Equivariant Volumetric Grasping
提出对垂直轴旋转等变的体积抓取模型,采用三平面体积特征表示。 新设计使水平面特征具备 90 度旋转等变性,并推导 GIGA 与 IGD 的等变适配,其中基于流匹配的等变生成模型可预测抓取朝向。 该方法降低计算与内存成本,在实时约束下性能优于非等变模型。
提出对垂直轴旋转等变的体积抓取模型,采用三平面体积特征表示。 新设计使水平面特征具备 90 度旋转等变性,并推导 GIGA 与 IGD 的等变适配,其中基于流匹配的等变生成模型可预测抓取朝向。 该方法降低计算与内存成本,在实时约束下性能优于非等变模型。
GEMS 提出生成式具身多行为控制系统,联合建模目标导向与习惯行为以生成可信类人行为。 系统采用认知模块(含习惯控制器、目标控制器、仲裁器)生成自然语言行为,并用 Text-to-Motion 模型在 3D 环境中生成动作。 研究证明 GEMS 显著提升了人类相似性表现,展示了利用习惯行为提升具身智能体可信度的价值。
CausalNav 在 CartPole-v1 和 Pendulum-v1 物理参数偏移测试中取得最优平均排名 1.25。 模型通过可靠性证书、策略边缘门和 argmax 一致性门验证干预序列,未通过则回退至基础控制器。 该工作表明认证式弃权(abstention)比单纯提升预测精度更能确保安全部署。
VLA-Trace提出渐进式诊断框架,通过统一证据链分析视觉-语言-动作模型的表征动态、因果控制归因及行为表现。 该框架结合CKA追踪表征演化,利用注意力干扰定位模态控制路径,并在$\pi_{0.5}$和OpenVLA上验证了不同模型独特的多模态路由策略及细粒度语义遵循局限性。
针对机器人 VLA 模型推理资源受限的问题,SPAR 结合剪枝感知微调与强化学习(RL),在大幅压缩模型的同时恢复操作性能。 应用于 π_0.5 模型,语言骨干参数量从 2.34B 降至 0.09B,整体模型从 3.37B 降至 1.12B;RL 使 LIBERO 测试集平均成功率由 84.55% 提升至 93.45%,推理速度提升 1.98 倍。
ALIGN 框架通过直接预测类别对条件并注入 DiT 动作专家,优化了视觉 - 语言 - 动作策略的条件保真度。 在 ARX X5 和 Franka 机器人任务中,ALIGN 闭环成功率分别达 90.0% 和 56.7%,显著优于最强基线的 56.7% 和 33.3%。 该方法验证了从估计到动作预测对齐条件能有效提升混合质量数据的操作策略鲁棒性。
RoboPhoto-VLA 提出统一 Vision-Language-Action 框架,结合 PhotoCoT 规划与 ADPO 优化,生成更符合人类审美的摄影作品。 该工作构建语言引导演示数据集 OpenPhotography,用于训练与评估。 实验表明该系统可泛化至未见主体、视角及复杂摄影指令。
研究提出统一框架 PaceVLA,实现视觉-语言-动作模型中自适应时间执行。 该框架集成基于共享动作专家的特定模式解码器,以及基于可量化性引导的模式选择方案。 在三个多任务模拟基准和六个真实世界任务中,PaceVLA 提升了执行效率并保持任务成功率。
结合自主编码智能体的代码空间策略搜索,在多智能体路径规划中优于人工工程化方案。 2024 机器人联赛某挑战地图上,2 天搜索得出的策略比复现的更强竞赛方案最优实例高 35.0%;模拟仓库场景中 1 周搜索发现的新算法吞吐量比专有方案高 58.9%。 该工作表明,该路径能构建既有效又具备可解析性的工程解。
