NEWS / 动态
按时间浏览，使用右上角筛选切换领域。
论文提出一种将欧氏距离场（EDF）直接纳入观测空间的强化学习框架，为智能体提供连续几何线索以支持稳定、反应式的避障行为。该方法在7自由度冗余机械臂上验证，实现了从仿真到真实硬件的零样本迁移；尽管训练仅使用随机静态物体，部署后的策略仍能泛化到此前未见的真实环境，并对动态障碍物表现出在线避障能力。作者认为，EDF表示有助于缓解仿真到现实的差距。
推荐理由：论文把欧氏距离场直接放进观测空间，在7自由度冗余机械臂上验证仿真到实机的零样本迁移，可供做避障策略的研究者参考。
A2I-Calib++ 提出一种运动学驱动的抗噪主动标定框架，用于足式机器人机体多IMU系统，可在无需人工标定靶标、无需对目标IMU做复杂参数调优的情况下估计时间偏移、外参旋转平移与惯性零偏。
PRISM 提出一种基于物理的深度噪声建模框架，将单一噪声解耦为传感失效与测量不准两类模态，并借助 3D 视觉基础模型特征做空间语义先验推理。作者称其在噪声深度合成基准上达到当前最优保真度，下游机器人实验在真实世界取得 92.1% 平均成功率，优于单一噪声建模基线。项目页面见 https://shawnleung-sii.github.io/prism-icml2026/。
推荐理由：论文把深度噪声拆成传感失效与测量不准两类物理机制，为仿真到现实的感知建模提供了一种可迁移思路。
该预印本提出将基于流匹配的路径规划与模型预测路径跟随控制相结合的框架，用数据驱动方式生成多模态路径，并由预测控制器在线调整运动以满足状态与输入约束、利用更新的局部传感器信息避障。作者还设计了事件触发重规划机制，把预测控制的解反馈到后续路径生成中，以在存在此前未见障碍物的环境中实现无碰撞导航。移动机器人导航的仿真结果显示，该框架在杂乱环境中表现稳健。
AOV-GS 是一个主动 3D 高斯建图系统，用冻结的 SAM 与 CLIP 引导探索，并离线拟合场景语言场，从而支持开放词汇文本查询分割。
该论文提出一种针对负载参数泛化前馈控制动作的方法，且不依赖底层控制器。作者先推导负载泛化所需的最少示例物体数量，再给出仅凭新负载参数即可执行同一轨迹的算法，无需已知机器人动力学模型，也适用于存在弹性关节的情形。方法在仿真和实验中验证，实验使用标准 Franka Emika Panda 以及加装弹性腕的 Franka Emika Panda，覆盖不同机器人与控制器的跟踪任务。
PAL 是一个面向视觉语言机器人操作的分层记忆框架，用高层 VLM 把流式视觉观测转成可执行 subtask_list，执行时再选出当前子任务交给低层 VLA 策略。
推荐理由：论文提出分层记忆框架，把长程任务规划提前写入可执行子任务列表，并给出仿真基准与四项实机任务的对比结果。
Jona Joy 提出 Alpha，一个在仿真中面向 LLM 驱动操作的系统性故障注入与鲁棒性评测框架，在感知、执行、运动学和规划四类环节注入校准故障。
QSelect将AWQ、GPTQ与AutoRound检查点按线性模块组合成单一静态低比特模型，在DeepSeek-R1-Distill-Qwen-7B、Llama-3.1-8B和Llama-3.2-3B的3比特与4比特共六种设置下，留出困惑度均低于任一单一家族模型。
论文提出关系几何强制（RGF），通过对齐成对特征关系而非逐点特征，把冻结3D基础模型的几何先验迁移到世界动作模型（WAM）。作者发现逐点几何对齐虽改善视频特征却会损害动作学习，RGF 用帧内、跨视角和动作-时序三类关系目标，且仅在训练阶段使用，不增加几何分支或推理模块。仿真与实机实验显示，该方法在多种操作场景和 WAM 范式下取得一致提升。
推荐理由：论文指出逐点几何对齐会损害动作学习，提出用成对特征关系迁移3D先验，并在仿真与实机中验证。
作者提出 TIDE（Training In DEployment），一个面向机器人操作的人在环在线后训练系统，可在部署过程中利用人工干预和策略自身 rollout 在线更新策略，无需学习 critic、奖励模型或动作评分器。
