NEWS / 动态
按时间浏览，使用右上角筛选切换领域。
作者提出SWAP分层框架，将碰撞感知决策与稳定控制分离：高层扩散策略生成多模态避障动作提案，低层全身RL控制器跟踪提案并维持动态平衡。训练时通过事后标注在随机指令下滚动低层策略，把障碍物放在已执行动作未扫过的空间，从而构造无碰撞样本并重渲染感知。仿真和宇树G1实机实验显示对静态与动态障碍物均能可靠避障，测试时蒙特卡洛采样引导使速度、朝向或姿态等目标奖励平均提升34%，同时保持较高避障率。
推荐理由：论文提出分层框架，用扩散策略生成避障动作、RL控制器保持平衡，并在宇树G1实机上验证。
Fanxing Meng 与 Jing Xiao 的预印本研究把人婴幼儿运动发育量表表示为发育图，并在强化学习框架中训练人形机器人按量表描述的自然阶段学习粗大运动技能。结果显示，四套常用儿科运动量表中三套导出的图能成功引导机器人习得这些技能；第四套因缺少其他量表具有的部分中间里程碑而出现失败，补上缺失里程碑后也能成功。研究据此评估哪些量表足以作为发展到站立和行走的完整指南。
推荐理由：研究把四套婴幼儿运动发育量表转成发育图并用于强化学习训练人形机器人，可比较各量表作为技能训练指南的完整性。
论文提出 Progress-Guided Preference Generation（PGPG），一种无需人工在环监督的无监督偏好对齐框架，用于微调预训练的生成式控制策略。该方法通过有序覆盖对齐衡量自主采集轨迹相对少量专家演示的序列进度，自动提取伪偏好标签，并称无需手工设计奖励函数。在多项长程操作任务实验中，PGPG 优于标准监督微调基线，并可同时集成扩散策略与流匹配策略。
推荐理由：论文提出无需人工标注的偏好对齐框架，用少量专家演示自动生成伪偏好标签，可比较其与监督微调在长程操作任务上的差异。
ReDOA 提出一种在真实世界学习图像策略的框架，将控制学习与感知学习解耦：先在仿真中训练基于状态的教师策略，在真实机器人上执行并采集轨迹，再把控制知识蒸馏到基于图像的学生策略，并用观测对齐处理数据采集与部署之间的观测差异。
浙江大学等团队提出 ScaleNav，一个面向语言条件局部导航的世界-动作统一框架，先用互联网第一视角视频做指令条件视频预训练，再用带动作标注的仿真数据对齐动作块，最后联合微调。
推荐理由：论文用互联网第一视角视频预训练视觉动态，再对齐仿真动作，为语言条件局部导航提供可迁移的三阶段训练思路。
针对多旋翼无人机直接测风可靠性受机体运动影响的问题，研究提出用车体水平与垂直速度量化每次风观测获取质量的置信度方法，并将置信度用于调节二维矢量估计器的测量权重。在水平平移、垂直运动和留出自主航点飞行实验中，双特征方案ROC-AUC达0.995，98.84%的平移观测被判定为不可靠；置信度自适应使平移时估计器中位增益从0.207降至0.064，悬停时仍保持0.151。
Gang He 等人在 arXiv 预印本中提出 VeSTA 框架，用于弥合连续视觉语言导航中语义能力与物理可执行性之间的差距。作者指出当前仿真器的宽松接触模型可能掩盖物理不可行动作，使到达成功率不能反映真实执行能力。
推荐理由：论文指出宽松接触模型会掩盖物理不可行动作，并给出对齐可执行轨迹的方法，可供评估VLN策略的仿真与实机差距参考。
香港大学团队提出SpaRV，一种由可微光线步进渲染的稀疏辐射体素地图，让不规则LiDAR扫描与图像共同监督建图。该方法用LiDAR深度和占据约束几何，并通过交替训练地图与光度优化相机位姿和焦距来修正相机误差；训练和渲染时仅保留一个全分辨率子图、其余用更粗八叉树层级以限制GPU显存。
推荐理由：论文用稀疏辐射体素让不规则LiDAR扫描与图像共同约束建图，并交替优化相机位姿与焦距，为机器人场景重建提供可迁移思路。
Yoo Sung Jang 与 Michael Ryoo 提出 Latent Projection for Latent Planning，利用世界模型训练中 SIGReg 正则化带来的高斯结构，拟合状态动力学矩阵 A 并以其特征基衡量各潜空间方向的不确定性，从而把规划用的 ℓ2 成本限制在不确定性最低的 k 维子空间。
