跳到正文
10月14日周三
  1. arXiv · AI20

    FOMO-Dex 实现富接触操作中的统一顺应控制

    研究人员提出 FOMO-Dex 框架,将名义动作表示在任务几何与接触结构定义的坐标系中,通过沿选定方向应用力驱动的运动修正,显著减少了卡片拾取等任务中的过度接触力。 用户研究表明,操作员在短暂练习后每小时收集的成功演示数据增加;基于修正动作学习的策略在卡片拾取、螺母螺栓组装及螺丝刀操作中表现优于刚性控制策略。

  2. arXiv · AI42

    D-World: 具备双控递归自我改进的显式世界-语言-动作模型

    D-World 提出了基于“感知-规划-行动”分解的显式世界-语言-动作模型,实现 LLM 冻结下的递归自我改进。 模型通过仿真搜索动作,仅在重放残差未超容差时接受参数修订,避免盲目更新。 双臂机器人在毛巾和烤面包任务中验证有效,面包渲染深度残差从 22.4 mm 降至 1.5 mm。

  3. arXiv · AI20

    MultINav-Bench与MultINav-Agent:超越可达性的交互式导航基准与智能体框架

    提出“超越可达性的交互式导航”任务,构建含3K个ObjectGoal episode的MultINav-Bench基准,覆盖通道、容器及混合任务。 该基准包含交互必要性标注,并配套自动任务生成与多指标评估协议,支持分测导航成功率、交互有效性与成本。 作者进一步提出基于持久状态条件交互图的三阶段智能体框架MultINav-Agent,在通道、容器与混合任务上均优于适应型基线。

  4. arXiv · ML32

    CFG-Policy:基于无分类器引导的统一扩散策略学习框架

    提出即插即用框架 CFG-Policy,通过无分类器引导组合探索与利用分支的生成策略,解决强化学习微调破坏扩散策略行为多样性及动作空间残差表达能力不足的问题。 该框架在在线与离线到在线扩散强化学习场景中,将探索与利用分离为两个生成策略,在采样时结合其 score 或 velocity 场。

  5. arXiv · AI43

    ProAgent:通过持续观察与时机干预实现主动物理 AI

    ProAgent 系统通过 StreamingJev 时机模型和响应模型,实现从持续观察到物理执行的主动 AI 交互。 该系统利用自动化数据管道将视频转化为监督信号,在显式目标下提升干预时机准确性并减少误触发。 实机评估证明 ProAgent 能识别突发需求并转化为适当的物理动作,展示了主动干预的可行性。

  6. arXiv · AI38

    YOUDrive: 驱动风格作为端到端自动驾驶的可组合方向

    YOUDrive 提出了一种用于连续和可组合驾驶风格控制的多模态模型。在 NAVSIM navtest 上,单一系数可单调控制六种教师衍生风格的激进度。 该方法通过任务向量在推理时缩放和组合风格方向,无需重新训练主干网络,PDMS 保持在 0.90 以上,最高达 0.954。 论文还将开源代码、检查点和指标。

  7. arXiv · AI33

    IMPRINT:一种用于机器人策略的多流潜记忆框架

    研究团队提出IMP RINT框架,为视觉-语言-动作模型提供多流潜记忆,无需人工筛选记忆内容。 该框架通过两阶段训练,将观察、动作、本体感知流压缩为潜记忆,在仿真与真实任务中使平均成功率提升至少26%。 IMPRINT在保持最低推理延迟的同时,证明了去策展式记忆在机器人任务中的有效性。

  8. arXiv · AI27

    DexFLEX:用于指令引导灵巧操作的接触感知基础控制器

    DexFLEX 是一种接触感知基础控制器,将上游指尖运动草稿转化为接触一致的关节指令,显著提升鲁棒性。 它通过“草稿-梦境-选择”流程结合纯先验提案与草稿播种提案,在退化指令仿真和真实共享控制中无需重训即可提升性能。 实测遥操作成功率从 29.2% 提升至 78.3%,策略学习成功率达 46.7%,是直接关节动作预测的 3.5 倍。

  9. arXiv · AI31

    ABot-ER:通过智能体数据-模型共进化实现统一具身推理

    基础模型 ABot-ER 提出统一具身推理架构,在涵盖感知、规划与执行三大核心能力的 12 项基准测试中均达到 SOTA 表现。 该模型采用智能体数据-模型自进化引擎与任务条件自适应训练策略,利用轻量级低秩残差激活共享骨干网络,实现通用性与专业深度的平衡。 研究证明在统一参数框架下,具身推理的广度与深度可以实现共存。

  10. arXiv · AI25

    TacitVLA 如何在推理 VLA 中消除延迟瓶颈

    TacitVLA 是一种无需承担推理延迟的视觉-语言-动作模型。它不等待文本生成,行动专家不关注当前推理,将延迟降低至多 3.4 倍,同时保持性能。 在 RoboMME 计数和 RMBench 等四个基准测试中,其绝对性能超越之前最佳公开结果,例如 RoboMME 计数达到 82.7%。 该模型在长程任务中利用文本作为情景记忆,在动作执行期间生成条目,实现了高效推理。

