观点：最高风险的自动化决策发生在部署之前
BlueBotics CEO Nicola Tomatis 指出，移动机器人项目在进入现场调试前，车队规模、路线、充电点和取放位置等关键决策往往已经确定，若假设有误，现场修正意味着额外工程时间、增购车辆或改造已建布局。
NEWS / 动态
#移动操作
按时间浏览，使用右上角筛选切换领域。
Robotics & Automation NewsAI 评分3838
arXiv · cs.RO精选AI 评分6060 MoF：面向双臂移动操作的多框架动作去噪扩散策略
作者提出 Mixture of Frames Policy（MoF），一种在多个坐标框架间同步进行动作去噪的扩散策略，通过单一规范扩散状态、框架专用去噪器和噪声预测融合实现。
推荐理由：论文提出跨多个坐标框架同步去噪的扩散策略，并在九个仿真任务和两个实机任务上比较单框架基线。
arXiv · cs.RO精选AI 评分6363 HERON：面向移动操作臂的实时障碍感知可达图
HERON 提出用 3D U-Net 从实时深度相机预测障碍感知可达图，在 Jetson AGX Orin 上以 TensorRT 和 INT8 量化部署，平均 115 ms 预测机械臂周围 2.56 m 立方体区域，系统速率 8.57 Hz，接近障碍地图 10 Hz 的更新率。
推荐理由：论文给出嵌入式硬件上实时预测障碍感知可达图的方法与量化指标，可用于比较移动操作臂的在线重定位方案。
arXiv · cs.RO精选AI 评分7272 ThinkLocoManip：面向腿式移动操作的全身体控制智能体框架
ThinkLocoManip 提出一种面向腿式移动操作的全身体控制智能体框架，采用推理与行动交错的范式，让智能体持续推理当前状态、执行动作、观察结果并调整策略。
推荐理由：论文把移动操作拆成感知、导航、操作与运动四类工具，并给出实机长程任务成功率对比，可供参考其交错推理与工具编排思路。
arXiv · cs.ROAI 评分5858 TrajMamba：基于RGB-D与双向Mamba的移动机器人实时人体轨迹预测
作者提出TrajMamba，一个基于RGB-D相机、用堆叠双向Mamba块编码髋中心速度并用GRU头解码未来速度的轻量人体短期轨迹预测模型，参数量262K。该模型对训练与部署采用单一共享处理路径，以对齐人体姿态提取、深度反投影和平滑过程，缩小训练与部署的输入分布差距。
arXiv · cs.ROAI 评分5858 HA-DiPO：面向异构机器人协同搬运的扩散策略优化框架
HA-DiPO 是一个面向异构腿式机器人协同搬运的分层多智能体强化学习框架，采用集中训练分散执行（CTDE），将团队级协调与本体特定运动控制解耦。高层用集中式评论家联合训练独立协调策略，并以扩散策略表示可能的多模态协调响应；低层由本体特定鲁棒运动策略跟踪协调指令，协调策略通过奖励驱动的仿真交互从零学习，无需示范。
arXiv · cs.ROAI 评分5858 研究将 VLA 模型部署到 Unitree Go2 四足机器人加 AgileX Piper 机械臂
研究在 Unitree Go2 四足机器人搭载 AgileX Piper 机械臂上部署 VLA 模型，实现闭环移动操作。作者报告了使实机部署可行的模型变体、动作时域和演示约定等选择，并针对抓放任务区分数据覆盖与模型容量。结果显示扩大演示覆盖使留出集末端执行器误差降低 30%，加入推而非抓等次级技能引入新行为模式且未降低基线性能。
arXiv · cs.RO精选AI 评分8080 LocoManiLab：面向人形机器人移动操作的数据、策略、控制器与部署统一测试台
LocoManiLab 提出一个覆盖数据采集与生成、策略训练、评估和物理部署的人形机器人移动操作统一测试台。其任务套件包含五类家庭场景下的 234 个原子与组合任务，配有 51.5 小时仿真遥操作数据；评估覆盖十二个策略在共享控制器下的任务与场景划分及扰动水平、两个策略在五种控制器下的表现，以及示范规模和数据来源混合的研究。
推荐理由：该预印本把数据采集、策略训练、评估与实机部署整合为统一测试台，可用于比较不同策略与控制器在扰动下的泛化差异。
arXiv · cs.ROAI 评分5656 面向半静态环境安全导航的物体与任务感知主动感知框架
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。
arXiv · cs.RO精选AI 评分7272 COWBOY：面向情境化全身操作的可扩展 sim-to-real 框架
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。
arXiv · cs.ROAI 评分5858 HAF-VLA：面向人形机器人全身移动操作的分层动作流VLA框架
HAF-VLA 提出一种面向人形机器人 VLA 控制的分层动作流框架，在预训练 flow-matching VLA 基础上继承视觉语言前缀编码器与动作专家权重，并加入可学习阶段嵌入和跨阶段 KV-cache 条件机制。它不再一次生成完整动作块，而是按先移动与头部指令、再腰部细化、最后全身操作的顺序逐步去噪共享全身动作空间。作者称在六项真实世界任务上，该框架提升了现有人形移动操作模型的性能。