跨本体迁移该在经验层做

一句话判断

跨本体迁移该在经验层做

论文解决什么问题

机器人数据的三条老路各有短板：真机采集贵，仿真有视觉 sim-to-real gap，从人类视频学则主要学到视觉表征而不是可执行的演示。这篇提出第四条：把人类经验翻译成机器人可学的数据。

核心判断是跨越本体鸿沟要迁移的是结构化经验，不是像素。人类视频里编码的目标、状态转移和 affordance 结构，很大程度上独立于人的形态。

核心方法

↳ ① 五级流水线，任务图 → 层级 affordance 潜变量 → 跨本体图翻译 → 物理约束验证 → 经验渲染。本体迁移因此变成图变换问题，而不是外观生成问题。
↳ ② 不变量选的是 affordance，不是物体身份或位姿。作者先排除三个候选：机器人位姿依赖本体，人类骨架同样依赖形态，物体身份无法泛化到新实例。
↳ ③ 生成器只管多样性，可行性交给独立验证器。违反逆运动学、碰撞或关节限位时，验证器产出结构化误差信号回灌，最多重试五轮。

实验结果

换五种数据源做对照：图条件化生成相对人类视频特征提升 25.8%，相对仅用文本 prompt 生成提升 13.5%。作者据此说增益来自图结构，不是视频生成模型本身。图组件逐个去掉也一致：去掉约束图，可执行性掉得最多。

这篇论文不是什么

这篇的可信度要打折扣，原因不止一条。生成的轨迹从未在真机上执行过——所谓物理有效性来自作者自建验证器的离线检查，作者也承认它只管运动学不管完整接触动力学。核心指标是自定义的，其中任务正确率由 VLM 参与判定，等于评判方和生成方同源。跨本体主表里五个本体的抓取稳定性一列全是 100%，而同表其他列都有正常波动。整条流水线的生成环节依赖商用视频生成 API，未讨论可复现性与成本。另外正文里出现了面向审稿人的表述，这在正式论文中不常见。