大晓机器人近日联合南洋理工大学S-Lab发布了面向具体环境构建，可探索 、可交互的世界模型——Mundo。Mundo支持与Atlas多模态世界模型类似的场景重建 、自由视角探索和时空模拟能力 。
简单说 ，它能用少量照片或视频，搭出一个可以自由走动、换角度看的三维场景 ，还能让机器人在里面练习导航和操作 。
这一能力为机器人进入具体商业场景提供了支持。在大晓机器人以 Kairos 为核心的世界模型技术体系中，Mundo补充环境建模 、训练数据生成与仿真训练能力，帮助机器人完成场景适配和策略优化 。
少量图像构建专属世界模型 ，支持跨空间长路径生成
Mundo将少量图片或者视频，拓展为可持续探索的三维空间 ，同一组借鉴 图像可以支持多条相机路径；面对更大场景 ，还可动态选取 上下文，连续生成数十秒至分钟级的探索画面 。
具体来看 ，Mundo从真实场所的上下文影像出发 ，先建立三维代理，确定不同视图之间的空间关系 ，再沿指定相机路径生成新视角。在此次展示的场景中 ，输入1至12张图像，即可围绕房间中的家具和空间结构展开探索。同一组借鉴 图像可以服务于多条路径 ，让观察位置和角度自由变化 。建模过程中 ，三维检测器为主要物体提供初始位置与范围，视觉语言模型智能体进一步调整代理场景，通过渲染 、比较和修正 ，让场景结构与输入影像相互对应 。
例如 ，一间办公室可以从桌面旁绕到窗边，一处住宅可以从庭院进入室内。相机移动时 ，输入图像约束已经拍到的布局、外观和细节 ，模型则对没有被拍到的区域进行推断补全 。增加借鉴 视图，就能为场景提供更多真实依据 ，减少补全的不确定性 。
这种能力也能从一张生成图像或画作开始 ，将其中的结构和视觉风格延伸到新的视角。面对更大的环境，Mundo使用数十张上下文图像 ，支持数十秒至分钟级的长路径生成 。
物体具备物理属性 ，推拉碰撞都有可计算的响应
要让机器人在场景中练习，环境必须能够响应动作 。抽屉被拉开、椅子被推动 、物体落到地面 ，都需要对应的位置变化和接触关系。
Mundo可以通过代码编辑世界 ，通过场景程序描述物体的名称 、尺寸和位姿，并为其配置质量、摩擦等物理属性 。脚本定义动作和施加的力，物理引擎计算物体在重力与接触约束下的响应 ，得到运动轨迹 、接触位置和碰撞力 。随后 ，Mundo 结合环境借鉴 图像，将这些变化渲染到对应场景中。
这让环境拥有了明确的操作入口 。用户可以拖动垃圾桶 、推动显示器、拉动椅子或打开抽屉 ，也可以改变物体材料与重力条件 ，观察不同设置下的响应 。物理过程中的速度 、接触点和冲击力等状态，还能与生成画面同步展示。
在这一过程中 ，三维代理与场景程序负责记录“物体在哪里 、发生了什么变化” ，物理引擎负责计算运动，视频模型负责呈现与环境相符的视觉结果。几何、物理与外观各自承担明确职责 ，共同构成可交互环境 。
让每次交互都有可追踪的状态 、可计算的过程 ，是场景从可观看走向可使用的关键 。 Mundo 将物理交互引入重建环境，为机器人练习动作及分析结果提供了具体依据。
在同一环境贯通导航 、操作与四维模拟 ，构建机器人训练场
在同一个定制场景中 ，Mundo进一步支持机器人移动和操作，将环境重建连接到机器人测试与训练 。
导航方面，三维代理提供物体类别、位置 、障碍物和可通行区域等信息 ，路径规划器据此寻找路线 。操作方面 ，Mundo为参与交互的物体建立几何和物理属性，让不同形态的机器人尝试同一任务 ，例如将苹果放入碗中 、将罐子放上托盘或堆叠积木。
Mundo还将空间探索拓展到时间维度 。对于多相机记录的动态事件 ，可以从新视角呈现过程；对于基于图像构建的模拟事件，则通过重力和接触动力学计算运动 。
世界模型的产业价值 ，要由它对真实任务的贡献来体现。 在大晓机器人以 Kairos 为核心的世界模型技术体系中 ，Mundo 补充具体环境建模与仿真训练能力，连接现场采集、数据生成和策略优化 ，服务于机器人进入实际工作场景 。
（文章来源：上观新闻）
