NEWS / 动态
按时间浏览，使用右上角筛选切换领域。
论文提出一种图像到操作的流程，在自主操作缝合线时同步生成缝合线的实时重建，并执行安全且优化的连续操作以完成长时序任务。作者指出，可变形缝合线没有固定位姿可跟踪、自由度近乎无限，其状态需要重新估计而非假定；缝合线操作又依赖过去与当前的接触点，必须被准确、连续地跟踪。
推荐理由：论文针对缝合线这类可变形物体提出边重建边操作的图像到操作流程，可供关注可变形物体操作的研究者参考。
Co^2Gen 提出一个框架，用去中心化协作规划方法生成可执行函数形式的多机器人协作计划，再据此产出协作演示数据，以去中心化方式微调 VLA 模型，无需人工遥操作。作者称，用这些数据微调后的 VLA 模型在去中心化协作任务上的表现，与用人工遥操作协作数据微调的模型相当。该工作针对 VLA 模型与其他机器人及人类协作能力尚未被充分探索的问题。
推荐理由：论文提出用去中心化协作规划自动生成多机器人演示数据，免去人工遥操作，并与人工遥操作数据微调效果对比。
作者提出GlobMP（Global Motion Planning），一种在分段多项式曲线上运行的梯度投影方法，将运动规划与引导统一为连续时间规划问题，使约束在运动全程而非采样点成立。
推荐理由：论文提出连续时间运动规划方法GlobMP，并给出全局收敛性分析，可用于理解学习策略与规划器之间的约束修正关系。
论文提出 CMAR-search 框架，基于常识与记忆增强推理（CMAR）构建功能化3D场景图 F3DSG，将环境组织为功能区域及其关联容器。该表示支持宏观区域与微观容器两级分层动作规划，并持续融合实时感知、累积记忆与常识，以应对物体被移动等环境变化。作者称在仿真与真实环境实验中，该方法在动态交互环境物体搜索的成功率和搜索效率上均超过现有基线。
作者提出 PATH-Net，一种偏好感知的分层可通行性估计网络，可为越野遥操作自适应生成偏好条件下的可通行性代价地图与速度曲线。该方法融合视觉与几何鸟瞰特征及短期历史车辆状态，用最大熵逆强化学习和稀疏速度监督推断代价地图并优化速度建议，再通过非对称特征聚合把操作员偏好拆入代价分支与速度分支。
作者提出在线锚点中心场景推理系统 OASIS，用稀疏锚点节点统一存储语义描述、视觉特征与几何状态，支持在线建图、复杂开放词汇检索和导航。系统复用导航中采集的瞬时观测，对场景变化后移动的物体重新定位，并以紧凑记忆按需提取证据、做分层检索。仿真与真实环境实验覆盖标准检索基准及静态、动态导航任务，结果显示其可完成开放词汇检索与导航并重定位位移物体。
Wei Zhang 等人提出 CARE，一个由 critic 引导的自适应执行框架，动态决定何时将控制从本地执行器升级到更强的云端模型。轻量 critic 模型监测执行可靠性并在本地执行不可靠时触发升级，升级后控制持续到智能体恢复，避免逐步切换；共享 handoff memory 在切换时保留执行上下文与任务进度。
推荐理由：论文提出本地执行与云端模型之间的动态升级机制，并给出成功率与动作间隔时延的对比数据，可供云端-本地协同部署参考。
论文提出时空重定向方法 STR，用视觉语言模型选择相关运动信号与身体部位，并据此识别关键帧，把更多求解器迭代分配给关键帧、给选定部位更高交互权重。作者还提出 Mechanics-Aware Contact Anchoring（MCA）借助近似物体力旋量模型细化物体表面接触位置，并基于所得参考轨迹构建时空强化学习 STRL，结合自适应关键阶段采样与基于目标接近度的接触位置奖励。
推荐理由：论文用视觉语言模型挑选关键帧与关键身体部位来分配重定向优化预算，并给出仿真与实机验证，可供人形机器人全身控制参考。
研究在CARLA仿真风险汇入场景中评估将基于知识图谱嵌入与贝叶斯推理的车道变换预测接入自动驾驶决策的效果，预测模型可提前约3-4秒预判周边车辆变道。反应式驾驶在代表性记录中发生碰撞并伴随急减速，而基于预测的纵向与横向策略均避免碰撞，碰撞前峰值减速度分别降低31.5%和91.0%。研究还用基于ISO 2631-1的水平振动估计给出乘坐舒适性评估。