OV-PEAR 在 BOP-Industrial 数据集上取得 0.657 的平均 AR 指标,实现了对未知工业物体的 3D 重建和位姿-尺度估计。 该框架采用三阶段流程,在真实机器人连接器装配任务中达成 99.67% 的抓取成功率和 84.00% 的装配成功率。 模型库支持以 0.02 ms/frame 的速度进行短期物体级状态维护。
研究提出 HumanoidPose 框架,将视觉作为本体感觉,仅从视频恢复人形机器人全身关节配置。 该方法结合预训练人体姿态特征与机器人运动学,将人类动作重定向至 16 种人形具身,并在 3 个真实平台上将关节角误差降低 18-32%。
该工作展示了一种快速仿真训练框架,利用强化学习在单块消费级GPU上训练四足机器人,使其能在包括模拟月球环境在内的多种真实地形可靠行走,训练时间少于20分钟。 该方法硬件需求极低,仿真中学习的策略能可靠迁移到真实世界,展示了强化学习在开发更强大、更稳健的空间机器人系统中的潜力。
UMI-WM 提出动作条件化的双手世界模型,从观测历史及双手数据生成双视角视频,确保跨视角一致性。 模型采用稀疏 hub token 交换场景信息,将 30 步 Teacher 蒸馏为 4 步 Student,生成速度提升 6.9 倍。 在 VBench 和 WorldArena 等基准中表现领先,所有参考视频保真度指标均达最优。
该研究提出一种上下文感知架构,融合 RGB、长波红外(LWIR)和毫米波雷达数据,用于资源受限的自主水面艇(ASV)障碍物感知。 在 24 次闭环湖上测试中(16 白天、4 黄昏、4 夜间),模型在 8 个低光照留出集上达到 AP 0.869,优于基于规则的融合(AP 0.673)。 当 RGB 不可用时,融合模型仍能保持导航输入可用性,为多日 ASV 任务提供可预测的性能降级能力。
BetaMem 框架通过六层可追溯记忆机制解决具身智能体长期任务中的时序混淆与存储成本问题。该框架使用 Qwen3.5-9B 模型生成记忆,在 M3-Bench-robot、LoCoMo 等基准测试中分别取得 48.08%、92.08% 的成绩,合同通过率提升至 86.2%。其在跨观察信息整合与长历史事件回忆方面展现出优势。
研究团队发布含超 200K 样本的 EmbodiedWorld-200K 数据集,用于开放世界具身导航规划,该数据集包含多级标注并支持离线预训练。 论文引入视频世界模型作为低成本环境代理,通过交互强化学习进行后训练,该方案在分布外场景评估中取得了显著性能提升。
TESS 框架通过 LLM 引导搜索算法解决具身任务规划中计划可执行性与正确性不足的问题。该方法利用 LLM 将自然语言指令转化为格式化目标条件,并在部分可观测环境中通过规则模拟器和动作空间剪枝提升搜索效率。实验结果在 VirtualHome 和 ALFWorld 基准上展示了其优越性能。
研究人员提出 VLA-Rolling 轻量级推理框架,通过重用动作尾段将 VLA 模型去噪步骤减少,同时在 16 个模型-基准组合中实现最高 1.48 倍加速。该框架包含动作尾段继承、置信度估计及引导细化三阶段,在 $\pi_{0.5}$、SmolVLA 等模型上提升成功率最高 15.08 个百分点。
论文提出DialogMem基准,包含27个真实3D场景、142个片段,用于评测具身智能体整合视觉观察与人类对话的记忆能力。 基准涵盖14,193个问答对和11,890条导航指令,在统一框架内评估9种记忆表征。实验表明,在评测时添加对话显著提升问答表现,但对导航收益甚微。 研究指出对话接地、条目检索与空间定位是具身记忆的三大瓶颈。
Recursia 框架将共享可执行栈作为改进单元,解决机器人技能组合时的失败问题。 在 LIBERO-Pro 模拟中,Recursia 在 Pos 扰动下比 ASPIRE 成功率高 5.8 个百分点,在 Task 扰动下高 15.1 个百分点。 在物理 Franka FR3 测试中,其平均成功率比基线高 40 个百分点,证明了共享接口的组合迁移能力。
