GigaBrain-WBC-0.5 提出行为世界模型 InterTrack 实现人形机器人跨地形全身跟踪
GigaBrain-WBC-0.5 团队提出首个支持环境交互的行为世界模型 InterTrack,采用 Transformer 架构预测下一动作、状态及行为分布。在复杂地形交互中,其成功率达 81.3%,优于最佳基线 4.3 倍,且跌倒恢复率达 99.3%。该模型实现了人形机器人实时跨地形全身遥操作,并具备物体交互及支持缺失下的稳定响应能力。
GigaBrain-WBC-0.5 团队提出首个支持环境交互的行为世界模型 InterTrack,采用 Transformer 架构预测下一动作、状态及行为分布。在复杂地形交互中,其成功率达 81.3%,优于最佳基线 4.3 倍,且跌倒恢复率达 99.3%。该模型实现了人形机器人实时跨地形全身遥操作,并具备物体交互及支持缺失下的稳定响应能力。
CTS-MoE 提出感知门控密集专家混合架构,将多地形运动建模为多任务强化学习,实现行为平滑过渡。 软路由组合专家知识,分离评论器隔离异构目标;教师-学生机制将特权地形信息迁移至板载深度感知,部署时无需地形标签。 相比层级与 DAgger 蒸馏基线,成功率升至 93.3%,平均动作 jerk 降低约三分之一;在 Unitree Go1 上完成 10/10 次室外扩展课程。
ActQuant 提出行动引导混合精度 PTQ 框架,在 LIBERO 基准上以 3 bpw 以下保留 OpenVLA-OFT 95.0% 性能。 通过 2.5 bpw 将主干压缩至 2.7 GB,实现 5.3 倍加速,并在 UR3 机械臂上保持基线成功率。
提出事件锚定的 SAE 可解释性流水线,将特征分析与闭环行为事件对齐而非文本上下文。 在 OpenVLA 和 $\pi_{0.5}$ 模型中,该方法的排序产生最强因果效应,并能转移至连续动作块。
summary_zh: VTAM 提出一种无需触觉或动作预训练的高效视触世界-动作模型,在四个真实机器人任务和八个 UniVTAC 仿真任务中超越所有未使用触觉预训练的基线。
RoboCurate 提出利用模拟器验证动作一致性的框架,以缓解视频生成模型中合成数据动作标签噪声问题。 该框架结合逆动力学模型在模拟器中执行并验证动作,并利用 VLM 过滤物理上不合理的生成视频。 在 GR-1 桌面、DexMimicGen 等基准测试中,该框架显著提升机器人操作成功率,部分场景相对提升达 90.3% 至 179.9%。
研究者提出 WoVR 框架,利用受控的世界模型模拟器解决 VLA 策略强化学习中闭环想象 rollout 的幻觉与误差累积问题。 框架通过可控动作条件视频世界模型、关键帧初始化 rollout 及世界模型-策略共进化机制,实现稳定长程模拟与高效策略优化。 实验显示 WoVR 在 LIBERO 基准测试中性能优越,并在多个真实机器人平台上带来一致性能增益。
LSD-3D 提出了一种直接生成具有准确几何的大型三维驾驶场景的方法,实现了包含物体持久性的因果新颖视图合成。 该方法通过结合代理几何与环境表示的生成以及从学习到的二维图像先验中的分数蒸馏,实现了对几何和高分辨率纹理的高可控性,可基于地图布局进行条件生成。
Social Humanoid是一个分层系统,能让29自由度Unitree G1机器人根据人类伙伴动作生成并执行全身运动。 该系统通过共享令牌化表示进行序列建模,预测被遮挡的伙伴动作;利用两阶段自适应重定向方法,在五个动作捕捉数据集上生成了260小时的人-形机器人交互基准。 结果在模拟和真实世界中展示了协调的人机行为。
SHORE 结合稳定性概率与在线策略回报估计,加速在线 3D 装箱学习。 在 Isaac Gym 中,SHORE 经 0.4M 步达到 73% 空间利用率,无稳定性建模者需约 1M 步;在 60 盒扩展集上利用率为 0.734,对比 GOPT 基线 0.588。 论文验证了方法在真实机器人上的集成能力。
该研究提出可个性化 Transformer 模型,将表面肌电信号映射至末端执行器康复机器人的接触力轨迹,实现面向神经运动激活的处方生成。 模型采用旋转位置嵌入(RoPE)生成潜在表征,并引入流匹配生成轨迹分布;基于 16 名健康参与者 15 项等长任务评估,留出任务与用户轨迹预测误差低于 8%,具备亚秒级采样与近即时确定性推理。
summary_zh: La-JEPA 在 RoboTwin 2.0 与 LIBERO-Plus 上取得无需具身预训练策略的最先进性能,参数量远少于最强竞品。 该模型策略 Transformer 从零开始训练,在推理时仅生成动作,速度显著快于 Fast-WAM 且表现相当。
