OdorSpaces 构建基于物理的视觉-嗅觉具身导航仿真基准
OdorSpaces 是一款结合视觉与嗅觉信息的具身导航物理仿真平台与基准,已获 CoRL 2026 接收。 该平台扩展 Habitat-Sim,利用 Fire Dynamics Simulator 模拟 3D 气味传输,支持气体泄漏定位等场景。 测试表明,初步的多模态强化学习策略优于多样基准模型,确立研究参考。
OdorSpaces 是一款结合视觉与嗅觉信息的具身导航物理仿真平台与基准,已获 CoRL 2026 接收。 该平台扩展 Habitat-Sim,利用 Fire Dynamics Simulator 模拟 3D 气味传输,支持气体泄漏定位等场景。 测试表明,初步的多模态强化学习策略优于多样基准模型,确立研究参考。
研究人员提出 MESA 评估框架及基于改进版 MimicGen 的 MESA-Gen 生成管线,并发布了双臂基准 BiMESA。 该框架通过五个测试套件隔离四种泛化轴,评估了包含扩散策略和预训练 VLAs 在内的七种基线方法。 最强模型在 MESA 与 BiMESA 中分别仅获 52% 和 49% 成绩,排名与 RoboArena 分数一致。
Jev-AD 结合类型化决策模型 Jev 与语言世界模型,通过预判候选动作后果提升驾驶安全性。 模拟高速合流中,碰撞率从 26.0% 降至 2.4%;NGSIM 真实数据回放中,碰撞率从 48.2% 降至 2.8%,世界模型预判 93% 的危险动作。 该模型在 0.25 秒决策周期内,实现了 93% 的自由指令意图满足率。
LiberAI 发布新一代世界动作模型 Liber-0 及详细技术报告。实验显示 1 万小时自研手套数据在精细操作效率上超过 200 万小时互联网视频,且 25% 真机示范结合完整手套数据即可超越 100% 真机基线。该模型通过统一本体表征与多模态注意力,显著提升了机器人在未知任务中的 Zero-shot 泛化与长程执行能力。
WorldOracle 模型在机器人未抓取到水果的真实场景下,错误预测出成功的抓取视频。 模型基于与真实执行相同的起始观察和记录动作生成结果,该虚构预测证明仅展示模型生成视频而不并列真实执行结果,会误导对机器人世界模型预测质量的评估。
启元 T1 机器人首次 OTA 更新将于明日推送,新增楼梯自动识别变形及远程音视频通话功能。 更新接入有道 HiEcho,优化生物信息匹配,并支持 AI 生图与 PrimeFLOW 定制化。
百度Apollo正式发布世界模型ApolloWorld,能利用AI构建交互式虚拟交通环境,支持Robotaxi完整行程级的路测与验证,一天完成的虚拟里程相当于实车三年。该模型已应用于萝卜快跑全球化测试,并提出了“2+3”评价框架,通过因果性、交互性等维度确保世界模型能真实反映物理规律,从而解决L4无人驾驶长期验证难题。
百度 Apollo 披露具身世界模型 Apollo World,支持无人车在虚拟城市中与 AI 智能体驱动的参与者进行实时交互,日虚拟路测里程可达 10 万公里。该模型通过因果自回归多模态生成技术,实现全订单流程推演及环境动态切换,与 Waymo World Model 形成差异化竞争,旨在降低规模化部署成本。
推荐理由:揭示了百度 Apollo World 在虚拟环境中的交互式测试机制,通过对比 Waymo 展示了其在长程任务推演上的差异。
魔芯科技发布基于华为昇腾原生的 4D 世界模型 MoWorld 2.0。该模型融入多重物理要素,输出可实时渲染、反复调用的 4D 高斯资产。 视频推理提升至 70 帧每秒,3D/4D 资产渲染超 500 帧每秒,手机端渲染约 100 帧每秒。推理成本最低可降至同等 GPU 方案的 30%。 应用于具身智能、自动驾驶及数字孪生等领域。
蔚来创始人李斌在乌镇峰会指出,智能电动汽车是出货量最多的具身智能体,其从感知到执行的大模型流程已跑通。 李斌认为智能电动汽车已成为最大的AI应用产业,其智能辅助驾驶系统基于世界模型架构和闭环强化学习,已部署在超过95万辆车上,安全行驶里程超91.4亿公里。 这意味着汽车行业在具身智能和AI应用领域具有广泛的产业地位和实际价值。
大晓机器人联合南洋理工大学S-Lab发布世界模型Mundo。该模型支持输入1至12张图像构建可探索三维空间,并将物体质量、摩擦等物理属性纳入场景程序。Mundo通过物理引擎计算运动碰撞,结合视频模型渲染,使场景能响应动作。此能力为机器人导航与操作训练提供环境支持,助力其进入商业场景。
招商局狮子山人工智能实验室发布具身推理视觉语言模型「驭物™ Lion-ER-35B-A3B」,该模型采用 MoE 架构,总参数 35B 但每个 Token 仅激活约 3B 参数。模型在十项主流具身相关基准上全部指标上涨,等权综合均分达到 65.29,多项核心能力超越更大参数量模型。权重已在 Hugging Face 开源,兼容 Transformers、vLLM 和 SGLang 等框架。
