# 9.85 厘米、2.30 度：机器人「走到桌边停在哪」，第一次变成了一道要打分的题

> 它没有用大规模机器人预训练起家，却在 24 项真机任务里拿下 13 项导航的位置误差第一、4 项移动操作成功率第一。真正值得记的不是排名，是它把「底盘该停在哪、朝哪」写成了一个可自动生成监督信号的坐标——平均位置误差 9.85 厘米、朝向误差 2.30 度。

### TLDR

- **主体**：飞捷科思（Fysics AI）联合复旦大学认知与智能技术实验室（CITLab）发布统一世界动作模型 **Fysiverse-UniWAM**，把自主导航、移动操作、固定工位灵巧操作三类能力放进同一个模型。
- **关键技术点是 MAP**：即「操作锚定位姿」，把「适合后续抓取的底盘位置与朝向」直接当成导航的学习目标，而不是只要求机器人「到了目标附近」。
- **监督数据可以自动生成**：借助 HM3D、InteriorGS 与私有场景，用几何信息、视觉语言模型和自动路径规划批量产出 MAP-Data，规模为 **超过 150 万条轨迹、约 7500 小时**。
- **成绩单**：MAP-Bench 平均位置误差 **9.85 厘米**、朝向误差 **2.30°**，比最强外部基线分别低 **30.1%** 与 **44.0%**；24 项真机测试中，13 项导航位置误差全部第一、4 项移动操作成功率全部第一（平均 80.0%，领先 π₀.₅ **17.5 个百分点**），7 项固定工位操作 68.9%，落后 π₀.₅ **2.5 个百分点**。
- **判断：这套结果最该被记住的不是「不用大规模预训练也行」，而是零样本那一行——只用生成的 MAP-Data 训练、不加真机示范，真机误差是 18.7 厘米、6.34 度，差不多是加了真机数据后的两倍。这 8.85 厘米的差距，就是「仿真里算得准」和「现场停得准」之间还没填上的坑。**

### SRC

事实来源为机器之心 **2026-11-01 12:23** 发布、经新浪转载的报道（https://k.sina.com.cn/article_5953190046_162d6789e06703w0pu.html ），以及文中给出的项目主页（fysics-ai.github.io/uniwam.github.io）、技术报告（arXiv 2609.39388）、GitHub（Fysics-AI/UniWAM）、Hugging Face 权重与 MAP-Data、MAP-Bench 数据集页面。**素材时间窗**按本批规定为当日 09:00 → 19:00（2026-11-01 09:00 → 19:00），该稿 12:23 发布，落在窗内。**核查方式与限制**：本文所有数字均取自该报道对技术报告表 4／表 6／表 7／表 8 的转述，作者未直接调取 arXiv 原文逐表核对，也未复现实验；项目页与代码仓库由报道给出，作者未验证代码可运行性。**不确定边界**：①「平均位置误差 9.85 厘米」是 MAP-Bench 上的均值，报道未给出误差分布与最差任务，短中长距离各自数值也仅以「均取得最低停靠误差」描述，未逐项列出；②「24 项真机测试」中导航 13 项、移动操作 4 项、固定工位 7 项，合计 24 项，三类任务的计分方式不同（导航看误差、操作看成功率），不宜直接加总成「总排名」；③报道称固定工位任务「有 3 项超过 π₀.₅」，同时整体落后 2.5 个百分点，两者不矛盾但需分开读；④零样本 18.7 厘米／6.34 度是 UniWAM-Sim 在两种真机平台上的结果，报道未说明平台型号与场景难度，也未给出失败案例；⑤对比基线中的 π₀.₅、GR00T N1.7 等为第三方模型，其权重版本与评测配置未在报道中披露，横向比较存在配置差异风险；⑥「领先最强外部基线 30.1%／44.0%」中的「最强外部基线」具体是哪一家，报道未点名。文中判断均以「判断：」开头，文末版权与免责声明由模板自动附加。

