TraceGen：在 3D 轨迹空间中进行世界建模，实现从跨具身视频中学习

基于摘要分析。该研究面向机器人在新平台、新场景中仅凭少量演示学习操作任务的问题，提出 TraceGen：将人类及不同机器人视频统一为紧凑的场景级 3D 轨迹表示，在轨迹空间而非像素空间预测未来运动，以降低外观差异的影响并保留操作所需的几何结构。 核心机制是利用统一的 trace-space 连接跨具身、跨环境及跨任务的视频。配套数据流水线 TraceForge 将异构人类与机器人视频转换为一致的 3D 轨迹。作者报告，该流程形成包含 123K 视频、1.8M 个 observation-trace-language 三元组的语料，用于预训练可迁移的 3D 运动先验。摘要未说明轨迹提取与几何对齐的具体实现、模型结构、训练损失及目标平台适应方式，这些内容尚未验证。 作者报告，在仅使用五个目标机器人视频进行适应的设置下，TraceGen 在四项任务上达到 80% 成功率；相较所对照的先进视频世界模型，推理速度提升 50–600 倍。对照模型身份、推理硬件、耗时统计口径、试验次数及任务间汇总方式尚未验证。另在仅有五个手持手机拍摄、未经标定的人类演示视频的设置下，作者报告真实机器人成功率为 67.5%。两种演示条件不同，不能将其结果直接解释为同一协议下的性能变化。 摘要强调该方法不依赖物体检测器或重型像素空间生成，但其对视频质量、3D 轨迹估计误差及场景变化的敏感性仍需核对全文；实验协议、消融及统计信息尚未验证。本文的直接研究对象是机器人操作与跨具身学习，未提供 EEG/BCI 实验，也未建立神经信号与 3D 轨迹表示之间的具体机制对应，因此不据此提出 BCI 迁移效果或复现实验建议。已有 EEG 相关工作尚未检索确认。