  11. arXiv · AI28

    具身多智能体协作中解耦伙伴信息:基于 PARTNR 基准的研究

    基于 PARTNR 基准的研究发现,在 LLM 控制的具身智能体协作中,观察伙伴状态(OAS)比预测其下一步动作更能提升任务质量。 实验显示 OAS 观察降低了所有规划器的额外消耗,而对象知识交换(KE)主要将模拟步数减少最多 25%;OAS 与 KE 对强规划器冗余,对弱规划器互补。 预测伙伴动作(OANA)在 15/16 配置中降低成功率,协调收益主要来自对共享上下数的响应而非显式预期。

  12. arXiv · AI37

    RAP-WAM:基于预测排练与动作扰动的世界-动作模型学习

    模型将预测排练与动作扰动结合于未来监督查询和耦合动作投影进行策略学习。 该模型无需独立评分网络,基于视频预训练骨干网络训练,在42个RoboDojo任务上的平均成功率分别为12.85%和15.62%。 在15个真实机器人任务中,完整系统任务宏平均成功率为89.00%,超越最强基线37.67个百分点。

  13. arXiv · ML30

    VLMeg:基于探索增强关键观测门控的具身强化学习视觉语言模型奖励设计

    提出VLMeg方法,将视觉语言模型从奖励回归器转变为成功检测器,通过探索增强关键观测门控机制优化具身强化学习。 门控机制通过判断相似性避免冗余调用并提升检测精度,引入高级探索激励以提高奖励触发效率。 在MetaWorld基准上实现从头开始强化学习的SOTA结果,胜过12个无奖励任务的基线,并验证了3个现实世界实验的有效性。

  14. arXiv · AI27

    Words to World 基准测试:评估 LLM 在交互式物理环境中的表现

    研究人员发布名为 Words to World 的基准,用于在闭环物理交互中评估 LLM。该基准测试包含机械臂、摄像头和传感器,模型需根据物理反馈调整行动,超越静态文本响应。 实验揭示了 LLM 在将语言推理转化为物理行动时的共同失败模式,包括幻觉状态变化、从意外结果中恢复能力差以及长期计划不稳定。该基准旨在为评估连接语言、工具和物理世界的 LLM 提供系统基础。

  15. arXiv · ML21

    DySCOVER:利用预测性好奇心提升机器人视觉学习的自监督框架

    研究提出自监督框架 DySCOVER,通过预测性好奇心驱动机器人主动收集经验,提升视觉学习效果。 框架包含视觉自编码器和循环世界模型,策略仅由内在奖励训练。预测误差引导策略生成复杂轨迹,补充纯视觉新颖性带来的观察局限。 实验表明,预测性好奇心在所有测试变体中一致改善了视觉学习,超越了仅基于重建的好奇心机制。

  16. 36氪68

    宇树王兴兴反思对AI相信不足,预判具身智能临界点最快一两年内到来

    宇树科技创始人王兴兴在工博会圆桌论坛上坦言过去十几年犯的最大错误是对AI相信不够,并预判具身智能技术临界点最快将在一两年内到来。他认为云端与端侧算力是分工而非替代,AI能力越强越需云端支持复杂决策,宇树由此采取“基础版本+算力选配”模式。王兴兴提出“物理 AI 自进化”方向,强调高精度真机数据是提升操作成功率的关键,并判断明年若GPT-7发布可能直接打穿具身智能行业壁垒。

    推荐理由:宇树科技创始人王兴兴反思过去对AI相信不足,预判具身智能技术临界点最早一两年内到来,并详述云端分工策略。

  17. TechCrunch · AI51

    工业具身智能初创 Industrial Next 获 BMW 合作,目标让机器人在几分钟内切换生产任务

    旧金山初创公司 Industrial Next 在 TechCrunch Disrupt 2026 现场公布,已与 BMW Group Technology Office 合作,评估其 AI 驱动的高精度操作能力。该双创始人曾在 Tesla 共事,使用自研基础模型让机器人在高保真仿真环境中学习,从而能在几分钟内切换任务而非数周,目前已应用于手机精密组件组装,目标是替代传统需要人工的复杂制造环节。

  18. TechCrunch · AI42

    Laplace Intelligence 利用自动红队测试验证机器人与自动驾驶系统安全性

    Laplace Intelligence 构建自动化红队测试框架,通过在基于 Nvidia Cosmos 的高保真模拟环境中主动探测故障,确保机器人与自动驾驶系统在部署前通过压力测试。其核心是结合实时交通数据(如 TomTom)和 AI 智能体,利用真实世界信息生成交互式世界模型,自动设计极端场景以发现潜在缺陷。