推荐理由：论文提出无需价值函数或奖励模型的在线后训练系统，并在四项真实双臂操作任务上对比热启动策略与离线演示。
作者提出 DepState-JEPA，一种双流 RGB-D 联合嵌入预测架构，通过共享隐状态 DepState 把空间理解与动作条件预测连接起来。该框架基于 V-JEPA 2.1，将深度同时作为互补观测流并把两种模态锚定到度量三维空间，动作条件转移后由同一组解码器预测未来 RGB 与深度特征。
推荐理由：论文提出以深度观测锚定共享隐状态的双流预测架构，可用于比较机器人操作中的状态表征设计。
一项 arXiv 预印本研究评测了七个可本地部署的视觉语言模型（含面向物理 AI 与机器人开发的模型）在两个以人为中心的热成像数据集上理解人类活动的表现。诊断任务覆盖细粒度动作识别、活动时间线重建和拒答能力，并以配对 RGB 录像作为性能参照。
NavBind 提出一种诊断导航 VLA 指令-动作绑定的方法，在导航上下文固定时检验更换指令是否改变动作的概率分布。研究从 R2R-CE 和 RxR-CE 重组出 3,252 个路线分叉上下文，每个上下文的两条完整指令共享已走过路线的描述、但指向不同分支，并在相同智能体状态和导航历史下评估。
SMR 提出一种流式神经运动重定向器，从语义条件物理专家学习，将人类运动转为人形机器人可执行的运动参考。方法先把人类运动转换为机器人感知的任务空间目标，由物理专家在仿真中于接触、动力学和执行器约束下跟踪，再用严格因果的 Transformer 学习其执行状态轨迹。
推荐理由：论文提出从语义条件物理专家学习流式重定向，对比运动学与物理精修基线，可供人形机器人运动参考生成研究比较。
arXiv 论文研究世界动作模型（WAMs）因生成骨干不同而在泛化性能上出现明显差异的原因，从模型继承自骨干的表征几何及策略训练对其的重组入手分析。作者提出用干扰正交性量化表征先验，即特征在经验分布流形之外的视觉变化下的正交程度，并在多种图像和视频骨干上发现先验正交性越高，WAM 训练后对视觉变化的鲁棒性越强。
SimPT 是一个自动化干预式 VLA 后训练的仿真框架，把策略 rollout、纠正数据采集、策略训练和独立评估整合在一起。
推荐理由：该预印本把 VLA 后训练中的干预采集、训练与评估放进仿真闭环，并给出与固定间隔基线的对比数据。
研究提出一种轻量级状态相关目标协调方法，用于两轮倒立摆机器人的端到端导航与控制，通过俯仰条件标量系数β(s)∈[0,1]在训练中调节平衡与导航目标的相对权重，无需PID或LQR等辅助姿态控制器。
Yiqing Yuan等人提出ACT-—Flow，将自适应Action Chunking Transformer与条件残差流策略耦合，用于视觉插接任务的在线学习。
推荐理由：论文给出ACT-—Flow在插接类任务上的在线学习框架与消融结果，可比较残差策略与行为克隆的组合方式。
该预印本研究了物理条件偏离训练分布时世界模型预测精度下降的问题，区分了预测器可用哪些输入以及机制如何计算这些输入的影响两个层面。在带捷径特征的合成基准中，由配对干预得到的冻结依赖掩码把分布外 RMSE 从全连接预测器的 1.769 降至 0.697，接近生成器 oracle 掩码的 0.694。
推荐理由：论文在 CausalWorld 中比较不同质量参数注入方式对分布外预测的影响，为世界模型的因果结构设计提供可迁移思路。
PHD-Hand 提出一种连杆驱动的人形灵巧手，每根手指至少具备3个驱动自由度（DOA），借助柔性铰链和弹簧钢弹性驱动杆简化传动，无需大量微型运动部件，可用预算级3D打印机加工。作者称该设计降低了灵巧人形手的使用与开发门槛，并让手部尺寸更接近常人手掌。论文还给出样机在抓取与物体操作上的评估，以及运动学与控制方面的最新发现。
