地瓜机器人发布WM-LOCO方案，首次将预测世界模型引入人形行走

    地瓜机器人近日推出WM-LOCO方案，首次将预测世界模型引入人形机器人复杂地形行走，并与PPO策略实现端到端联合训练。该方案摒弃了落脚点标注、教师蒸馏及多模块串行流程，从视觉输入到关节控制指令的训练过程一步到位。在仿真环境中完成训练后，策略可零样本（zero-shot）直接部署至实体机器人，无需二次调整，为具身智能的落地应用提供了新的技术路径。

    站在木质墩台的四台人形机器人

    WM-LOCO的核心在于建立对“未来”的理解。系统同时接收机器人机载深度视觉与本体感知信息，并通过循环式世界模型，在隐空间中持续学习机器人、动作与环境之间的动态关系。这一设计使机器人能够基于当前状态预测后续运动趋势，从而在复杂地形中做出更合理的决策。与传统方法相比，WM-LOCO无需人工标注落脚点，也不依赖预先规划的足端轨迹，简化了训练流程。

    在训练架构上，WM-LOCO选择让世界模型与行走策略在同一个训练过程中端到端联合优化。整个系统不需要教师—学生式多阶段蒸馏，不依赖复杂的多专家结构，也无需分别训练多个独立模块。这种一体化设计意味着从视觉输入到关节动作的映射关系可以在单一框架内完成学习，减少了模块间信息传递的损耗，也提升了策略的泛化能力。

    真机测试方面，同一套权重以零样本方式部署到UnitreeG1人形机器人后，在踏石、台阶、缝隙三类地形中各测试10次，平均成功率达到93.3%。其中，在面对0.8米宽的缝隙时，机器人以一个完整的“摆腿—跨越—落地”动作一步跨过。出于安全考虑，团队未继续挑战更宽的缝隙，但这一距离在目前公开的真机跨越测试中已属少见水平。

    目前，该方案已在旭日S600计算平台上完成公开真机展示。算法在真实机器人、真实传感器和旭日S600计算平台上实时运行，完整实现了从视觉感知、世界建模到全身运动控制的闭环流程。这一展示验证了WM-LOCO在真实环境中的可行性，也为其后续在更广泛场景中的应用奠定了基础。