PhysibleMDM 提出在推理阶段优化扩散噪声，无需重新训练生成模型，即可提升运动扩散模型输出的物理可行性。该方法用运动学检查（地面穿透、滑移、自碰撞）和以内点锥规划求解逆动力学的动态可行性测试构造替代约束，再用 Sep-CMA-ES 求解黑盒噪声优化问题，并以自回归方式拼接长序列。
一项预注册研究比较具身智能体的经验应固化进策略权重还是外部存储并在推理时检索。在视觉条件到达任务上，把记忆增强行为蒸馏进权重仅比纯动作对照高1个百分点且不显著，作者因检验功效不足撤回而非否定该主张；把教师冻结的检索缓冲接到固定学生权重上则提升34个百分点（z=5.15），达到记忆增强教师合并参考值49.3%，预注册协议对比也一致（+23个百分点，z=3.36）。
研究提出一套集成感知与控制系统，可在CT孔径内完成呼吸门控的自主针插入。实验显示系统能跟踪并预测患者呼吸周期、执行自主呼吸门控进针，并检测呼吸周期异常。作者指出，当前CT引导肺活检高度依赖人工，需要患者屏气、反复手动进针和多次CT确认扫描，自动化有望减少手术时间、患者不适与辐射暴露。
Jingyi Xiang、Yixuan Wang 与 Wenzhen Yuan 发表综述，从力学驱动和数据驱动两个互补视角梳理触觉机器人操作研究的发展。
针对铰接式车辆高速编队，提出纵向与横向集成控制框架。纵向采用基于PID的算法并给出队列稳定性证明，引入弧长纵向误差公式以适应弯道；横向改进基于回旋线的路径跟踪算法，加入切向判据抑制振荡、轨迹分段自适应调节前视距离，并扩展至铰接车辆动力学。仿真验证了其在高速和挑战性编队场景下的稳定性与跟踪性能。
论文研究面向人形机器人运动的 Multi-PBRS（多势能奖励塑形），并提出一套统一奖励配置。作者在九台人形机器人上使用相同的奖励结构和权重进行评测，只需机器人特定的关节/连杆映射与默认姿态等元数据，无需逐台重新设计奖励。实验称，与标准奖励塑形相比，MPBRS 在不同机器人间表现出更一致的缩放行为和更低的调参敏感度，且不改变最优策略。
论文提出 FRED 框架，通过自蒸馏让世界动作模型（WAM）在单步去噪中从噪声预测未来视频表征，并以真实未来观测提取的表征作为目标，同时用历史观测提供时间上下文。作者称在多种真实操作场景中 FRED 持续优于对比的 WAM，在零样本环境泛化的长时程与域外任务上提升明显。在仅有人类视频演示、未出现在机器人训练数据中的任务上，FRED 达到 50.0% 任务成功率，对比最佳 WAM 为 19.4%。
推荐理由：论文提出用自蒸馏提升世界动作模型的未来视频表征质量，并给出实机操作与人类视频迁移的成功率对比。
研究提出 AW-0，一个将代码规划与视频、动作联合预测结合的智能体世界动作模型框架，在统一的 mixture-of-transformers 架构中联合建模代码、未来视频和机器人动作三路生成流。
推荐理由：论文把代码规划与视频、动作联合预测放进同一架构，为世界动作模型补上技能复用这一环。
PhysiCalWorld 提出通过上下文提示将动作条件世界模型校准到实例特定动力学，无需微调或解析物理建模。该方法把在测试场景中采集的探索交互片段编码为紧凑的物理描述符 token，仅用潜在预测损失端到端训练，不使用物理标签；推理时描述符只提取一次，可在多次 rollout 中复用。
Houzhu Ding 等提出 CW-WAM，一个联合预测视频、运动与接触力旋量的世界动作模型，将运动与力旋量作为统一建模目标并输出时间对齐的运动-力旋量块作为控制参考。
推荐理由：论文把接触力旋量纳入世界动作模型，并给出插入与擦拭任务的力参考误差对比，可供力控操作研究参考。
研究提出以能力为中心的统一框架 PAPAV，将多模态具身智能体（MMEA）拆解为感知状态、预判动作效果、规划可行路径、通过接口或本体执行、验证结果五项功能，并据此比较 MMEA 与多模态智能体及机器人系统。在 64 个基准中，显式评估集中在“执行”，仅 5 个评估“预判”、3 个评估“验证”。从部分可观测到结果不可验证的五项物理约束，使可预先固定的选择更少、纠错空间更小。
作者提出 ASTEROID，一个学生-教师监督学习框架，让学生先在不完全可观测下采集在策略上下文，再由特权专家基于该上下文给出动作标签，从而学会测试时探索。在 11 个环境（含离散探索基准、机器人操作、导航和 Procgen）中，该方法在固定探索预算下回报约为对比方法的 2 倍，交互次数比强化学习基线少约 100 倍。