PlayGen2 提出分离 3D 状态演化与神经渲染的实时交互世界模型,实现低延迟可玩性。 模型在 M4 Pro 芯片 MacBook Pro 上达成约 160ms 后端延迟,支持零样本部署与多人交互。 代码与预训练模型权重已公开,验证了游戏世界模型的可迁移性与扩展性。
ProCompNav提出主动实例导航与比较判断框架,解决机器人处理模糊查询时确认负担重的问题。 该方法通过递归比较判断(RCJ)迭代缩小候选池,显著降低用户回复长度并提高成功率。已获NeurIPS 2026 Oral接收,实证研究证实用户更偏好其生成的二选一问题。
MOMASPLAT 框架通过结合 3D Gaussian Splatting、前馈 3D 基础模型及基于运动学的动作重定向,为移动操作机器人合成包含动态物体交互的全轨迹新视角演示。
VisionSIM 是一个物理驱动的多模态仿真平台,支持相机、事件、SPAD、iToF/dToF 及热成像等异构传感器。 它通过建模原始物理测量过程,复现 LiDAR 堆积、iToF 相位缠绕及事件相机死区等特定失效模式,并发布了包含同步原始测量值与地面真值的大型室内数据集。
该研究提出“形状教师对齐”机制,在训练时使用 Point-MAE 3D 特征指导图像策略编码器,部署时仅依赖图像输入。 在 LIBERO 基准上,该方法使预训练策略在 Object 和 Spatial 套件中的收敛速度分别加速 4.7 倍和 5.6 倍。 该机制通过向策略迁移几何结构,在无需部署深度输入的情况下提高了操作成功率。
该研究主张在训练时而非推理时使用世界模型,通过偏好蒸馏将预测能力融入快速策略。 具体采用离散视觉动作先验和两个任务对齐世界模型(社交动态和场景语义),通过组相对偏好蒸馏优化策略。 在部署阶段移除世界模型,策略通过单次前向传播实现更安全的导航和更类人的行为。
GraspBench 提出基于 MuJoCo 的评测协议,对 6 条抓取生成管线在 4 类机器人上完成闭环测试。 GraspGen 成功率达 73.1%,GPG 候选数量最多但成功率仅 44.3%,表明提案数量不等同于可执行性。 评测揭示了抓取表现受生成器、机器人形态及执行协议共同制约。
研究者提出 Concertina 这一具身视觉语言模型(eVLM),将连续轨迹表征直接置于共享扩散 VLM 主干的计算与参数路径上,取代传统解耦架构。该 4.46B 模型中活跃动作投影仅占 0.21% 参数,无独立动作生成器层。
具身编码智能体在标准暴露(CE)下虽能快速提高验证器评分,但该优势在标准微调后消失,且技能跨任务迁移能力差。 研究提出指令忠实标准,证明其比原验证器更能反映智能体生成代码的真实任务完成度。
一种两阶段“生成后排序”方法实现了具身智能体的目标解释,优于基础提示和思维链等基线模型。 方法使用 CORE 从模型自身生成的备选项中学习偏好;在家庭场景基准中测试了 DeepSeek-V3 chat、Qwen2.5-7B 和 Qwen2.5-72B 等开源 LLM。 论文被 ECC 2026 接收,涵盖人工智能、计算与语言及机器人领域。
京东物流在CeMAT ASIA展会发布升级版“狼族”机器人方案。智狼采用无线供电与旋转式取货平台,单台设备每小时作业突破240次,取货效率提升30%;保姆狼实现端到端全无人化分拣,搭载双臂具身机器人自动翻包投递,最高支持每小时34560件商品分播。
Taisei 成功实现大型隧道掘进机的 AI 自主运行,其自动操作在精度上超越了资深人工操作员。 该技术通过自动化高精度作业,旨在应对劳动力短缺问题。
智象元一CEO梅涛在论坛上提出构建智能体化的全模态世界模型,以跨越数字智能与物理智能鸿沟。 该模型由LLM决策大脑、Omni-Model模拟器及Embodied Context执行层协同,实现同一Token空间内思维与物理世界的统一。 这一架构旨在解决物理AI数据匮乏问题,通过合成高精度动作视频为具身智能提供数据供给,代表AI演进的全新方向。
美国人形机器人企业 Agility Robotics 即将在纳斯达克上市,交易完成后持有约 4.65 亿美元资金。这笔资金包括富士康领投的约 2.01 亿美元私募股权投资,其他投资方还包括英伟达、亚马逊和软银愿景基金二期。
Agility Robotics 成为美国首家在人形机器人领域上市的公司,于纳斯达克挂牌。该公司在证券文件中坦承人形机器人尚未实现大规模商业验证,且计划通过出租或销售机器人在人力劳动领域开展业务。
