2026 年 10 月 19 日 · 星期一
本期文章 16
GOFusion：面向自主机器人导航的实时高斯-占据子图融合系统
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。
BiDex-100：覆盖100余项仿真任务的双臂灵巧操作基准
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。
面向远程操作共享自主的意图信息模型预测控制
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。
DexGraspFlow：融合运动学拓扑的跨本体灵巧抓取生成框架
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。
T(R,O) Grasp++：面向杂乱环境的跨本体灵巧抓取基准与扩散框架
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。
LENS：面向机器人的 FPGA 边缘场景记忆与神经渲染系统
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。
VLA-Rolling：复用动作尾部以减少去噪步数并提升控制
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。
SCBT：将基础模型推理摊销为确定性行为树的无人机控制方法
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。
研究提出 NGC：潜世界模型应沿潜流形距离规划
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。
AQUAACT：摇杆级水下遥操作数据集与闭环基准发布
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。
CusADi2 开源库：在 GPU 上低延迟批量计算机器人运动学、雅可比与海森矩阵
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。
Skill-RSI：冻结可移植操作技能，并考察递归自我改进的作用
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。
HumanoidPose：仅凭视频估计人形机器人全身位姿
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。
The Bitter Lesson Comes to Robotics：九款前沿多模态语言模型直接控制真实机械臂的评测
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。
TILDE：从具身基础模型进行教师闭环蒸馏
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。
DreamCan：用稀疏视觉规划衔接视频模型与机器人操作策略
DreamCan 提出一种分层策略，用预训练视频模型改造的高层规划器生成稀疏视觉子目标，再由低层视觉运动策略执行，从而把视频模型的可执行性约束进规划。作者从无动作的离线机器人视频中估计子目标的可达性与任务效用，并用动态规划自动选取子目标序列，无需人工标注。