推荐理由：论文提出用特权专家在策略上下文上标注的蒸馏框架学习测试时探索，并在仿真与实机操作中给出对比结果。
一份报告描述了在物联网多机器人网络中，利用商用软件定义微隔离工具实现动态微隔离功能的实验室实例。研究定义了基于资产功能与健康标签自适应调整的细粒度动态分段策略，并完成策略的软件自动化实施。该方案可实时自动隔离指定威胁，同时保持未受影响业务正常运行。
AtomicRL 是一个面向长程机器人操作的强化学习后训练框架，通过原子任务结构做信用分配与自适应探索。它包含语义感知策略优化 SAPO 和瓶颈自适应目标探索 BATE，并配套连接仿真在线 RL 与实机部署的 Real2Sim2Real 流程。
推荐理由：论文提出面向长程操作任务的原子化强化学习后训练框架，并给出仿真基准与实机迁移的对比数据。
研究在仿真 Unitree G1 上用同一配方训练 12 个策略，变化重力、地形几何与地面接触模型（刚性或三维阻力理论 3D RFT），并测试地球到月球微调与重力随机化。
Osher Azulay 等人提出 RISE，一种让任务目标在推理阶段引导人形机器人起身方式的方法。该方法先学习连接预期动作与电机动作的恢复动作词表，再由视觉扩散规划器预测未来身体状态，并用任务代价把预测导向指定朝向、起身速度或路径，无需重新训练即可在测试时改变动作。仿真实验展示了多样化恢复、地形适应和测试时引导，并在宇树 G1 上给出实机演示。
推荐理由：论文提出在推理阶段用任务代价引导人形机器人跌倒后起身的动作选择，并给出仿真实验与宇树 G1 实机演示。
May Espinola 等人提出一个闭环操作框架，在 LIBERO-10 基准上评测前沿 AI 模型，模型仅凭视觉观测、本体感知和结构化工具调用控制机器人，无需任务特定微调或预训练操作技能。
推荐理由：该报告在 LIBERO-10 上统一评测六个前沿模型共 1800 个回合，可比较推理能力转化为操作动作的差距。
作者提出 SP-HLM，一个基于稀疏姿态接口的人形机器人移动操作框架，用五个任务关键身体姿态结合学习到的隐式运动先验，分别表达空间意图与全身协调。其中 SP-VLA 从多模态观测和语言指令预测稀疏姿态与手指关节位置，SP-MGM 经两阶段蒸馏实时重建全身运动，SP-GMT 再结合显式稀疏目标与隐式运动先验做全身控制。
推荐理由：论文提出以稀疏姿态作为高层策略与全身控制的接口，并给出仿真与实机验证，可供研究人形移动操作接口设计时参考。
TARSphere 是一个面向长时程具身智能体的机器人全栈框架，包含在物理仿真器中运行机器人策略的 TARSphere-Infra、让冻结多模态大模型通过多级可执行技能行动的 TARSphere-Harness，以及覆盖30个室内场景、360个回合的 TARSphere-Bench。
推荐理由：该预印本提出面向长时程具身智能体的全栈框架与360个回合的仿真基准，并给出8个MLLM的对比结果。
DONIC 是一个通用双手灵巧跟踪器，在操作类别与人体运动来源上联合训练，并配套发布 BiHOI 多视角数据集，包含 1575 段序列、229 个物体。方法将近端策略优化与行为克隆结合成反馈回路，把验证成功的执行回收为训练演示，并用以物体为中心的逐手奖励和 Clip-Centered Advantages 支持单一策略学习异构参考下的协调操作。
推荐理由：论文同时给出双手灵巧跟踪模型与1575段多视角数据集，并报告未见轨迹与未见物体上的成功率，可用于比较双手操作跟踪方法。
研究提出一种主动感知框架，让高自由度移动操作臂在导航过程中用机械臂手部相机检查不确定或安全关键区域。该方法用概率化的物体与任务感知下一最佳视角（NBV）公式优先观察期望路径附近及可能变化的物体，并集成到分层任务模型预测控制（HTMPC）中，利用运动学冗余调整视角同时保持基座轨迹跟踪的更高优先级。实机测试显示，相比被动或非任务感知基线，该方法提升了地图一致性、降低了任务相关地图熵和导航风险。