Agility 通过 SPAC 交易上市,筹集 4650 万美元资本。该公司拥有 3000 万美元的新机器人 Digit 5 合同,预计 CES 2027 演示,其现有 Digit 机器人已在工业场景执行搬运工作。
赛力斯集团董事、副总裁康波在2026年世界互联网大会乌镇峰会发言表示,问界正布局 L3/L4 级自动驾驶,其全新迭代的魔方技术平台已支持 L3 架构。他表示,问界品牌已有超百万辆高端存量车、超百万活跃用户和超百亿公里里程,截至2025年10月底,已累计避免可能发生的碰撞超450万次。
MIT 研究人员构建了 UQ-DAAAM 记忆系统,该系统通过比对同一物体的多视角描述来量化机器人不确定性。 系统实时获取额外视角并合并字幕以生成更准确的存储描述,在物体、位置及时间问题上表现优于基线模型。 其核心目标是让机器人明确自身知识盲区,避免将除颤器误标为灭火器等严重事故。
Agility Robotics 通过 SPAC 与 Churchill Capital Corp XI 合并后在 Nasdaq 上市,股票代码为 AGLT,股权估值约为 $2.5B,预计总募集资金约 $465M。文件显示其 2025 年营收仅为 $1.8M,而净亏损达 $138.1M,超过一半的营收来自单一投资者购买的 5 台机器人。
XROGO在CeMAT ASIA 2026展会期间正式发布“机器人到岗计划”,聚焦制造上下料及机房、配电室巡检值守场景,推动机器人进入企业真实岗位。 该计划以“租赁服务+工人带教”模式降低企业部署门槛,结合现场执行与远程授权,通过一线工人示教与工程师支撑缩短部署时间,并与生态伙伴共建解决方案。 此举旨在让机器人在真实任务中接受检验,逐步验证工作流程并拓展至分拣、装卸等更多物流作业场景。
宇树科技 CEO 王兴兴指出,当前机器人格斗表演观赏性不如去年,是因为机器人稳定性大幅提升,导致倒地摔倒场面变少。 过去稳定性差时对抗感更强,如今无论受击打都站得很稳。 宇树展示了基于端到端世界模型的全自主格斗,机器人通过实时采集画面直接推理决策。
Jev模型上线数周用户破百万,估值24天内升至75亿美元,引发决策模型品类快速兴起。 该模型端到端延迟低至70至500毫秒,比大模型快20到200倍。OmAI联汇提出端侧原生流式多模态路径,VLX矩阵已在无人机及机器人场景商用落地。
InDex 框架通过引入显式的抓取意图条件,解决了预训练 VLA 模型从并行夹爪接口到灵巧手操作的适应性瓶颈。 在四个模拟任务中,InDex 配合 $\pi_{0.5}$ 使平均任务成功率达到 85.8%,比原生策略提升 35.5 个百分点;在真实世界策略中,平均成功率从 71.0% 提升至 83.0%。 研究识别出手臂与手的协同控制是应用灵巧操作时的关键可操作瓶颈。
论文提出 STRIDE 框架,用于自动化评估文本与行人轨迹在复杂语境下的一致性,无需依赖昂贵且难以扩展的真实人类轨迹数据。 STRIDE-Bench 包含 1000 个场景、6000 个行为问题及 11000 个基于 30 张真实地图的校准测量,人机一致性达 80%。 该框架揭示了现有文本到轨迹模型在细粒度语境条件下的局限性,为行人轨迹生成提供了原则性评估路径。
HALO 是一个通过流水线在 1000 个程序化生成住宅中合成视觉-语言-动作数据的人形机器人自主系统。 该系统获取了坐椅子、通过半开大门、爬桌下和推箱子等物理技能,并能在未经真实住宅训练的条件下,零样本迁移到物理世界,在 6 个未建图的真实环境中 360 次测试中达到 91% 的成功率。
{ "title_zh": "灵巧机器人手全面堆栈调查:从硬件、数据到基础模型评估", "summary_zh": "arXiv发布了一篇45页的灵巧机器人手全面堆栈调查,其涵盖面从硬件、数据收集、跨实体迁移到学习基础模型与评估应用五大互依层级。
CoSafe 提出模块化协作运行时安全保证框架,利用 V2X 通信在场景层面共同缓解多车交互隐患,突破传统以自我为中心的接管局限。 集成七种先进自动驾驶系统后,CoSafe 在 InterDrive 基准上平均提升驾驶得分 70.03%,降低安全违规 87.80%,并以 0.930 的 F3 分准确识别不安全车辆,满足实时性要求。
论文提出无 rollout 指标 RACE,利用固定保留成功轨迹对动作偏差进行状态条件校准,并通过累积评分聚合,以解决验证损失与部署性能不一致的问题。 在模拟和真实机器人上,RACE 在不同验证源和策略骨干上表现优于基线;扰动分析显示,相比基线,它能更有效地区分对任务成功率影响显著不同的偏差。