从生成视频到交互仿真，地瓜机器人 Uranus 模型实现帧级闭环

机器人仿真为什么难？

开发一台能自主完成复杂任务的机器人，离不开大量的测试与验证。然而，真实世界的测试昂贵、耗时且难以复现。让一台机械臂在真实环境中试错成千上万次，意味着设备、人力、场地和时间成本都要持续投入。更麻烦的是，真实环境很难完全复现，光照、物体位置、桌面状态等，只要其中一个条件变化，测试结果就可能受到影响。

传统仿真器，例如 Isaac Sim、MuJoCo，提供了一种替代方案：在虚拟环境中验证算法，再迁移到真实世界。但这条路同样崎岖，手工构建仿真场景本身就是一项浩大的工程。3D建模、材质设定、物理参数调校等，每一个新环境都可能需要数天甚至数周的搭建。

有没有一种方法，能像生成图片和视频一样“生成”一个仿真环境？更进一步——能不能像真正的仿真器那样，做到逐帧交互、逐帧闭环？

Uranus：一帧一反馈的世界模型

地瓜机器人算法团队提出了 Uranus，一个基于视频扩散模型、工作在帧级闭环模式下的交互式世界模型。它将机器人仿真从“手工搭建”推进到“数据驱动”的全新范式。

给定几帧参考图像、机器人关节状态、相机参数和一句文本描述，模型就能自回归地生成多相机视角下连续、可控的未来视频流，用于模拟机器人与环境的交互过程。

Uranus 模型架构：模型在参考帧和历史帧约束下，根据输入的动作通过 flow matching 生成下一帧。

帧级闭环是 Uranus 的核心能力。 与传统的“输入一段动作、一次性输出整段视频”的开环生成不同，Uranus 的工作方式更像一个真正的仿真器：按帧推进生成过程，并将每一帧结果反馈给下一步预测，使动作指令可以在过程中实时调整。

具体来说，这一过程分为三步：

•每一步只生成一帧：模型根据当前观测（参考图 + 历史帧）和动作指令，预测下一时刻的多相机画面

•生成结果立刻反馈：新生成的帧被追加到历史窗口中，成为下一步预测的条件

•动作可以实时调整：因为是一帧一帧推理的，你可以在任意时刻改变动作指令，模型会立刻响应

这相当于一个帧级的“视觉数字孪生”：给定初始画面和机器人模型，开发者可以像操作真实机器人一样，生成画面中逐步“驾驶”Uranus，而这一过程不需要手工 3D 建模。

四个能力，让生成模型更接近仿真器

1. 让不同机器人说同一种“图像语言”

传统方法通常需要为每种机器人单独适配或训练模型。Uranus 则通过统一的骨架渲染管线彻底解耦了具身结构与模型输入：

•只需提供 URDF 或 MJCF 格式的机器人描述文件，结合关节位置（qpos）

•系统自动通过前向运动学（FK）计算 3D 关节坐标，投影到相机平面渲染为骨架图

•同一个模型即可支持 G1 人形机器人、Franka 协作臂、双臂系统乃至移动平台

换言之，一个模型，支持多种具身；训练一次，即可在不同机器人本体上复用。

这对闭环交互至关重要。因为在闭环模式下，模型每时每刻都在接收自己上一帧的预测结果作为输入。如果模型只能处理单一机器人，每换一个本体就要重新训练，闭环的泛化性就无从谈起。Uranus 的骨架渲染管线让不同机器人的动作都落到同一个“图像语言”里，这样无论驱动的是 G1 还是 Franka，模型看到的是统一格式的骨架图。

2. 闭环跑得更久，画面不容易漂

帧级闭环的难点在于误差会不断累积。每一步的微小预测误差都会作为历史条件喂入下一步，几十步之后，画面可能开始漂移，甚至出现明显失真。这也是很多视频生成模型只能稳定生成几秒钟片段的重要原因。Uranus 通过三项关键设计突破了长时闭环生成的瓶颈：

•因果注意力掩码（Causal Mask）：确保每一帧只能看到历史上下文，严格遵循自回归闭环的因果结构

•帧相对位置编码（Frame-Relative RoPE）：让模型在训练时只见过短片段，推理时却能泛化到任意长度的闭环 rollout

•参考帧注意力汇（Reference Sink）：利用 Transformer 中天然存在的“注意力汇”现象，将初始参考帧永久保留在上下文窗口中作为视觉锚点——无论闭环跑多少步，模型始终有一个“干净的起点”可以参考，有效抑制画质漂移

