机器人世界模型开始连续预测时间
图：ODEWorld作者项目页清华AIR与伯克利团队提出ODEWorld，把机器人世界模型从逐帧预测改成连续时间的潜空间演化。论文在仿真与真实机器人数据上测试了视频预测和策略学习，但代码尚未开放，也不是已经部署的机器人产品。
清华大学智能产业研究院（AIR）与加州大学伯克利分校团队7月30日提交ODEWorld论文，尝试让机器人世界模型不再只按固定帧率一格一格预测未来，而是在连续时间里描述环境和动作如何变化。
研究团队提出Physical-Time Flow方法，把视觉观察压缩到潜空间，再学习一条随真实时间变化的速度场。给定起点和目标后，普通微分方程求解器可以沿这条速度场积分，得到任意时刻的预测状态。
连续时间设计带来两个直接能力：模型可以在不同时间分辨率下生成中间状态，也可以从当前状态向前或向后推演。作者认为，这比只适配固定采样间隔的逐帧模型更适合处理掉帧和采样不规则的数据。
ODEWorld并不在像素层面保存所有细节。论文使用冻结的DINOv2视觉编码器，并把与动作变化有关的信息压缩成一个768维潜变量，再用三层多层感知机描述潜空间速度场，以降低规划和预测的计算量。
训练与评估覆盖LIBERO基准的130项任务、6500段人工遥操作演示，以及AgiBot-World挑战子集约3万条真实机器人操作轨迹。论文展示了机械臂开抽屉、拿取物品等场景的连续预测结果。
在机器人控制实验中，ODEWorld生成的潜变量被用作策略学习的中间目标；在视频实验中，作者与V-JEPA 2、LDP等方法进行比较。当前结论来自论文给出的基准测试，不等于已在开放环境长期运行。
可用性边界也很明确：项目GitHub页面目前只写着代码即将发布，尚未提供训练代码、权重或可复现脚本。外界暂时无法独立复验全部结果，也没有面向企业或消费者的产品上线计划。
这项研究的意义在于为世界模型增加了连续物理时间这一坐标。后续要看代码开放后的复现结果、真实机器人闭环控制稳定性，以及在更长任务和更复杂接触过程中能否保持预测准确。