机器之心报道

机器之心编辑部

随着通用型机器人策略的演进，机器人已能通过自然语言指令在多样环境中执行各类任务，但这同时也带来了显著的挑战。

一方面，真实世界评估成本极高，需要系统性覆盖常规场景、极端情况、分布外环境以及各类安全风险，通常需进行成百上千次真实硬件实验，不仅耗时、昂贵，还可能存在操作风险。

另一方面，安全性评估尤为棘手，许多潜在的不安全行为（例如误夹人手、损坏设备或引发环境危险）本身就不适合在真实环境中反复测试，使得传统的硬件评估方法在安全场景下往往难以实施。

传统的物理仿真器虽有帮助，但在真实感、多样性、搭建成本和视觉一致性方面仍存在明显瓶颈。

此外，前沿视频模型为世界仿真提供了一种替代路径，有望解决前文提到的诸多挑战。然而，要真正发挥这一潜力面临很多困难，主要原因包括：

1）在闭环、动作条件生成中容易产生伪影；

2）对接触动力学（如物体接触、碰撞）的仿真十分困难；

3）现代策略架构对多视角一致性提出了较高要求，而这在视频生成中并不容易满足。

论文地址：https://arxiv.org/pdf/2512.10675项目主页：https://veo-robotics.github.io/论文标题：Evaluating Gemini Robotics Policies in a Veo World Simulator