InteractAgent 是一个面向长程人-场景交互的智能体多模态大模型系统，以单个 MLLM 同时担任规划器与评估器、冻结的 MotionLLM 作为执行器，形成规划、执行、观测、反思的闭环。系统引入在线观测做逐步恢复决策（继续/重做/重规划），并用记忆增强反思进行多轮计划细化与自适应停止。在 UniHSI 上，作者称其相比免训练基线提升了任务成功率并减少了穿透，代码已开源于 GitHub。
Jineon Kim 与 Jhonghyun An 提出 TNVD-SC，在保留 Scan Context 环扇拓扑的同时编码地形相对垂直概率分布，用于森林长期 LiDAR 位置识别。
SteerAct 提出一种少样本时间引导框架，在不更新动作模型权重的情况下，通过修改特征激活提升预训练机器人动作模型的任务成功率。该方法用预训练稀疏自编码器提供候选特征，并以时间描述符刻画各特征局部激活顺序模式的分布，从而在无需时间步对齐的情况下比较不同 rollout。
推荐理由：论文提出用稀疏自编码器特征的时间描述符做少样本激活引导，为测试时提升预训练动作模型提供可迁移方法。
针对相机弱监督3D语义占据中稀疏高斯位置仅靠像素渲染损失学习、前景小目标权重偏低的问题，提出仅在训练时使用的前景吸引损失：用伪深度反投影前景伪标签像素，将附近高斯拉向这些3D点，推理网络不变。
研究团队将一条额外机械臂集成到人形机器人平台，考察形态增强如何改变其可行动作空间。控制上采用基于模型的轨迹优化为目标条件强化学习控制器生成动力学可行运动，控制器在仿真中训练后以零样本方式迁移到硬件，实现接触丰富的三臂全身移动操作。团队还在部分任务上用硬件演示训练的扩散策略展示了视觉引导的自主执行。
作者提出向量量化世界模型 VQ-WM，将离散潜空间长程搜索与连续视觉反馈控制结合，用于机器人操作规划。该方法用首达时间的准度量估计替代欧氏距离，使规划抽象与控制器能力对齐。在汉诺塔实机操作中，该方法仅用短演示数据即达到 100% 成功率，并在操作与运动仿真基准上比最强世界模型高出 13.3 至 85.3 个百分点。
推荐理由：论文把离散潜空间搜索与连续视觉反馈控制结合，并用首达时间估计对齐规划与控制器能力，为长程操作提供可迁移方法。
研究提出一种仿章鱼肌腱驱动软体连续臂，通过在臂内集成可充气壳体阵列，充气时局部摩擦增大、卡住肌腱，从而在臂上形成临时新锚点，自适应改变弯曲位置。实验显示驱动段呈非恒定钟形曲率，与真实章鱼臂伸展运动中的形态相近。作者称该设计相比传统单肌腱连续体操作器扩大了工作空间，并能通过选择性曲率调节独立塑造臂的不同区域，同时避免多段多执行器系统的机械复杂度。
AQUAACT 是作者称为首个公开的语言标注水下数据集，将相机图像与人类摇杆指令配对，包含 1.9 小时真实演示和 17.9 小时仿真演示，并附车辆惯性测量数据。实验显示仿真演示可迁移到真实数据，并大幅减少策略所需的真实演示量。在仿真中对七种策略（从模仿学习基线到 VLA 模型）的闭环基准测试显示，没有策略完成超过五分之一的回合，陆上数据预训练也未让大型 VLA 模型优于从头训练的小策略。
推荐理由：论文公开了带语言标注的水下遥操作数据集，并用七种策略的闭环基准说明水下自主任务仍未解决。
CusADi2 是一个开源软件库，通过在单个批次实例内部额外并行化计算，降低机器人运动学、雅可比与海森矩阵的批量求值延迟。
推荐理由：该库在 MuJoCo Menagerie 全部 67 个机器人上对比多种基线，给出批量运动学与雅可比、海森计算的低延迟方案。
BiDex-100 是一个面向双臂灵巧操作的仿真基准，包含106项任务，按泛化、指令跟随、少演示、长时程和记忆五个能力维度组织。每项任务配有受控视觉与空间变化的域外变体，用于评估鲁棒性；基准支持两种本体，提供8,080条经成功验证的遥操作演示，共625万帧。作者在统一协议下评测了七个近期视觉-语言-动作模型，给出各能力维度、鲁棒性和数据效率的基线结果。
推荐理由：该预印本给出106项双臂灵巧操作仿真任务与7个VLA模型的统一评测基线，可用于比较现有模型的能力与鲁棒性。
Behnam Moradi 提出 Self-Crystallizing Behavior Trees（SCBT），把基础模型当作编译器而非运行时，在行为树节点失败时由 LLM 提出最小子树补丁，经 CMA-ES 调参、上下文赌博机决定是否调用 LLM，并通过静态检查、不变量监控回放和相对未修补树的经验余量三阶段准入。
