1. “多世界 × 多层次”世界模型到底指什么

多世界（Multi-World）

同一个环境，用多种可计算的视角同时建模。它们各自解决不同问题，输出不同类型的结论。

常见几类“世界”：

1. 几何世界
地图、占据栅格、点云、可通行区域、动态障碍轨迹。

2. 对象世界
把环境分成“可交互对象”：人、宠物、自行车、门、电梯、桌椅、台阶、充电桩等。每个对象有状态（开/关、移动/静止、可用/不可用）。

3. 语义世界
区域与场景含义：人行道/马路、候车区、办公区、厨房、安静区、危险边缘等。语义不直接等于几何边界，但会影响策略。

4. 规则/约束世界
“允许/禁止/必须”类约束：速度上限、礼让规则、隐私限制、不可进入区域、任务流程约束等。

5. 意图/社会世界
对他人意图的估计：对向行人要通过还是停下、对方是否注意到机器人、是否要让路、是否在和机器人互动。

6. 反事实/预测世界
“如果我走左边/右边/停一下/请求协助，会发生什么”。用于选择策略。

关键点：多世界不是为了“更复杂”，而是为了把不同性质的问题分开建模、分别验证。

多层次（Multi-Layer）

同一个机器人在不同时间尺度做决策：

• 毫秒级：安全与稳定（急停、制动、避碰）

• 秒级：局部动作（绕行、跟随、会车、通过门口）

• 分钟级：任务步骤（去某处、取放、交接、充电）

• 小时/天级：学习与治理（规则更新、性能评估、复盘）

关键点：层次不是“分层软件架构”那么简单，而是“不同时间尺度的机制”。

2. 机器人落地要求：世界模型必须“可运行、可验证、可替换”

在工程实践中，你不是去追求一个“统一的大模型解释一切”，而是构造一组机制模块：

• 每个模块都有明确输入/输出

• 每个模块能被单独测试（仿真/回放/单元测试）

• 模块间通过清晰接口协作

• 关键决策能给出“依据”（证据）

所以，M×M世界模型不是一张概念图，而是一个可工程实现的机制集合。

3. 怎么构建：先把“世界”做对，再把“层”做稳，最后解决冲突

第一步：定义每个世界的最小可用输出（MVP）

不要一上来追求大而全。每个世界先做到“能产出稳定信号”。

• 几何世界：

• 输出：可通行代价地图 + 动态障碍轨迹 + 不确定度

• 对象世界：

• 输出：对象列表（类别/位置/速度/尺寸/状态）+ 跟踪ID

• 语义世界：

• 输出：区域标签 + 语义代价（例如“尽量绕开人群密集区”）

• 规则世界：

• 输出：约束集合（速度上限、禁入区、交互规则）+ 优先级

• 意图世界：

• 输出：对关键对象的意图分布（通过/停留/转向）+ 置信度

• 反事实世界：

• 输出：候选策略集 + 每个策略的风险/代价/成功概率

注意：这些输出都要带上最基本的三件事：
时间戳、来源、置信度（或不确定度）。

第二步：用“层间契约”组织多层次

多层次最常见的问题是：上层计划不可行，下层只会报错或硬扛。

建议用契约化接口：

• 上层给下层：

• 目标（去哪）

• 约束（不能做什么）

• 预算（最大风险/最大时间/最大能耗）

• 下层给上层：

• 可行性（可/不可/不确定）

• 失败原因（被规则限制/感知不确定/几何不可通行）

• 建议（换路线/等待/请求协助）

这样做的好处：每一层可以独立优化，也能明确责任边界。

第三步：解决多世界冲突，靠“裁决机制”，不是靠平均融合

多世界输出经常冲突，例如：

• 几何世界说能走，但规则世界说这里禁止进入

• 对象世界识别为“可移动物体”，语义世界却认为这里是“危险边缘”

• 意图世界认为对方会停下，但几何世界发现对方速度很快且不稳定

解决方法是建立一个裁决器（Arbiter）：

• 输入：各世界输出 + 置信度 + 优先级

• 输出：统一的“可行动集合”与“代价/风险评估”

• 原则：

1. 安全约束优先于效率

2. 确定性约束优先于不确定预测

3. 不确定度高时选择可回退策略（慢走/停下/拉开距离）

这一步是“认知机器人”能可靠运行的关键。

4. 反事实层：让机器人具备“先评估再行动”的基本能力

反事实世界不要求很复杂，但要实用：

• 生成少量候选（例如 3–7 个）：绕左、绕右、等待、后退、请求协助、换目标点……

• 为每个候选计算三类指标：

• 风险（碰撞概率、规则违背概率）

• 代价（时间、能耗、路径长度）

• 可解释理由（触发了哪些规则/证据）

你会发现：只要反事实评估是“可回放”的，系统可调试性会明显提高。

5. “具身”的落点：世界模型必须和动作空间绑定

世界模型不是为了好看，是为了驱动动作。每个世界都要能回答：

• 我现在能做哪些动作？（动作集合）

• 每个动作的结果大概是什么？（短期预测）

• 哪些动作违反约束？（可行性过滤）

• 需要什么证据才允许动作？（证据门槛）

工程上可以把动作分成两层：

• 原子动作：转向、减速、停止、跟随、进门、按电梯按钮等

• 复合技能：穿越拥挤区域、会车礼让、靠站对接、跟随某人到指定地点等

对象世界和规则世界对“动作可行性”的贡献非常大，这就是“具身机械主义”的现实含义：模型必须对行动负责。

6. 最后一步：把“证据链”做成系统的一等公民

要让系统可治理、可复盘，需要把每次决策的依据记录下来。最少记录：

• 当时各世界给了什么输出（或其摘要/哈希引用）

• 裁决器如何选择（规则触发、阈值、优先级）

• 最终动作与控制命令

• 结果与偏差（是否达到预期、是否触发安全事件）

这不是“日志多写点”，而是把系统做成可审计的机制。你会在调参、排错、迭代时极度受益。

7. 一个入门级的构建顺序

1. 几何世界 + 反射层：先保证不会撞

2. 规则世界加入：保证不会违规（速度/禁入/隐私等）

3. 对象世界加入：开始“可交互”，不只是避障

4. 语义世界加入：策略更稳健（不同区域不同偏好）

5. 反事实世界加入：关键节点做策略评估与解释

6. 意图世界加入：在人群环境下更自然

7. 证据链 + 复盘工具完善：进入可治理迭代

8. 总结成一句话

构建下一代认知移动机器人的“多世界×多层次”世界模型，本质是：
用多个可验证的世界视角分别建模，用层间契约组织不同时间尺度的决策，用裁决器处理冲突，用反事实评估做策略选择，并用证据链保证可复盘与可治理。

如果你希望我再“落一层”，我可以直接给一份工程模板：

• 每个世界的输入/输出数据结构（字段级）

• 裁决器的优先级与阈值框架

• 层间契约接口定义（类似 API 规范）

• 证据链事件格式（用于回放与评估）