10小时数据+一段人手视频=？SkeLAM的零样本跨形态迁移

基于预训练的 Cosmos-Predict2.5-2B，SkeLAM 使用总计约 10 小时的机器人交互数据进行训练。在人手到机器人的迁移实验中，输入换成人类演示，生成视频中的机械臂仍然呈现出与演示对应的运动方向。迁移时模型参数全部冻结，没有针对这些演示额外微调。

这项工作来自哈尔滨工业大学（深圳）、新加坡国立大学 Show Lab 等机构。团队用机器人骨架监督视频中的潜在动作（latent action），让运动隐向量更准确地表征机器人的运动，物体响应等视觉变化则由另一个隐向量保留。真实控制指令由此有了专门的运动表示作为对齐目标。

在 DROID 的评测中，相比 DreamDojo，SkeLAM 的末端轨迹误差降低了 19.5%，感知距离 LPIPS 降低了 11.1%。

• 论文标题：Skeleton-Grounded Latent Action Model for Robot World Models
• 论文链接：https://aopolin-lv.github.io/SkeLAM/assets/SkeLAM.pdf
• 项目主页与视频：aopolin-lv.github.io/SkeLAM

人类视频作为提示：

零样本跨形态运动迁移

这组实验的输入是一段 UniSkill 人类演示视频，以及一张机器人场景图片。RGB 编码器从演示中提取潜在动作，世界模型据此在给定的机器人场景中生成后续视频。

人手向下推毛巾，生成的机械臂随之下探；换成人手向上抽纸，机械臂也转而抬起。人手与机械臂的外观、结构和所在场景都不同，演示中的运动方向仍然体现在生成结果中。相比之下，DreamDojo 在这两组示例中的末端位移较小。

图 1｜两组零样本迁移示例：向下推毛巾与向上抽纸。每组从上到下依次为人类演示、DreamDojo 和 SkeLAM，圆点标出了末端位置。机器人画面为模型生成结果。

人类演示在这里充当了推理时的运动上下文：更换演示，就能在这些例子中改变生成的运动，而无需更新模型参数。这是 in-context human-to-robot motion transfer 的一种具体形式，也为零样本跨形态运动迁移（zero-shot cross-embodiment motion transfer）提供了定性证据。

骨架监督，

让潜在动作更容易对齐真实控制

从视频中学习动作，首先要处理机械臂运动与物体响应混在一起的问题。机械臂向前移动，可能推走一个杯子，也可能什么都没碰到。控制指令可以相同，视频里的变化却不一样。如果这些变化都被编码到同一个潜在动作中，真实控制指令就需要对应一个随场景变化的目标。

SkeLAM 用骨架约束其中的运动分量。骨架记录机器人的关节位置和连接关系，为视频中的运动提供参照；另一部分残差表示则保留补充的视觉动态。两部分共同支持视频重建，也分别为世界模型提供条件。

图 2｜SkeLAM 方法概览。骨架监督视频中的运动表示，运动与残差分量分别为世界模型提供条件，动作适配器再把机器人指令映射到运动表示。

给潜在动作一个明确的运动参考

同样的机械臂运动，在不同接触状态下，可能带来不同的物体响应。这些变化都有助于重建视频，但当潜在动作同时包含运动与交互结果时，机器人控制指令就需要对应一个随场景变化的目标。

SkeLAM 用骨架来约束其中的运动分量。骨架保留了机器人关节的位置和连接关系，能比较直接地描述机器人怎么动；另一部分残差表示则保留补充的视觉动态。两部分共同支持视频重建，也分别为世界模型提供条件。

具体来说，骨架解码器会监督从 RGB 视频中提取的运动分量，使它能够预测对应的骨架变化。跨模态交换重建则进一步要求：将 RGB 重建中的运动分量替换成对应的骨架表示、保留原有残差后，模型仍需还原同一段画面变化。这样，视频与骨架表示之间的对应会直接影响重建结果。

为了将这套表示用于机器人控制，SkeLAM 训练了一个轻量的动作适配器，将真实机器人动作映射到运动分量，再用适配器预测的条件微调世界模型。推理时，模型根据当前画面和机器人动作生成未来视频，残差输入置零。

生成结果是否更贴近真实运动

在 DROID 评测中，对比 DreamDojo，SkeLAM 的末端轨迹误差 ADE 从 51.11 降至 41.15 像素，视觉距离 LPIPS 从 0.1473 降至 0.1310。前者衡量生成运动与参考轨迹的偏差，后者反映生成画面与真实视频的感知差异。

下面的对比展示了这些差异在画面中的表现。SkeLAM 更接近参考视频中的弯曲轨迹，也较好地保留了桌面布局。

图 3｜同一初始画面和机器人动作下的生成结果。最左列为真实视频，第二列为 SkeLAM；最后一行叠加了末端运动轨迹，方便比较生成运动与参考运动的偏差。

让更多人类视频成为机器人学习的资源

沿着这个方向，大规模人类操作视频，尤其是第一视角视频，有望成为机器人世界模型的运动来源。如果能从中稳定提取可迁移的动作表示，就有机会把更多人类演示用于机器人场景的视频生成，扩展可供模型学习的交互过程，并进一步探索它们在机器人策略训练与评估中的价值。

从这些生成结果走向真实机器人，还需要检验更复杂的接触与更长的操作过程，并评估生成的视频对策略学习和闭环执行的实际帮助。

完整论文、介绍视频与更多可视化结果见项目主页。

作者简介

• Qi Lv：本文第一作者，来自哈尔滨工业大学（深圳）与新加坡国立大学，相关研究涉及机器人操作、动作表征和世界模型。
• Jiayi Lin: 来自哈尔滨工业大学（深圳），相关研究涉及机器人操作、动作表征和世界模型。
• Yuxin Jiang：新加坡国立大学与 A*STAR 博士生，研究方向包括生成模型、视频世界模型及其在具身智能中的应用。
• Mike Shou Zheng：本文通讯作者，新加坡国立大学助理教授，研究方向包括视频理解与多模态智能。
  

文章来自于"机器之心"，作者 "机器之心"。