:相机位姿编码为 Plücker 射线图,操作编码为投影运动学骨架,机器人骨骼融合 URDF 正向运动学与人工关键点标注校正。训练语料 Xp-Data 整合多源人类与机器人数据,含约 10k 小时自我中心人类视频和 3k 小时机器人视频,并统一几何、运动学、语义标注与质量检查;另发布人形机器人长时程遥操作基准 Xp-Teleop。模型基于 Wan2.2 视频扩散主干构建稠密与 MoE 规模,先人类预训练再人机混合中训,在 DreamDojo、、-HOME、Xp-Teleop、AgiBot 等基准的零样本、少样本与全数据后训练中均优于 DreamDojo 与 Cosmos3 等基线,扩展人类预训练数据会改善人类视频和机器人迁移。蒸馏后学生以 21.3fps 实时生成分钟级交互;下游还用于策略评估、基于模型的规划与世界-动作建模,初始化 FastWAM 使 LIBERO-Plus 成功率从 50.06% 提高到 56.82%。
为什么重要 对关注具身数据闭环的团队,它给出人机统一相机位姿+骨架接口、数据QC、蒸馏实时化的完整配方适合 关注世界模型、跨本体迁移与具身数据管线的研究员/工程师
注释 · 单位 dB;增量逐字来自 §6.3 模型缩放段。出自 §6.3 模型缩放
去骨架 A14B
去骨架 5B
去相机 A14B均
去相机 5B均
去相机移动视角
注释 · 去相机在六类无视角变化本体上影响小,移动视角掉 1.3 dB。出自 §6.3, Table S6



统一相机位姿+投影骨架接口让人类与机器人数据进入同一条预测流,人工修正 FK 是数据质量命门
Xp-Data 把 14 个人类公开集、6,000 h 自采四相机和 13 个机器人公开集统一成相机轨迹+投影骨架+三层 caption;直接 URDF FK 会 misalign,靠手工图像空间关键点标注/纠偏,双检测器交叉验证。评测 术语解释27 段约 1 小时 G1+Inspire 灵巧手遥操作基准,含深度/IMU/触觉/语言同步模态。 保留失败 grasp/recovery,27 takes/约1h/543 片段/30 技能。部署侧蒸馏到 4 步学生 21.3fps 才上 Quest 3 实时 VR 与真机规划。启示:跨本体数据可用性取决于统一 schema,而非终端动作格式。
注释 · 具身数据闭环关注采集-标注-训练-评测-部署;本工作把五阶段都显式化。出自 §3, §6.4