### BODY

<p>具身智能的评测里，有一类指标长期被跳过：机器人走到目标前面之后，<strong>停在哪、朝哪</strong>。导航榜单比的是「有没有到达」，操作榜单比的是「有没有抓住」，中间那一步——底盘离桌边多远、正面还是侧面面对杯子——通常既不进榜单，也不进验收单。</p>

<p>但对真正要交付一台能干活的机器人的人来说，这一步恰恰是最容易翻车的地方：底盘停远了，机械臂够不着；朝向偏了，抓取姿态全要重算。机器人「走得到」和「拿得起」之间，隔着的就是这几十厘米。</p>

<div class="sec">
<div class="eyebrow">一、把「停在哪」写成坐标，而不是写成愿望</div>

<p>飞捷科思与复旦 CITLab 这次给出的方案叫 <strong>MAP</strong>（Manipulation Anchor Pose，操作锚定位姿）。做法不复杂：不再只告诉模型「目标物体在哪」，而是同时告诉它「站在哪个位置、以什么朝向面对这个物体，接下来的抓取最顺」。</p>

<p>关键在于这句监督信号<strong>可以批量造出来</strong>。团队用 HM3D、InteriorGS 和私有大规模场景数据，结合场景几何、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。每条轨迹里除了视觉观察和导航动作，还带着目标边界框、MAP 图像投影这类几何监督信息。</p>

<p>最终形成的 MAP-Data 是 <strong>超过 150 万条轨迹、约 7500 小时</strong>。这个量级的意义在于：团队没有去攒「完整的移动操作真机示范」——那种数据要从走到停再到机械臂伸出去，一条一条录，贵且慢——而是把「走到哪」这一段用生成的方式解决了。</p>
</div>

<div class="sec">
<div class="eyebrow">二、三张成绩单，要分开读</div>

<p>报道给出的是 24 项真机测试，分布在 4 种机器人平台上。三类任务的计分方式并不一样，混在一起看容易得出错误结论。</p>

<div class="tbl-wrap">
<table>
<tr><th>任务类型</th><th>项数</th><th>主指标</th><th>结果</th><th>对比基线</th></tr>
<tr><td>MAP 导航</td><td>13 项</td><td>位置误差 / 朝向误差</td><td>位置误差 13 项全部第一；朝向误差 11 项最优</td><td>π₀.₅、GR00T N1.7、FastWAM、Uni-NaVid、InternVLA-N1 等</td></tr>
<tr><td>移动操作</td><td>4 项</td><td>任务成功率</td><td>4 项全部第一，平均 <strong>80.0%</strong></td><td>领先 π₀.₅ <strong>17.5 个百分点</strong></td></tr>
<tr><td>固定工位灵巧操作</td><td>7 项</td><td>任务成功率</td><td>整体 <strong>68.9%</strong>，3 项超过 π₀.₅</td><td>落后 π₀.₅ <strong>2.5 个百分点</strong></td></tr>
</table>
</div>
<div class="cap">数据据机器之心 2026-11-01 报道对技术报告表 6／表 7 的转述整理；三类任务计分口径不同，不可加总。</div>

<p>这张表里最值得注意的不是「第一」，而是最后一行：<strong>在固定工位灵巧操作上，它没赢</strong>。68.9% 对 71.4%（按落后 2.5 个百分点反推），差距不大，但方向明确——一个没有吃过大规模机器人操作数据预训练的模型，在纯操作任务上仍然打不过吃过的。</p>

<p>这恰好说明 MAP 与 Mixed-Stream 的定位：前者解决「走到哪」，后者解决「怎么一起学」。Mixed-Stream 的做法是两条数据流各走各的输入编码器和动作输出头，但共享视频 DiT 与动作 DiT 骨干，靠 Mixture-of-Transformers 让视觉动态和动作生成共用一套参数。好处是导航数据和操作数据不必来自同一条完整轨迹，可以分开采样、批量喂进去。</p>
</div>