HuMiT 提出一种人形机器人全身遥操作方案，其统一跟踪策略只需当前帧的根高度、根速度与四个稀疏关键点的 SE(3) 位姿作为紧凑参考，无需完整关节位置、密集身体变换或未来帧。作者报告头显流式传输到策略输出的通信至推理时延约 20 ms，基于视频的光流时延中位数为 65 ms。系统在 Unitree G1 人形机器人上验证，展示了接住抛来球体等快速反应和协调的移动操作能力。
推荐理由：论文给出仅需稀疏关键点参考的全身遥操作策略，并报告头显到策略输出的时延数据，可供比较遥操作管线设计。
RangeNav 提出一个仅 183k 参数的 LiDAR 距离图像编码器，完全在合成数据上预训练，用于移动机器人导航。该方法采用各向异性卷积和循环填充处理距离图像的极端长宽比与方位接缝，并以距离重建、语义分割和 BEV 预测组成的导航对齐目标预训练后冻结用于策略学习。
推荐理由：论文给出仅183k参数的LiDAR距离图像编码器预训练方案，并对比不同监督目标对导航成功率的影响。
研究提出一种基于样条的时空表示方法，将空间几何与时间进程纳入同一组连续变量，联合估计共享贝塞尔曲线，并可独立调整空间与时间模型复杂度。仿真实验显示该方法能准确联合恢复路径区间，并通过调整模型复杂度与连续性实现细化，对演示集方差更鲁棒。在机器人辅助患者翻身任务中，用实体假人验证了在线重定时与同步能力。
研究将物理AI的零样本泛化表述为对部署分布的覆盖，指出同一批采集者增加样本只能缓慢缩小未见区域，而每个新贡献者都能扩展该区域。为此提出一种机器人动作共享潜空间，结合多模态对齐、生成式增强与噪声标签学习，并以在标准易用机器人Origami上构建应用的开发者社区作为多样化数据来源，最后给出将实机零样本成功率与贡献数据多样性关联的可检验假设和评估协议。
OMAR 提出一套开放世界多属性推理流程，让机器人在没有预设物体词表和物体-容器对应关系的情况下，推断货架的隐含组织方式并摆放新物体。方法先用视觉语言模型给出标签及内容、包装类型等属性，经分割、深度和多视角关联完成跨视角实例定位，构建实例级3D场景图，再由LLM推理摆放排序，最后做几何与运动学可行性检查。作者称实验在实例映射和摆放一致性上优于单视角语言定位与纯几何基线，可自主摆放此前未见过的物体。
推荐理由：论文提出用视觉语言模型与LLM推理货架隐含组织规则，为开放世界物体摆放提供可迁移的推理流程。
作者提出 post-hoc kernel-variance heads，从单一 VLA 策略的嵌入中估计认知不确定性，每个头计算以训练演示嵌入为条件的高斯过程条件方差，拟合不需要回归目标或梯度更新，也不改动策略本身。
推荐理由：论文提出无需重训的核方差头，用单一策略估计认知不确定性，并与双策略集成在LIBERO-10上对比。
研究区分故障分析的两类目标：复现（找出足以重现故障的条件）与规避（找出阻止故障所需的改变），指出现有基于充分解释的因果方法只支持复现。作者在实际因果框架下形式化必要解释，提出基于因果责任的近似算法，并在多个环境中评估效率，通过反事实生成展示其在故障规避上优于现有方法。
SpatialDex提出一种从纯RGB人类视频学习3D双臂灵巧操作的框架，通过重建场景几何并结合手部运动估计进行视觉运动预训练。该方法将重建几何同时作为策略输入和预测目标，用门控残差融合把预训练视觉语言模型的token网格锚定到该几何上，并预测未来场景几何与手腕、手指动作。
推荐理由：论文给出从纯RGB人类视频重建场景几何并联合预训练双臂灵巧策略的方法，附仿真与实机对比结果。
CausGround 是一个非参数化的因果交互接地框架，把交互经验提炼为以动作为中心的因果知识，用于具身规划。它识别动作前置条件与效果，并以分解式世界状态表示组织物体属性和物体间关系，规划时把任务相关因果依赖接地到当前观测，支持前置条件的反向推理与效果的正向推理。
推荐理由：论文把交互经验整理成可复用的动作前置条件与效果知识，并在仿真基准和实机操作上给出对比结果。
AirPlayground 是一个用于训练和评估空中导航策略的统一基准，构建了覆盖室内、城市户外和植被场景的94个3D高斯泼溅（3DGS）环境，并配有对齐的碰撞几何。
推荐理由：该预印本公开了94个3DGS场景与94K飞行演示，并给出ACT随训练场景扩展的成功率变化，可供比较空中导航策略的闭环评测。