近年来，随着人工智能从感知智能向决策智能演进， 世界模型 （World Models） 逐渐成为机器人领域的重要研究方向。世界模型旨在让智能体对环境进行建模并 预测未来状态，从而实现更高效的规划与决策。 与此同时，具身数据也迎来了爆发式关注。因为目前具身算法高度依赖于大规模的真实机器人演示数据，而这些数据的采集过程往往成本高昂、耗时费力，严重 限制了其可扩展性和泛化能力。尽管仿真平台提供了一种相对低成本的数据生成方式，但由于仿真环境与真实世界之间存在显著的视觉和动力学差异（即 sim-to- real gap），导致在仿真中训练的策略难以直接迁移到真实机器人上，从而限制了其实际应用效果。 因此如何高效获取、生成和利用高质量的具身数据，已成为当 前机器人学习领域的核心挑战之一 。 项目主页： https://horizonrobotics.github.io/robot_lab/robotransfer/ 模仿学习（Imitation Learning）已成为机器人操作领域的重要方法之一。通过让机器人 "模仿" 专家示教的行为，可以在复杂任务中快速构建有效的策略模型。然 而，这类方法通常依赖大量高质量的真实机器 ...