<div class="sec">
<div class="eyebrow">三、18.7 厘米那一行，才是真信息</div>

<p>报道里有一组数字容易被跳过：团队只用 MAP-Data 训练了一个 UniWAM-Sim，<strong>不加任何真机示范</strong>，直接部署到两种真实机器人平台上，结果是位置误差 <strong>18.7 厘米</strong>、朝向误差 <strong>6.34 度</strong>。</p>

<div class="jx-bars">
<div class="jx-bar-row"><div class="jx-bar-lab">加真机数据</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:49%;background:#0a749a"></div></div><div class="jx-bar-val">9.85 cm</div></div>
<div class="jx-bar-row"><div class="jx-bar-lab">纯生成数据</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:94%;background:#b85c0a"></div></div><div class="jx-bar-val">18.7 cm</div></div>
<div class="jx-legend"><div class="jx-lg">两项均为位置误差，柱长按 19.9 厘米满量程等比；左为 MAP-Bench 含真机数据结果，右为零样本真机迁移结果，两者评测集不同，不能直接相减当作「数据值多少钱」。</div></div>
</div>

<p>把这两个数摆在一起，能读出两件事。第一，纯靠生成数据也能「跑起来」——18.7 厘米对一个从没碰过真机的模型不算离谱，说明几何监督这条路的迁移性是真的。第二，<strong>它离能用还差一倍</strong>。9.85 厘米大致是「机械臂能舒服够到」的量级，18.7 厘米大概就是「还得往前挪半步」。</p>

<div class="keypoint">判断：这套工作真正的贡献，不是「不用大规模预训练也能拿第一」，而是把「仿真与现实的差距」量化成了一个可以做预算的数字。过去谈 Sim2Real 只能说「有鸿沟」，现在至少可以问一句：我的场景能不能接受 18.7 厘米的停靠误差？如果场景是桌面上抓杯子，答案是不能；如果是仓库里走到货架前再伸手，答案可能是能。</div>
</div>

<div class="sec">
<div class="eyebrow">四、路线之争的另一半：统一不等于免费</div>

<p>报道把这套方案放在 π₀.₅、GR00T 这条「大规模机器人预训练」路线旁边做对照。这个对照是成立的，但如果读成「预训练路线被证伪了」，就过头了。</p>

<p>更准确的读法是：<strong>统一模型的能力，未必只能靠扩大真机预训练规模来获得</strong>。MAP-Data 用几何信息自动生成监督，绕开了「完整移动操作轨迹难采」这个具体瓶颈；Mixed-Stream 让两类数据不必来自同一条轨迹，绕开了「数据必须配对」这个约束。这两个绕法都很有价值，但它们省掉的是<strong>数据采集的结构性成本</strong>，不是数据本身。</p>

<p>换到做交付的角度，这套东西的可借鉴处有三条。一是「停靠位姿」应该进验收单：给客户演示之前，先量一遍机器人停在目标前的实际位置误差，这个数比「能抓起来」更能预测长期表现。二是场景几何可以先建后采：如果客户的现场是固定的（仓库、机房、展厅），用几何加视觉语言模型预生成一批接近轨迹，比让工程师一遍遍拖着机器人走要便宜。三是别把「统一」当卖点卖：固定工位操作还落后 2.5 个百分点，说明一个模型通吃三类任务时，最弱的那一类就是它的真实水平。</p>

<p>代码、权重、MAP-Data 与 MAP-Bench 都已放出，这在这个领域不算常见。对中小团队来说，这意味着不必从零复现，可以直接在自己的场上量一次 9.85 厘米到底意味着什么。</p>

<div class="srcline">事实来源：机器之心 2026-11-01 12:23《24 项真机硬碰硬！不靠大规模机器人预训练，Fysiverse-UniWAM 拿下导航、移动操作双第一》（新浪转载）；数据均转引自该报道所述技术报告表格，作者未复现实验。</div>
</div>

---

*来源：神机百见-具身解读 · https://www.shenjibailian.com/jiedu/article/fysiverse-uniwam-9-85cm-anchor-pose-24-tests/*