NTT 基于物理的世界模型可在执行前筛查机器人动作

2026年11月11日，NTT, Inc.宣布推出一种基于物理的世界模型，可在执行前评估候选机器人动作，以减少物体掉落、载荷坍塌等故障。NTT表示，在一项小型机器人货架装载测试中，该技术将任务成功率从73.1%提高到了92.3%。

该技术设想的首个应用场景是机场行李的自动装卸。行李在形状、重量和摆放方式上各不相同，仅靠传统机器人控制很难提前判断某个动作是否会导致载荷坍塌或物品掉落；而为所有可能出现的物品收集训练数据也不切实际。NTT计划与Mujin, Inc.开展行李处理现场试验。

模型如何评估候选动作

这项技术可与现有机器人控制软件配合使用，在机器人移动前增加预测和评估环节。候选动作可以来自视觉-语言-动作模型，该模型将摄像头视频和语言指令转换为机器人动作；也可以来自运动规划器，该规划器会计算实现任务目标所需的控制操作。对于每个候选方案，系统都会生成预测视频，并评估碰撞、物品掉落和载荷坍塌风险，进而给出评分，让控制程序选择经评估认为更有可能成功的动作。

NTT表示，传统世界模型不会明确表示物体的物理量，因此生成的视频中可能出现物体消失或发生不合常理的变形，碰撞预测也可能不准确。传统模型还依赖大型训练数据集，因此在训练数据未涵盖的情境中更容易发生故障。

NTT的物理控制适配器会从视频中估算每个物体的位置、朝向、速度和质量等属性，运用物理定律计算物体后续的运动，并将这些计算结果提供给视频生成模型。NTT表示，这种显式表示方式能够应对训练数据未涵盖的情境和运动。模型还会输出预测所依据的物理量，使生成结果的依据更容易理解。

基准测试结果与拓展计划

NTT还使用公开的OBJ3D基准测试评估未来视频的准确性。该基准测试包含合成物体发生碰撞的视频帧。NTT报告称，其模型在感知度量指标 Learned Perceptual Image Patch Similarity (LPIPS) 上优于传统方法。该指标以符合人类感知的方式比较预测视频与真值；数值越低，表示相似度越高。

除行李和包裹处理外，NTT还计划拓展至物流、仓储、制造、建筑和零售领域，并考虑与机器人服务提供商以及物流和仓储企业合作。减少劳动力需求、提高生产率是这项拓展计划的目标，并非此次报告的测试已经证实的成果。

这项技术计划在NTT R&D Forum 2026上展出。该活动仅限受邀者参加，将于2026年11月18日至20日以及2026年11月24日至25日举行。2026年11月25日举办的一场关于人工智能机器人技术和物理信息世界模型的研讨会，将由Mujin Japan首席执行官Isamu Arase和NTT执行研究工程师Jun Shimamura担任演讲嘉宾。

NTT公布的结果涵盖小型机器人任务和合成碰撞视频。计划开展的Mujin试验将检验已报告的货架装载改进能否应用于机场行李处理；在这一场景中，执行前筛查必须应对促使该模型开发的物理差异。