World Motion Models：统一SE(3)轨迹生成模型在策略学习、场景预测和全身重定向达到SOTA

能否用一个统一的生成模型，对动态3D世界中的异构SE(3)运动轨迹进行灵活的条件建模，使同一网络支持预测、规划、策略和控制等多种任务？

现有运动生成和世界模型往往按类别或形态划分，使用密集表示（如点轨迹、视频像素）或固定参数化模型（SMPL、URDF），难以统一处理任意实体，也不能灵活地在同一模型中切换未来预测、逆动力学、运动补全等推理模式。视频世界模型还把3D运动与外观、光照、视角纠缠在一起。

此前方法包括 Diffusion Forcing 等逐token噪声调度、离散扩散、以及针对特定形态的生成模型（如 MDM、CHOIS、GMR、PHUMA）。它们通常在固定时间轴上做因果预测，或依赖类别特定参数化，未能在统一表示下支持任意实体间和任意时间点的条件组合，也难以扩展到超过10K token的规模。

WMM 将每个实体在每个时间步的6D SE(3)姿态编码为9维token（3维平移+两个旋转向量×δ），并为token附上语义和几何特征。训练使用流匹配，每个token独立采样噪声水平 λ ∈ [0,1]，网络在单一前向中预测速度场；通过给不同token设置 λ=0 或 λ=1，推理时用任意掩码得到任意条件分布。引入解耦的 context token 时间线，可放入目标状态、跨具身配对示例等非序列条件。架构上使用 per-block AdaLN 注入逐token噪声水平，并结合三个寄存器块和五种分解注意力（全token、时间轴、实体轴等）以高效处理超过10K token；对缺失观测，将无效token固定在 λ=1 并从损失中排除。

在 Language Table 的8块、200步设置上，WMM 达到 87.2% 宏观平均成功率，超过 LCB 80.0%、ActionVLA 76.8%；B2B 任务90.0%，B2RL 90.0%，Sep 100.0%。对 B2B 与 B2AL 任务使用 MPC 后成功率分别提升到 100.0% 和 80.0%，且平均步数下降。在 TraceGen 的 Droid 和 EpicKitchen 测试集上，WMM（P=128，per-dataset）将 Droid MSE/MAE/Endpoint 分别从 TraceGen 的 0.206/1.289/0.285 降至 0.151/1.129/0.200，EpicKitchen 从 0.445/2.721/0.791 降至 0.322/2.130/0.556。在 OMOMO 人-物交互基准中，WMM 在 MPJPE 上为 12.07（CHOIS 为 15.30），交并比相关指标 F1 0.76 高于 CHOIS 0.67，但平移误差 T_obj 16.53 略高于 CHOIS 12.53。人形机器人重定向实验在物理仿真中报告：WMM 推理 86.97 FPS，干净输入时序列成功率 0.8690，优于 GMR 0.7945 和 PHUMA 0.8255，位置误差 0.0420 低于两者。模型参数 438.8M，对400条轨迹32步推理耗时4.18秒（TraceGen 674.6M，2.66秒）。消融显示去除 per-token 噪声后 Language Table B2B 成功率为0，plain DiT 在 TraceGen MAE 升到32.05。

作者承认：(i) 每个基准单独训练一个 WMM checkpoint，未做跨域联合训练；(ii) 未扩展到更一般的线性群；(iii) 需要深度和当前/过去状态估计作为输入，不能直接从RGB视频推理；(iv) 不能泛化到训练中未见过的形态。明显局限还包括：模型参数量较大（438.8M），推理速度慢于专用模型（TraceGen 2.66s vs WMM 4.18s）；仅在仿真和现有基准上验证，未见真实机器人闭环成功率的报告；论文未报告是否开源代码或模型权重。