Hourglass：将通用世界模型与机器人自身动力学解耦进行跨形态规划

杂乱环境中的运动规划依赖机器人本体：可行自由空间和可执行命令取决于各自几何与动力学。现有跨本体策略常输出忽略差异的归一化命令，或依赖逐机器人训练与蒸馏补偿。世界模型原则上可汇总跨本体数据，但命令条件模型把潜在动态绑定到单一动作空间，位姿条件模型又缺少从命令到本体运动的映射。在平地上，本体对规划观察的影响只经由相机自运动体现。我们提出Hourglass沙漏架构，在这一接口分解跨本体规划：本体无关世界模型与各机器人把命令映射为相机自运动的可微自身动力学，仅通过自运动耦合。世界模型在跨本体和相机安装方式的汇总数据上训练；各本体动力学是经过物理参数辨识的降阶模板。在连接处只训练一次参数条件化通用策略：每个想象步骤先滚动动力学模板，再滚动世界模型，经各机器人模板的想象训练让策略感知本体差异。在五类运动方式的七个仿真机器人上，该策略成功率比同一世界模型上的模仿学习和扩散策略基线高3.8–10.6个百分点，无专门训练即可匹配逐机器人专家；在无需在线地图的条件下，与参数条件MPPI教师的差距仅1.4–2.8个百分点。经过三分钟遥操作驾驶辨识，基于合成数据训练的模型可零样本迁移到训练未见的真实滑移转向机器人，在未见室内场景导航。