在这些设计支持下，Uranus 可以在训练只用 2 秒片段的情况下，在推理阶段稳定生成 60s 级别的闭环视频，并保持较好的画面连续性。

训练 2 秒，闭环60秒，这也是 Uranus 长时闭环生成能力最直观的体现。

3. 多个相机，看到同一个世界

机器人通常配备多个相机。以操作任务为例，机器人可能同时使用腕部相机、环境相机等多路视觉输入。Uranus 支持同步生成 3 路以上相机视角，并保持不同视角之间的空间一致性。

为此，Uranus 设计了交替式空间-时间注意力机制：

•空间模式：同一时刻不同相机之间交换信息，保证多视图几何一致性

•时间模式：同一相机沿时间轴建模运动动态，在闭环推理时，只有这些层需要建立 KVCache

这两种模式在 DiT 的各层之间交替执行，兼顾了计算效率与生成质量。

4. 相机可以移动，观察角度更灵活

除了动作可控，Uranus 还支持相机轨迹控制。通过 Plücker 射线嵌入， 模型可以将每一帧的相机外参和内参编码为逐像素几何特征。这种表示完全由相机标定参数直接决定，无需额外任何学习。

在闭环交互场景中，开发者这意味着你可以像操作传统仿真器一样，在任意时刻移动相机位置和角度。模型会根据新的相机参数，在下一步生成对应视角的画面。

这意味着，Uranus 不只能模拟机器人动作，也能支持动态观察：既可以看整体环境，也可以切换到末端视角，观察机器人与物体的接触过程。

技术架构速览：输入动作，生成下一帧

从架构上看，Uranus 是一个由动作和相机轨迹共同约束的多视角交互视频模型。

模型接收参考帧、历史帧、机器人动作、相机参数和文本描述，基于预训练的 Wan 2.1 视频 DiT 骨干，通过 Flow Matching（逐步去噪）生成下一帧画面。新生成的画面继续进入历史窗口，参与下一步预测，从而形成帧级闭环。

Uranus：动作和相机轨迹约束的多视角可交互视频模型

模型提供 1.3B 和 14B 两个参数规模，分别适用于快速实验和高保真闭环生成场景。

让逐帧生成真正跑起来

帧级闭环对工程效率提出了严苛的要求。每生成一帧，都需要完成一次完整的去噪扩散过程，如果每一步都从头计算注意力，计算开销会随着序列长度快速增长。

为降低推理成本，Uranus 引入了 KV-Cache 和滑动窗口机制：

•预填充阶段：参考帧和历史帧的 Key/Value 被计算并缓存

•去噪阶段：当前帧只计算自己的 Key/Value，与缓存中的历史拼接即可完成注意力——无需重复计算

•滑动窗口淘汰：当历史帧超过窗口大小时，自动淘汰最旧的帧，保证每步开销恒定

训练侧，Uranus 采用 HSDP、序列并行 和 VAE Tile 并行的混合策略，支持 64 GPU 规模训练。通过参数分片、数据并行、序列并行等方式，系统可以处理高分辨率、多视角、长序列视频训练带来的显存和通信压力。

推理阶段，Uranus则通过 KV-Cache、+ 滑动窗口淘汰和+ 序列并行机制，减少重复计算，让每一步的延迟和显存占用保持相对稳定——无论生成多少帧，开销不变，以支持多环境并行实时 Rrollout。

从生成视频，到交互式仿真

Uranus 重新定义了“用生成模型做仿真”这件事。

帧级闭环是 Uranus 区别于一般视频生成模型的核心特性。正是因为它能一帧一帧地接收动作、一帧一帧地产出画面、再将画面反馈给下一步，它才能成为一个真正可用的交互式仿真器，而不是一个只能“播放”的视频生成器。

围绕 Uranus同时，地瓜机器人正在探索一种新的机器人仿真构建方式：我们

•不再需要手工搭建 3D 场景

•不再为每种机械臂单独训练模型

•不再受限于秒级的生成长度

•用数据驱动的方式，让机器人在“想象”中学会与世界交互

真实世界测试仍然是机器人开发中不可替代的一环。Uranus 的价值，在于为真机测试之外的训练、评测和策略迭代提供新的工具，让机器人能够在更可控的环境中完成更多轮试错。

地瓜机器人将持续推进 Uranus 的技术迭代，并在后续公布完整技术报告、训练细节和定量实验结果。