推荐理由：论文把大模型推理编译成确定性行为树，并给出仿真中的调用次数与任务成功率对比，可了解基础模型与经典控制结合的一种路径。
论文提出一种共享自主仲裁策略，利用多模态意图推断所得信念分布的熵动态调整自主等级。人类意图用动态贝叶斯网络建模，依据遥操作中操作者实时注视数据和机械臂运动更新目标信念，再将人类输入与自主控制的融合表述为模型预测控制问题，实现从直接遥操作到完全自主的连续过渡。
推荐理由：论文用眼动与机械臂运动推断操作意图，并据此在遥操作与自主控制间连续调节权限，可与既有共享自主方法对照。
作者提出 SurGPT 基础模型，可自动分析达芬奇手术机器人视频，同时完成手术任务分类（打结、穿针、缝合）、标准化技能水平评估和手术手势自然语言描述三项任务。模型结合视觉编码器与 transformer 架构，用位置编码建模时序、注意力机制整合时空特征，并以自适应不确定性加权进行多任务学习。在达芬奇技能模拟器数据集上，作者称其在手术任务识别上达到当前最优表现，技能评估结果与专家评价相关。
作者提出 RCRA 在线自适应框架，依据估计的行人反应性调节冻结保守导航策略周围的残差。基于 Transformer 的反应性估计器在仿真中比假设行人目标已知的贝叶斯基线场景平均准确率提升 12.62 个百分点。在每场景成功率均超过 90% 的基线中，RCRA 相对保守骨干网络将场景平均路径长度缩短 16.7%，相对随机训练基线缩短 7.3%，平均成功率比反应性训练策略高 14.88 个百分点。
作者提出 T(R,O) Grasp++，一个面向杂乱环境的跨本体灵巧抓取合成扩散框架，并构建约 0.5B 条抓取标注、覆盖八种灵巧手和约 5 万物体的仿真基准。实验称该模型在八种灵巧本体上平均成功率达 88%，推理时延仅 0.3s，推理样本效率提升 10 倍以上。该工作为预印本，结果基于仿真实验。
推荐理由：论文给出约5亿条抓取标注的仿真基准与跨八种灵巧手的扩散抓取框架，可用于比较杂乱场景抓取方法。
AeroDASH 是一个面向无人机连续语言条件飞行的异步 VLA 框架，通过 B 样条策略监督微调与轨迹融合处理机载推理延迟造成的轨迹错位。在 UAV-Flow 测试集上，其成功率为 76.56%，分别高出 OpenVLA-UAV 和去掉 GRPO 的 AeroDASH 38.1 和 20.1 个百分点。
作者提出一种用 Energy Score 训练的注意力混合密度策略，将未来视觉运动轨迹表示为显式概率分布，单次前向即可输出高斯混合参数，以避免 MDN 奇异性和梯度尺度不稳定。在 8 自由度机械臂上，该方法生成不同的避障轨迹并稳定避障学习；在随机移动物体抓取任务中，其在若干未见条件下比 Diffusion Policy 高 15-25%。
针对传感器刚性安装假设限制视觉惯性里程计适应性的问题，该研究提出基于Denavit-Hartenberg约定并引入机器人运动学模型的动态相机-IMU外参标定方法，配合两步初始化策略估计初始关节角，实现时变外参的在线估计。仿真实验显示该框架可适应相机-IMU外参变化并保持有竞争力的定位精度。
TILDE 提出一种从预训练具身基础模型向未做动作预训练的策略迁移能力的蒸馏框架，结合学生状态上的在线蒸馏与教师执行恢复轨迹的学习。其 AutoDAgger 用机器人奖励模型监测任务进度并触发教师介入，无需人工监控或操控，恢复轨迹采集速度比人类在环方法快 2 倍以上。在三个真实世界任务上，TILDE 的任务表现最高为行为克隆的 4.1 倍，并支持跨架构蒸馏。
推荐理由：论文提出从具身基础模型蒸馏策略的框架，并给出自动数据聚合与实机任务对比结果，可供关注策略迁移的研究者参考。
LateMatch 提出可缓存图像匹配范式，把现有深度特征匹配器的跨图交互推迟到网络最后几层，将单图内处理隔离为可离线缓存的 Context Blocks，在线只执行少量 Interaction Blocks。
