不需要物理引擎：D-Robotics 的 Uranus 逐幀生成機器人模擬世界

每個機器人學習團隊最終都會撞上同一堵牆：物理模擬器跑起來便宜，畫面卻不夠真實；真實世界光澤逼真，做實驗的成本卻高昂到令人卻步。本週，D-Robotics AI Lab 發布了一份立場強硬的研究報告，選擇了一條激進的中間路線：視覺模擬乾脆不要物理引擎，讓擴散模型直接生成攝影機將會看到的畫面。

這套系統名為 Uranus，論文標題為《Uranus: Building the Next-Generation Simulation Infrastructure for Embodied AI》（arXiv:2609.24815，第 3 版於 2026 年 9 月 23 日上傳，由 Wenkang Qin 與 Yukun Zhou 領軍，團隊成員包括 Noah Shen、Jisong Cai、Dongxiao Mao、Baicheng Li、Yue Zhang 與 Wei Sui）。它於 9 月 24 日登上 Hugging Face 每日論文榜，隨即在具身智慧（embodied AI）社群中流傳開來。

Uranus 到底是什麼

Uranus 是一個以關節軌跡為條件的自迴歸擴散模型（joint-trajectory-conditioned autoregressive diffusion model）。它的輸入本身就說明了一切：初始的多視角觀測、校正過的攝影機內外部參數、以標準 MJCF 或 URDF 格式描述的機器人形態，以及以 qpos 表示的四個未來關節配置。輸出則是下一個同步的多視角觀測——如果機器人真的那樣移動，它的攝影機實際會看到的畫面。

每個自迴歸步驟生成一個潛在幀（latent frame），解碼為每台攝影機四張連續的 RGB 影格，且四個關節位置樣本與這四個時間戳一一對齊。由於生成的觀測會被回饋為下一步預測的上下文，整個模擬沒有固定的視界（horizon）：可以一小段、一小段地無限開放式推進。經過推論優化——包括分離式 DiT 與 VAE 解碼、以及以 KV 快取為核心的狀態持久化——團隊報告的生成速度達到 24 FPS。

與傳統模擬器的對比是架構層面的，而非漸進改良。物理引擎沿時間向前積分力矩、速度與接觸力，再把結果渲染出來；Uranus 完全不做積分，它從資料中學習運動學軌跡的視覺後果。這意味著：接觸豐富的場景、變形、雜亂背景，只要出現在訓練語料中就免費附贈；沒出現過的，就會出錯。這個取捨正是整個賭注所在。

以 2,400 小時以上的真實機器人資料訓練

訓練語料集結了 AgiBot World Beta（141,355 個片段、2.574 億影格、30 FPS 下約 2,383 小時）、AgiBot World 2026、DROID，以及 RoboChallenge Table30 v1 與 v2——涵蓋單臂、雙臂與人形平台。為了在不更動模型架構的前提下吃下這種多樣性，Uranus 把形態特定的運動學與學習到的表徵解耦：每種機器人機體——UR5、ALOHA、AGIBOT、ARX5 或 DROID——都透過線上正向運動學與攝影機投影，轉換成共用的影像空間骨架表示。末端執行器標記直接編碼任務相關資訊：半徑代表夾爪開合程度，顏色由末端執行器與攝影機相對姿態的球諧函數計算而得。

真正重要的數字

三條評測主線值得注意：

長時域穩定性。 在 WorldOlympiad 長時域互動基準上，作者量測長時間推演後的衰減程度。在最後 140–160 秒區間，Uranus 在頭部視角維持約 12.3 PSNR 與 0.45 SSIM，而最接近的同期對比 GE-Sim 2.0 為 7.1 PSNR 與 0.20 SSIM。所有生成式模擬器都會隨誤差累積而衰減；這裡的主張是 Uranus 衰減得更慢。

任務 OOD 協議。 有鑑於社群日益擔憂具身智慧基準偷偷在測試集上訓練，作者把 30 項任務拆成 24 項訓練、6 項留出評測，並指定測試案例，同時報告分布內與分布外（OOD）結果。質性的 OOD 分析涵蓋對未見場景、軌跡、任務、攝影機運動與機器人形態的泛化。

閉環策略一致性。 或許最關鍵的實驗，是驗證 Uranus 能否充當策略評估器：多個策略分別在 Uranus 內與 RoboTwin 乾淨環境中閉環執行，再逐策略比較兩邊的平均成功率。如果模擬成功率能排序真實成功率，學習式模擬器就成了硬體試驗的廉價代理——這正是機器人學家願意付錢的使用場景。

##看清細節

論文對短板異常坦白。作者明確指出，在嚴峻的分布偏移下，精確接觸動力學與物體狀態轉移仍是限制所在——而這恰恰是物理引擎靠構造就能保證的性質。報告沒有發布「在 Uranus 中訓練的策略」對決「在物理模擬器中訓練的策略」的勝率數字，而這正是整個領域還在等待的遷移實驗。arXiv 的版本歷史本身就是一齣小戲碼：第 1 版 9 月 21 日上線，第 2 版隔天撤回，第 3 版在 9 月 23 日回復了完整的 20 MB 論文。

釋出內容包含程式碼與模型權重——這正是「基礎設施主張」與「演示影片」之間的分水嶺。

為什麼此刻重要

Uranus 出現在學習式世界模型熱鬧的一週——Black Forest Labs 同週釋出了開放權重的 FLUX 3 Action，論文本身也提及觸及同一技術棧的同期工作。共同方向無可誤認：如果影片生成模型能在互動幀率下預測下一步會發生什麼，機器人學習的瓶頸就會從「收集真實資料」轉移到「信任生成資料」。Uranus 這類學習式模擬器，押注的正是那份信任終將到來。

論文結尾自己提出的開放問題是：在生成影格上訓練的策略，遷移到真實硬體的成功率，是否足以取代至少一部分物理引擎管線。在第三方跑出那場正面對決之前，24 FPS 只證明 Uranus 能串流——不證明它能模擬。但作為模擬基礎設施走向的宣言，這是迄今最清晰的成果之一。