WORLD LABS · ATLAS
在空间上下文中
生成、重建与模拟。
多模态自回归扩散模型，统一处理文本、图像、视频和三维信息，支持相机控制、新视角、空间重建和时空模拟。
适合需要补全世界、生成视角和仿真内容的任务。
阅读官方 Atlas 介绍 ↗同一只杯子。一直记得。可操作的合成场景 · 原理演示
客厅 / LIVING ROOM
拖动场景旋转 · 或使用右侧按钮
新源帧正在进入
同一个身份。
A-017 · 蓝色马克杯
有时效的位置。
茶几 · 历史位置
可追溯的经历。
每次观察，都有来源。
02 / 拆开原理先看发生什么，再看为什么
眼前的事，实时跟上。
复杂的事，后台想清。
连续跟踪、按需取证、空间记忆。
三条路线，协同维护同一个世界。
选一种情况，看系统走哪条路。
一帧 RGB-D图像 + 深度 + 相机位姿
快线 先维持可用关系
L0连续跟踪→L1近期接回→L1.5邻居关系→L2五点投影
慢证据 按需确认身份
SAM分出物体→E / S / C / P四类证据→L3两源裁决
点云 并行检索旧表面
空间索引找附近资产→表面 / 深度当前帧复核
WorldState统一身份 · 唯一归属 · 坐标时效
进一步了解
相似，不等于已经确认。
调整四类证据，然后提交两张不同源帧。试试重复同一帧，或让“位置”缺失。
当前观测对 A-017 的评分0.00
本实验的假设
教学简化：第二候选固定为 0.55，其他质量与地图条件假定合格，暂不模拟 FoundYou 歧义重排。修改输入会重置本轮投票。
一张彩色照片，还少了一把尺。
照片告诉机器人“在哪个像素”，深度告诉它“有多远”，位姿告诉它“放在房间的哪里”。拖动深度，看看同一像素对应的位置怎样变化。
展开一个最小公式
相机横向位置 = (像素横坐标 − 主点) × 深度 ÷ 焦距。再用相机外参、底盘位姿和地图修正转换到地图坐标。
本例固定 u=380、cx=320、fx=600；显示 x_camera=0.1×深度。图为教学投影，不是标定工具。
查询位置和操作位置有什么不同？
当前实例 Mask 的快坐标用于查询；操作用可信坐标还需慢几何的质量与来源准入。仅找到旧身份不会自动升级坐标质量。
“我记得它在那里”，和“现在可以去抓”，是两件事。
拖动时间。历史位置会留下，当前操作位置会过期。
0.0秒前的观测
新观测3 秒有效窗口需要复核
长期 Asset IDA-017 · 保留
上次在哪里茶几 · 保留为寻找线索
当前发布位置
进一步了解
示例按原文的 3 秒坐标有效窗口演示；刷新仍受队列、预算和观测质量影响。KAtlas 提供感知与记忆，抓取规划和控制由下游模块负责。
03 / 应用前景从“看懂画面”，走向“围绕同一个物体做事”
一句话。
让空间记忆派上用场。
找回物品。指向目标。记下示范。
从三个小场景，看见更大的应用空间。
产品情境演示
这一步交付什么
已有什么，还需接入什么？
WHERE TO START先落在“重复见到
先落在“重复见到
同一批物体”的场景。
家庭与服务空间
找回物品、持续指定目标、查看上次观察。先交付找物线索，再接入导航与抓取。
实验室与工作台
工具、容器和任务经历按实例关联。重点验证相似物体混淆、遮挡恢复和移动更新。
固定场地巡检
把“又看到了什么”升级为“哪个资产变化了”。需补充业务异常规则与人工复核闭环。
04 / 实时与成本让节省发生在哪里，看得见、算得清
重计算，
只在需要时登场。
让每帧观察持续更新。
将更多计算，留给真正需要核验的变化。
把后台变慢，前台会怎样？
前台按示例 10 Hz 继续更新。新身份何时确认，仍要等后台证据。
这是调度演示，还是实测速度？
调度教学模型：前台 10 Hz、忽略资源争抢和处理开销。原文 YOLOE 约 8 Hz 是目标配置，并非本演示或机器人实测帧率。共享 GPU 饱和仍可能影响真实延迟。
少做多少次重复身份推理？
与“每个可见目标每帧都做重身份取证”的朴素方案比较。
示例中的重身份推理次数减少
展开计算假设
观察 60 秒，朴素基线 10 帧/秒：次数 = 目标数 × 600。按需方案：每目标初次 2 份证据 + 每 15 秒复核 1 份（60 秒内另计 4 份）+ 滑杆额外触发次数。
这是简化的任务次数估算，未计检测、跟踪、SAM 纯坐标刷新、点云、I/O、失败重试与硬件资源争用。不能据此推导总 GPU 成本、金额或对 Atlas 的加速倍数。
如何验证实时性和成本优势？
固定硬件与输入分辨率，对齐任务和准确率约束，测量：前台 p50/p95 帧延迟、重识别确认延迟、每分钟重模型调用、GPU 秒与峰值显存、身份误合并率、错用过期坐标次数。与可访问的 Atlas 任务做交集比较，并单列各自覆盖的能力。
05 / 与 Atlas 放在一起理解同样通往空间智能，切入任务不同
同样走向空间智能。
从真实世界开始。
联想到 Atlas 的空间体验。
看到 KAtlas 面向机器人落地的具体路径。
在空间上下文中
KATLAS · OBJECT-CENTRIC MEMORY
认出同一个物体，
持续更新它的记忆。
以 RGB-D、位姿和 Asset ID 为基础，组织当前观测、历史视图、表面点云和交互经历。快线维持画面，后台按需补证。
适合真实空间中的持续感知、找物、指物和示范数据组织。
回到房间，亲自试试 ↑建议定位：面向真实机器人、以物体为中心的实时空间记忆底座。借助可复用的资产记忆，减少重复理解与取证，为上层操作提供有来源、有时效的世界状态。
能力与性能的比较边界
KAtlas 与 World Labs Atlas 无从属关系。本页未提供同任务、同硬件的对比测试；实时与低成本是 KAtlas 的架构目标及可检验潜力。它不据此宣称具备 Atlas 的通用生成或物理仿真能力，也不假定 Atlas 必须逐帧重建世界。