推荐理由:展示了能力牵引的数据引擎方法,读者可了解其如何在低激活参数下提升具身推理能力。
超维动力在 2026 香港金融科技周发布全栈具身智能产品矩阵。 涵盖 SMASH 乒乓系统、117 DoF 人形机器人 KAIBot 及灵巧手等核心硬件。 CEO 强调通用人形机器人是产业终局,全栈路线旨在构筑技术壁垒与提升量产效率。
京东具身数采覆盖 100 余个细分场景,已采集超 10 万真实作业任务。计划两年内采集超 1000 万小时人类视频数据,仿真评测效率达真机 3.2 倍。京东物流计划未来五年采购 300 万台机器人。
小鹏联合北大、港大等高校发布约 40 亿参数规模的具身感知基座模型 GroundingPI,在 34 项公开感知基准综合评测中位列第一,整体得分 73.68 超过 GPT-6 Astra 的 71.54。
蔚来李斌指出,智能电动汽车已成为规模最大的 AI 应用产业,全球汽车产业总规模约 7 万亿至 9 万亿美元。 他预计 AI 在该行业将创造超 1.2 万亿美元商业价值,并强调 AI 的核心价值在于解放人力、提升安全性,而非剥夺人类存在意义。
宇树科技创始人王兴兴预测未来世界最核心的五种资源是数据、算力、芯片产能、能源和矿。 他认为明年大概率将是机器人行业或模型的临界点,并强调目前全球对 AI 的重视程度不足。
京东集团技术委员会主席曹鹏在世界互联网大会乌镇峰会上宣布,京东物流未来五年计划采购300万台机器人、100万台无人车和10万架无人机。为将业务场景转化为可训练数据,京东正在建设具身智能数据采集中心,计划两年内累计采集超过1000万小时高质量人类真实场景视频数据及100万小时机器人本体运行数据。
该研究提出一种自监督方法,利用 VLA 模型零样本生成的在线交互轨迹作为额外训练数据,以解决新硬件部署下的性能下降问题。 方法使模型继承预训练任务、提升专家任务成功率,并缓解对非微调任务的遗忘。在 ALOHA 机器人和 RoboTwin 基准上验证了泛化效果。
DynaFLIP 提出动力学感知多模态预训练框架,通过图像-语言-3D 流三元组监督训练纯图像编码器,将运动理解前置至感知层。 该方法在共享超球面空间最小化三模态单纯形体积,结合余弦正则化与对比目标,表征在下游 VLA 策略中表现优于基线。 在多样仿真与真实场景中验证,分布外(out-of-distribution)场景性能提升达 +22.5%。
DexCanvas 是一个混合数据集,包含 7000 小时的手指灵巧操作,具有每帧接触点和力。 该数据集由 70 小时的光学动作捕捉扩展而成,涵盖了 21 种操作类型,通过 RL 策略在物理仿真中测量接触力。 接触驱动的重定向可将演示传输至两个灵巧机器人手,首次公开的 111,857 条轨迹可在 Hugging Face 获取。
研究提出结合逆强化学习的一致性模仿学习,改进基于行为克隆的大模型。 在6个稀疏操作任务中,该方法使 pi-0.5 维持或提升性能,其中5个任务成功率达90%以上。 机器人真实测试中,pi-0.5 仅需30分钟以内交互即可微调成功。
GSBR(几何支持行为正则化)通过按动作与基础策略支持集的动态距离施加平滑惩罚,有效平衡在线强化学习中的样本效率与学习稳定性。 该方法允许支持集内的动作无惩罚,仅在价值估计低的外部区域逐渐增加约束,且只需访问基础策略样本即可实施。 在4个机器人基准的19项任务中,GSBR将平均成功率从基础策略的33%提升至95%,其归一化吞吐量比次优强化学习方法高约23%。
CRONOS 提出用于视觉-语言-动作(VLA)模型非情节式场景重置强化学习微调的高保真物理模拟基准。 研究发现直接微调预训练策略会因物体配置和末端执行器位姿偏移而失败,但可通过针对性重置分配和纠正偏差加以缓解。 非情节式训练增强了长程操作能力,并提升了对未见物体配置和任务序列的泛化性。
3D World Simulator 框架通过混合粒子体素自编码器与动作条件潜在动力学模型,统一预测外观、几何和触觉观察。 该模型在统一 3D 表示支持下实现 50 Hz 的交互式长时域多模态预测,并可用于策略训练的数据生成。 该方法扩展至包含多样化物体和机器人配置的大规模数据集,支持模型基于规划,验证了混合粒子体素动力学在 3D 世界模拟中的基础潜力。
Aero-VPA 在 PX4 仿真中完成首次闭环评估,DAgger 策略成功率峰值 21.1%。 配合 15 秒深度记忆地图免运维护栏,成功率升至 52.2%,崩溃率降至 22.2%。 72.6 MB 策略代码与数据集已开源。