Jiaxi Jiang 等提出 HumanoidPose 框架，把视觉当作本体感知，仅从视频恢复人形机器人在世界空间中的全身关节配置。该方法将预训练人体姿态特征与机器人运动学结合，并把人体动作重定向到十六种人形机器人本体，从而完全用合成数据学习；还通过自训练利用无标注在线视频训练 2D 机器人姿态检测器。
推荐理由：论文提出仅凭视频恢复人形机器人全身关节配置的框架，并在三个真实平台上与基线比较误差。
一篇 arXiv 预印本在 RoboDojo 的六项操作任务上评测了九款前沿多模态语言模型，让它们直接控制真实机械臂。作者称这是首次在物理硬件上对广泛前沿模型做统一操作任务比较，结果显示这些模型能完成多种操作任务，但精度和效率尚不足以在实际动作预算内完成。2026 年 7 月至 10 月间基准性能对应 53.9 天的翻倍周期，最佳执行速率提升 4.4 倍，最低执行成本下降 6.2 倍。
推荐理由：在真实机械臂上统一评测九款前沿多模态语言模型，给出能力现状与性能翻倍周期，可作为通用模型直接控制机器人这一路线的参照。
GOFusion 是一个面向自主机器人导航的实时视觉建图系统，将高斯图元锚定到局部占据地图，同时为路径规划提供空间感知和高保真外观。系统基于视觉-惯性 SLAM 的位姿估计与局部占据地图构建 3D 高斯地图，并把 3D Gaussian Splatting 优化限制在活跃子图内以约束 GPU 显存占用。
推荐理由：论文把高斯图元锚定到局部占据地图，并用在线Fisher近似驱动剪枝与下一最佳视角规划，可供自主导航与建图研究参考。
DexGraspFlow 提出一种条件式连杆级 SE(3) 流匹配框架，将几何关系与运动学拓扑结合用于跨本体灵巧抓取生成。该方法在三种机器人手、30 组物体-手配对上的平均仿真成功率为 95.33%，含逆运动学的平均生成延迟比一个先进基线低约 49%。作者还报告了对七种去指变体的零样本适应与手掌朝向控制，并在部署手型的 100 次实机抓取试验中取得 91% 成功率。
推荐理由：论文把运动学拓扑引入跨本体灵巧抓取生成，并给出三种手、30 组手物配对的仿真结果与实机试验。
研究开发了两个ROS节点用于区分七种放射性同位素，模型训练节点采用梯度提升分类器，在留出测试集上报告总体准确率95%。演示中将C12137辐射探测器模块搭载于Jackal UGV，由操作员接近不同辐射源采集数据。
论文提出 Structure over Reasoning 零样本视觉语言导航智能体，让小型视觉语言模型每步只回答方向、是否停止等感知问题，再由鸟瞰语义场、骨架图和两阶段终止器把答案转成路线与终点。
研究提出 Skill-RSI，让强通用模型仅在离线阶段编写、运行、诊断并修复仿真中的操作技能，冻结后的技能以代码形式运行或由廉价调用器读取描述执行。
推荐理由：论文提出冻结技能加廉价调用器的复用路线，并给出编译成本、失败任务与隐藏布局上的对照数据。
LENS 是部署在 AMD KR260 上的边缘场景记忆加速系统，将 ACEsplat 式场景坐标回归与 3DGS 渲染搬到低功耗 FPGA/ARM 平台。
推荐理由：论文把 SCR 定位与 3DGS 渲染搬到低功耗 FPGA，并给出板级实测的时延、功耗与画质对比，可作为边缘部署的参考。
VLA-Rolling 提出一种轻量推理框架，通过动作尾部继承、逐动作置信度估计和置信度引导的重加噪与去噪预算分配三阶段复用动作尾部，底层 VLA 保持冻结。
推荐理由：论文提出复用动作尾部的推理框架，在16组模型与基准组合上同时报告推理加速与成功率变化，可供比较VLA推理效率方案。
该论文提出一种学习与优化结合的框架，为独立求解的四旋翼规划器预测空间航点和有序通过事件。各机共享同一物理时间网格，中间事件由网络固定，终端进度在本地优化，可微序列凸规划纳入刚体动力学与旋翼推力约束，并通过生成轨迹训练两个网络。
针对 LeWM 等潜世界模型用欧氏距离搜索动作序列的做法，作者发现该假设只在目标附近成立，远处 L2 代价会形成虚假低代价盆地困住规划器。作者据此提出 Neighborhood Graph Cost（NGC），在训练潜变量构建的互近邻图上计算最短路径距离，只改终端代价且无需重训。
推荐理由：研究指出 LeWM 的欧氏终端代价只在目标附近成立，提出沿潜流形测距的 NGC 方法，为潜空间世界模型的规划代价设计提供可迁移思路。