阿里达摩院开源 RynnWorld-Teleop 数字遥操作方案，用手势驱动世界模型生成机器人视觉演示，自动产出带关节级标签的训练数据。本文拆解它的核心思路、开源内容和适用场景。
阿里达摩院开源 RynnWorld-Teleop 数字遥操作方案，用手势驱动世界模型生成机器人视觉演示，自动产出带关节级标签的训练数据。本文拆解它的核心思路、开源内容和适用场景。
7 月 17 日，阿里达摩院开源了 RynnWorld-Teleop——一套"数字遥操作（Digital Teleoperation）"具身数据采集方案。论文已挂 arXiv（2607.06558），代码放在 github.com/alibaba-damo-academy。它的核心卖点用一句话讲：不用真机也能采集到可以直接训练的机器人数据。对于做具身智能、被真实机器人数据采集成本卡脖子的团队来说，这是一个值得认真看一眼的方案。这篇文章把它的核心思路、开源内容、在达摩院具身生态里的位置和适用场景讲清楚。
具身智能最大的瓶颈之一是数据：真实机器人采集慢、贵、危险，而且硬件强绑定——换一台机器人就得重采一遍。RynnWorld-Teleop 给出的解法叫"数字遥操作"，核心是用一个**世界模型（World Model）**充当"虚拟机器人"，把数据采集从真实硬件中彻底解耦。
传统遥操作 vs 数字遥操作的对比：
| 维度 | 传统遥操作 | RynnWorld-Teleop |
|---|---|---|
| 硬件依赖 | 需要真实机器人 | 不需要真机 |
| 视觉演示 | 真实摄像头拍摄 | 世界模型实时生成视频 |
| 动作标签 | 人工或额外标注 | 自动生成关节级标签 |
| 扩展性 | 受硬件数量限制 | 可无限合成 |
| 跨平台迁移 | 强绑定具体机器人型号 | 硬件无关 |
整套方案的数据流可以拆成三步：
1. 操作员做手势（人这一侧的输入）
↓
2. 世界模型（RynnWorld）把手势翻译成"数字机器人"的动作，
并实时生成对应的视觉演示视频
↓
3. 同步输出关节级动作标签（可直接用于训练的 action label）这里的关键技术点是动作条件化的世界模型（Action-Conditioned World Model）——模型不只是生成视频，而是"在给定动作的条件下"生成下一步该看到什么画面。这样生成的视觉演示和动作标签天然对齐，可以直接喂给下游的策略模型训练。
数字遥操作的价值不是"又一种数据采集方式"，而是改变了具身数据的成本结构：
对于早期具身团队、学术 lab、想快速验证策略模型的研究者，这等于把"采数据"这一步从卡脖子里拿掉了。
达摩院的具身布局有"三大件"，RynnWorld-Teleop 是其中之一：
三件套合起来覆盖了"采数据 → 训练大脑 → 标准化接口"的完整链路。RynnWorld-Teleop 在其中的位置是数据生产侧，是整个具身流程最上游的环节。
# 1. 拉代码
git clone https://github.com/alibaba-damo-academy/<rynnworld-teleop 仓库名>
# 2. 阅读论文理解架构
# arXiv: https://arxiv.org/abs/2607.06558
# 论文标题：RynnWorld-Teleop: An Action-Conditioned World Model
# for Digital Teleoperation
# 3. 按仓库 README 准备世界模型推理环境
# 注意：实时视频生成对 GPU 算力有要求，单机推理配置参考官方说明💡 提示：仓库具体路径以 github.com/alibaba-damo-academy 实际发布的为准。论文里的实现细节（世界模型规模、动作条件化方式、训练配方）建议先通读一遍再上手复现。
参考来源
中关村学院 × 中科大 × 上交 × 东方理工提出 VLA-JEPA，把 VLA 模型与世界模型在潜在空间共融，仅用 13 条轨迹就能完成装配任务，LIBERO 达 97.2%，获 LeCun、谢赛宁转发。
复旦 × 创智 × 牛津联合发布 ICML 2026 论文 AutoControl-Arena，自动合成可执行测试环境发现 Agent 在长尾场景中的潜在风险，复现 Anthropic/OpenAI 安全报告相关系数达 0.87。
英伟达在 Automate 2026 发布 Halos for Robotics 全栈机器人安全系统，把 18600 工程人年的自动驾驶安全积累开源给具身智能行业，核心安全框架已开放，43 家企业入伙。