该研究提出首个元学习对抗模仿学习算法 DAIL,利用 LLM 引导的进化框架发现数据驱动的奖励分配函数。 DAIL 能在未见环境及策略优化算法中泛化,性能优于当前基于人类设计的 SOTA 基线。 论文分析了 DAIL 带来更稳定训练的原因,代码已公开,文章被 ICLR 2026 接收。
视觉扰动可改变推理 VLA 模型的物理动作,同时保持自然语言理由逐字不变。 研究人员在 Alpamayo 和 InstructVLA 上验证了 Text-Neutral Action-Subspace (TNAS) 诊断方法,发现该方向的动作敏感度远高于文本梯度扰动。
一项被 CoRL 2026 收录为 Spotlight 的研究提出贝叶斯框架,将机器人交互中的自然语言意图消歧视为针对信号时序逻辑(STL)任务规范的主动学习问题。
DEED 框架在 Unitree G1-Edu 机器人和 GR00T N1.6 模型上完成超市补货任务,通过单一 GPU 实现了从实验室到真实环境的有效迁移。 该框架包含数据高效后训练管线、基于 RECAP 的经验驱动改进及潜在空间分析工具,显著降低了对大规模数据及架构的依赖。 研究指出,弥合实验室与门店差距核心在于系统整合,精细的数据设计与针对性的后训练可替代单纯架构优化。
提出 CLAP 方法,通过在动作序列前添加自然语言描述,以最小架构变更将 VLM 适配为 VLA。 2B 模型在 LIBERO 基准上达 90.8%,较 VLA-0 提升 14.9 分,真实 UR5e 机器人成功率从 15% 提升至 60%。 已开源 0.8B、2B 及 4B 多尺度模型,便于分析 VLM 能力迁移。
DuoBench 是一个针对 FR3 Duo 平台的双臂操作策略可扩展基准框架,包含 11 项任务,涵盖模拟和部分真实环境。 采用分阶段评估方案,支持细粒度语义失败分析;现有模仿学习策略在双臂协调和仿真到实机迁移中仍面临挑战。 DuoBench 提供了可复现测试床,用于分析双臂策略学习中的失败模式。
提出分阶段多智能体训练(SMAT)方法解决外骨骼共适应问题。 该方法采用四阶段课程训练肌肉骨骼模型,将模拟髋部肌肉激活平均降低 10.1%,在 6-9.3 Nm 扭矩下提供 13.6-23.8 W 正向机械功率。 经 IROS 2026 接收,该策略无需针对特定用户重训即可实现一致辅助。
本文提出一种语义与策略双驱动的混合决策框架,结合 Large Multimodal Models(LMMs)进行语义理解与认知表征,并融合深度强化学习实现实时策略优化,从而突破仅在具身智能驾驶中依赖 LMMs 的局限,支持持续学习与联合决策。
该论文提出Flow Equivariant World Modeling框架,利用时间参数化对称性构建潜变量记忆,以稳定准确预测长时间跨度下的环境动态。 潜变量记忆随自身运动和外部物体推断运动进行等变变换,确保视野外区域信息对齐;该框架在2D和3D部分观测视频世界建模基准上优于当前最先进的扩散、记忆增强及循环世界模型。
DreamX 利用预训练视频扩散模型作为通用潜在动作学习者,在 LARY-Bench 基准测试中取得潜在动作模型的最先进性能。 该方法将视频帧压缩 300 倍(从 1,200 到 4 个 token),提取解耦视觉外观的潜在动作,支持跨形态的零样本动作迁移。 这种共享动作接口实现了任意到任意的视频迁移,并降低了基于视频扩散策略的计算成本。
PyRUA-DataFarm利用LLM Agent代替人工进行机器人数据采集,在5项任务中,仅用农场数据训练的模型达到93/100成功率,优于遥操作的84/100。 Agent编写场景与控制器,视频模型生成一致多视角数据。单任务API成本约$21,单集数据平均$0.80,无需机器人或操作员参与。
提出异步机器人策略(ARP),解耦语义推理与低层动作生成以解决实时性瓶颈。 高容量 VLM 低频更新语义记忆,轻量级专家高频生成动作;在 Franka 任务中成功率提升 18%,动态模拟性能为基准 3-5 倍。 VLM 可降至名义频率 10 倍以下运行且无显著性能损失,实现高效部署。
提出通过 3D 几何抽象将机器人常规空间推理从图像转移至文本和符号,以提升多步操作完成率。 接口利用校准 RGB-D 生成带类型和证据的符号引用,并在动作后返回紧凑文本检查点,减少了重复多模态查询。 研究结果被 CoRL 2026 会议接受,证实了显式几何状态是机器人智能体策略的有效基础。
针对执行中干扰问题,诊断引导多级恢复框架 DiMuRe 结合本地验证与终端重规划,在 801 个 Encore 测试案例中取得显著性能提升。 Local DiMuRe 完整任务成功率达 77.65%,较原始程序的 58.68% 明显优化,且物理步骤更少;Full DiMuRe 成功率进一步升至 81.90%。