RoPT 是一个面向视频的鲁棒 6DoF 物体位姿跟踪框架，作者称其把视觉感知、时序运动学与全局重定位耦合成闭环，以应对快速运动下的跟踪发散。视觉部分通过跟踪物体掩码处理部分和严重遮挡，运动学因子图则约束帧间更新、预测前向位姿并驱动多假设并行验证以避开局部极小。作者在多个挑战性基准和真实机器人演示中报告，快速运动下的跟踪存活率显著更高。
推荐理由：论文把视觉感知、时序运动学与全局重定位耦合成闭环，用于应对快速运动下的位姿跟踪发散，可供机器人交互感知研究参考。
SLoSa 是一个神经符号压缩与微调框架，用于训练小尺寸、低功耗且具备安全意识的机器人任务规划基础模型。该框架先用经典规划器、教师大模型和形式化验证器构建安全数据集，再经监督微调与由验证奖励机引导的强化学习微调。
推荐理由：论文给出小尺寸规划模型在 PDDL 任务、家用仿真与桌面机械臂上的成功率与功耗数据，可对照大模型本地部署的资源约束。
Yash Rampuria 等作者提出开源 GPU 加速图库 GGraph，同时支持真实机器人部署和大规模策略训练。GGraph 通过 ROS 2 接口接入真实机器人，并支持向量化 GPU 策略训练，内置 3-D 导航、探索和回环整合等任务。单机器人运行时图更新为毫秒级，规模化训练可跨数百个并行机器人，训练实际耗时降低一个数量级；结果来自仿真与真实世界实验。
推荐理由：GGraph 把图构建放到 GPU 上，并同时覆盖 ROS 2 部署与并行训练，为图表示机器人策略提供可复用基础设施。
HyperDrone 是一个面向高性能批量渲染的四旋翼仿真器，作者称其速度超过现有先进批量四旋翼仿真器 20 倍以上。它结合优化的多旋翼动力学与光线追踪引擎 HyperLux，支持 Nvidia OptiX、Vulkan、Apple Metal 和 WebGPU 后端，可渲染 RGB、深度、语义/实例分割、表面法线和光流，并在消费级 GPU 上达到数百万帧每秒。
推荐理由：论文给出比现有批量四旋翼仿真器快 20 倍以上的渲染方案，并把纯仿真训练的偏航控制策略迁移到 Crazyflie 实机。
COWBOY 是一个可扩展的 sim-to-real 框架，用于学习情境化全身操作，在全身灵巧抓取任务上零样本迁移到数百个物体和杂乱桌面、货架、抽屉等非结构化场景。
推荐理由：论文给出把场景感知全身控制器与局部强化学习专家蒸馏为单一视觉策略的 sim-to-real 框架，可参考其分层训练思路。
研究对比奖励层、优势层、损失层与PCGrad聚合在两种人形控制框架中的表现，用偏好奖励响应性（PRR）结合覆盖度与效用指标评估。没有哪种聚合层级在所有环境和标准下都最优：早期聚合行为响应范围更广，但其他目标的非预期变化更大；后期聚合提升控制精度，但响应性有所下降。
作者提出 Context-Aware Navigation Explanation 框架，用大语言模型为辅助机器人解释导盲犬式的避障与导航动作，并将感知上下文与规划的未来轨迹结合生成自然语言解释。系统部署在 Unitree Go2 平台的室内导航场景中，评估不同解释上下文配置对用户信任和解释满意度的影响。结果显示解释满意度与信任呈强正相关，且将障碍物信息与未来轨迹结合的解释效果最好。
研究提出一种适用于非线性非凸动态博弈的通用学习框架，利用已执行可行轨迹构建采样联合安全集和各玩家代价函数，每个时间步由智能体共同选择采样终端状态及到达该状态的广义纳什均衡，仅当满足玩家约定的协作接受规则时才采纳新解。框架支持个体不退化要求及加权代价、纳什议价等选择准则，并证明递归可行性、刻画各玩家代价随迭代不增的条件。
MIT 等机构作者提出 Flexible Feature Editing Pipeline（FLEX），用语言模型根据自然语言纠正迭代编辑机器人内部任务特征表征，包含添加缺失特征、泛化已有具体特征、屏蔽无关特征三种操作。
推荐理由：论文提出用语言模型迭代增删与泛化任务特征的表征编辑流程，并在导航、Franka 操作与真人语言纠正实验中比较不同编辑方式。