Mirror 提出一种自监督方法,通过环境交互学习视频到动作映射,无需预置动作数据或手工奖励。 该方法在 Atari、OGBench 和 DeepMind Control 上超越领先的从观察学习(learning-from-observation)方法,在 Minecraft BASALT 上表现优于使用专家动作或手工任务知识的方法。
提出最小数据适应范式及 MiDAS 框架,利用预训练 VLA 表征实现从单次示范到自主在线学习的突破。 结合少示范行为克隆与基于价值的残差学习,在冻结 VLA 表征上避免探索坍缩。 在 LIBERO 及 RoboCasa 任务上显著提升成功率,YAM 平台经约 6 小时在线交互即改善任务表现。
研究团队提出 AgentCanvas 框架,在 MapGPT 等四个具身执行器中实现架构自动化搜索,KDLoop 在真实机器人上提升了成功率。 搜索发现的高容错观察处理在未见过的回合中保持有效,但部分增益在保留回合上不确定或反转,且利用评估端信息。结果确立了该搜索方法在具身智能体领域的潜力,并指出推广至真实环境的挑战。
ICAT 基准包含 909 个评估单元,用于测试视频生成器预测物理风险的能力。 研究发现最强系统严格成功率仅 23.5%,常缺失或弱化严重后果。 该工作揭示了生成系统复现风险动作与产生相应结果之间的差距。
该系统结合手机本地感知与云端推理,通过 AR Visual Foresight 实时可视化策略预测轨迹,帮助用户针对性收集纠正数据。 异步微调流水线可在数分钟内更新策略,为 CoRL 2026 会议论文提供的可扩展数据引擎。
提出多机器人社交导航框架 CoopUQ,通过跨机器人时空特征融合预测未来占用栅格地图。利用约束多智能体强化学习,惩罚预测占用或高不确定区域的导航行为,提升分布偏移下的风险适应性。
CTR 数据干预在六项真实双臂任务中,将最劣状态成功率从 56% 提升至 76%。 该方法支持 Diffusion Policy、Action Chunking with Transformers 及 $\pi_{0.5}$ 等模型,并将任务约束违反率控制在 0-4%。 代码已公开,旨在解决标准模仿学习中因时间调度产生的虚假跨臂耦合问题。
ForagerSim 是一个专注于需要地图推理的具身任务的研究平台和仿真环境,场景涵盖移动机器人搜救及动物觅食。 平台具有高模块化设计,允许独立修改感知(抽象 2D 到 RGB/LiDAR)、规模(房间级到多千米级)、拓扑、动态性及任务等难度维度。 在 8 个示例世界中的对比实验表明,当感知简化为 2D 时,学习策略在简单拓扑下表现优异,但在大型或复杂环境中落后于人类表现,证实地图推理是关键瓶颈。
TILDE 通过在学生引发的状态下进行在线策略蒸馏,并结合从教师执行恢复轨迹中学习,将具身基础模型(EFMs)的能力转移至无动作预训练的策略。 该方法提出的 AutoDAgger 自主数据聚合管道利用机器人奖励模型触发教师干预,相比人工监督方法加速了超过 2 倍的恢复轨迹收集。 在三项真实世界任务中,TILDE 相比行为克隆将任务性能提升了最多 4.1 倍,并支持有效的跨架构蒸馏。
论文提出Skill-RSI协议,利用Claude Code离线编写并冻结具身智能体技能。在7个RoboTwin 2.0任务中,成功编译4个任务,单次技能编写成本为4.29至8.22美元。 冻结技能在新布局下保持148/150成功率。使用DeepSeek-flash调用时,单集成本低至0.00028美元。继承式修复在8/8受控实验中优于从头重写。
