SimForcing：将仿真运动先验蒸馏到真实域机器人世界模型

基于摘要分析。SimForcing 研究动作条件机器人世界模型如何精确响应机器人轨迹，同时保持真实的视觉动态，提出将仿真运动先验蒸馏与可控仿真条件相结合的框架。其主要研究对象是机器人视频生成及下游策略学习，而非 EEG 或 BCI。 机制上，模型首先通过 latent-motion distillation 从仿真教师迁移运动知识：对齐潜在空间中的时间变化，以吸收运动先验并减轻仿真与真实视频外观差异的影响。其次，multi-block simulation conditioning 配合 condition dropout 使用预测的仿真轨迹，避免过度依赖其准确性。simulation-conditioning classifier-free guidance 则平衡仅依靠已内化运动知识的预测与额外接受仿真潜变量引导的预测。联合训练的学生同时生成仿真条件和真实域视频，按摘要描述，推理时无需额外世界模型；具体损失形式、条件注入位置及推理开销尚未验证。 作者报告，在不使用外部具身预训练的比较条件下，SimForcing 在 Bridge 上的 PSNR、SSIM、LPIPS 和 FVD 均优于所比较的方法；摘要未提供数值、划分或基线细节，不能据此扩展为全面领先。作者报告，InternData-A1 上的评估进一步支持其在不同机器人数据集上的适用性，但训练与测试关系尚未验证，不能直接认定为跨数据集泛化。作者还报告，用该世界模型初始化 vision-language-action 模型可提高 LIBERO 成功率，具体任务、提升幅度与对照设置尚未验证。 复现需核对仿真教师的训练来源、仿真与真实轨迹的对应方式、潜在时间变化的对齐实现、条件丢弃及引导配置，以及下游初始化协议。摘要给出了代码仓库地址，但代码可用性与复现完整性尚未验证。实验协议、消融及统计信息尚未验证；本材料未建立机器人仿真运动与 EEG 信号之间的具体对应关系，因此不据此提出 BCI 迁移实验。已有 EEG 相关工作尚未检索确认。