单图生成4D世界模型操控机器人

之前机器人世界模型要么只生成像素视频（缺乏几何一致性），要么需要多视角输入（部署成本高）。这篇把 RGB、深度、光流绑成 RGB-DF 统一生成，本质是用几何约束给视频生成加了物理锚点，避免了纯像素幻觉。

逆动力学策略直接从生成的 4D 状态预测动作，跳过了传统两阶段（先想象再规划）的误差累积。不过论文没提推理速度，扩散模型在真实机器人上的实时性仍是问号。

做 sim-to-real 迁移或数据合成的团队可以跟进，如果代码开源，这套 RGB-DF 的表征方式可能替代纯 NeRF/3DGS 路线成为新的中间表示标准。