研究提出 CODES 框架,通过弱监督共识编码与密度聚类自动发现运动风格库,并整合独立指令实现组合机器人控制。 框架经运动重定向将记录数据映射至 Unitree Go2 四足机器人,强化学习策略在两个模拟器及物理硬件上验证,动力学一致性显著提升,且能跟踪超出数据支持范围的指令。
针对世界动作模型无法区分任务相关变化的问题,提出Language-Forcing训练策略,利用语言增强任务相关性。 在HumanoidArena基准中,该方法平均成功率达79.17%,比最强竞争策略高9.46个百分点。 真实任务中平均成功率从53.33%提升至71.33%,且训练期辅助组件不增加推理开销。
DUET提出解耦执行框架,将Unitree G1的12个腿部关节与腰部偏航关节的运动控制与10个手臂关节的操作策略分离,两者仅在机器人接口层结合指令。 该框架允许在不重新训练运动控制器、不重启或干扰平衡层的情况下,直接替换上肢操作策略。 研究验证了搭配GR00T N1.7和pi0.5两种视觉语言动作模型时,下肢控制均保持稳定无跌倒。
PIA 提出了一种结合结构化仿真先验的离线转在线模型驱动强化学习(RL)框架,用于自主赛车的快速自适应。 该框架先在异构高、低保真度模拟轨迹上预训练世界模型,再利用不确定性正则化规划,基于有限目标域交互完成自适应。 在真实全尺寸自主赛车上,PIA 在少于一小时的车载交互下即可实现可靠的少样本自适应。
研究者提出 VaDar(价值分解)算法,训练单一子目标无关策略以最大化各子目标 critic 价值的线性组合,彻底移除策略部署阶段的子目标选择步骤。 该算法在实验中始终具有竞争力且常优于目标条件化等基线,成功解决具有非序贯目标结构的多优化目标任务。 VaDar 是首个在 RoboCasa 测试集中解决长程任务的算法,即便从行为克隆预训练且初始任务成功率接近零的策略起步。
研究团队提出无监督偏好对齐框架 PGPG,用于对齐生成式控制策略。 该方法利用有序覆盖对齐测量进度,自动从自主采样的轨迹中提取伪偏好标签,无需人工标注。 实验显示 PGPG 在长程操作任务中性能优于标准监督微调基线,且适用于扩散模型与流匹配策略。
HWM 框架通过引入耗散哈密顿动力学来结构化潜变量状态演化,提升了具身世界模型长时程预测的稳定性。 该模型在通用相空间中表示潜变量,无需重新设计感知或解码组件,即可整合到现有世界模型架构中。 在 Cosmos-Predict2.5-2B 和 AgiBot World 真实轨迹上的测试中,HWM 分别提升了 2.7% 的任务成功率、9.7% 的 nDTW 指标。
OpenAI 确认将独立开发人形机器人,CEO Sam Altman 表示公司现阶段将重点攻克智能大脑而非外观。公司预计 2027 年拿出演示原型,目前在招 19 个机器人岗位,年薪约 10 万至 48.5 万美元。OpenAI 此前曾投资 1X 和 Figure AI,但在 Figure 转向自研 Helix 模型后终止合作,其自建整机是为了将数据闭环握在自己手里。
英伟达GR00T团队创立的Dream Labs完成9000万美元种子轮融资,正式开放全球首个机器人大脑API(Dream API),搭载其首个模型Dream-1。
推荐理由:报道详细披露了Dream-1模型的零样本跨本体控制能力和在第三方评测中的表现,为开发者提供具体的接入成本与性能预期。
由清华大学、原力灵机与极寰时代研发的LoopWAM在RoboChallenge Table30 V2真机评测中取得成功率与过程分榜首,并在RoboTwin 2.0和RoboCasa365仿真基准中达到SOTA。该方法利用部署中的成功、次优与失败轨迹进行闭环训练,经过三轮迭代,整体成功率相对提升约83%,叠衣服任务成功率从13.2%提升至55.56%。LoopWAM已开源代码并登上arXiv论文。