inr2action 提出参数空间记忆框架，将每个机器人片段拟合为神经隐式表示，其权重增量作为记忆，大小不随片段帧数变化。学习到的投影器把权重增量映射为 token 嵌入，用于语言模型问答和关节指令回归解码，查询时无需检索原始帧。在 RoboMME 上，语言模型在所有问题类型上超过随机水平，解码器平均 R² 为 0.51；将权重增量替换为匹配噪声后性能下降 11.4 点，随机初始化的权重无法解码。
Real2Sem2Real（R2Sem2R）提出从真实到语义再到真实的流程，把一段单目人类演示RGB视频转成同一类别多个语义物体实例上的数千条机器人演示。
推荐理由：论文用单段人类RGB视频生成跨语义实例的机器人演示，并在两台实机四类任务上与遥操作数据训练的VLA策略对比。
T-WLA 提出一种世界-语言-动作架构，用共享视觉记忆同时指导动作生成与触觉修正。每次视觉更新时，视觉分支把当前图像、任务指令和检索到的历史整合为视觉记忆，用于生成基础动作；同一记忆被缓存给轻量触觉编辑器，结合当前动作块与触觉输入预测未执行动作的残差修正，无需重跑视觉分支。
推荐理由：论文提出用共享视觉记忆驱动轻量触觉修正器，避免视觉策略重算带来的延迟，可供接触密集操作研究比较。
VeriCalib将外参标定建模为可验证估计问题并输出标定状态，指出拟合残差在同一批观测上计算，无法判断结果是否可接受。它用结构化协方差联合传播相机与LiDAR标靶特征不确定性，并按残差估计方差分量，解耦旋转与平移以定位各方向精度、引导补采最弱方向数据。方法还引入视内与跨视检查及外参最小可检测偏差，在未知噪声水平下保持显著性水平。
Nuo Chen 等人提出一种将鲁棒力旋量观测器与位姿-力混合控制器结合的无传感器物理人机交互框架。该方法用神经网络补偿系统摩擦与未建模动态以提升观测器性能，并通过任务零空间分解分离关节速度、降低人类扰动对观测器的影响。实验结果显示该框架在保持位姿与力跟踪性能的同时给出力旋量估计，作者称其可应用于没有力/力矩传感器的机械臂平台。
Nuo Chen 与 Ya-Jun Pan 提出一套人机交互框架，用元学习训练的神经网络识别人处于主动引导还是被动跟随状态，不再依赖预设切换阈值。作者称把控制器中与力相关的参数纳入识别后，被动模式识别率从 90.1% 提升到 99.1%，主动模式从 79.8% 提升到 97.1%。
NVIDIA 等机构的研究者提出 Joints, Camera, Action! 模型，可为任意给定骨架同时生成视频与可重放的 3D 运动，并估计相机把运动配准到场景。
推荐理由：论文提出将3D运动与视频生成分离建模，支持任意骨架并恢复相机位姿，为机器人视频数据转可重放运动提供思路。
AdaDex 是一个目标条件强化学习框架，能把数秒的单条手-物轨迹（来自动捕或野外 RGB(D) 视频的 HOI 重建）转化为可泛化的灵巧技能。其核心 Hybrid Dexterous Mimicking 在两类大规模并行环境上训练共享策略：密集运动跟踪环境注入人类先验，带噪声初始状态与稀疏物体成功奖励的泛化环境迫使技能脱离参考轨迹。
推荐理由：论文提出混合模仿与目标条件强化学习框架，把数秒人手轨迹转成可泛化的灵巧操作技能，并给出跨仿真器与实机迁移结果。
UniWALM 提出统一世界-动作-语言模型，在单一混合Transformer骨干中联合学习视频、动作与语言，各模态既作条件信号也作监督目标，并在同一次解码中输出子任务与文本记忆，无需独立规划阶段。
推荐理由：论文把视频、动作与语言放进同一混合Transformer骨干联合生成，并给出记忆依赖任务与实机对比数据，可供比较统一建模路线。
IndustrialRemembr 提出面向机器人车队的共享时空记忆系统，扩展 NVIDIA ReMEmbR，仅在需要时生成场景描述以降低服务端计算。每台机器人用 NVIDIA Jetson 将视频片段编码为检索嵌入、视觉 token 和重建潜变量，不上传原始相机画面。
推荐理由：论文给出机器人车队共享时空记忆的端侧编码与按需解码方案，并报告缓存 token 解码与未拆分模型输出一致。