2026 年 10 月 21 日 · 星期三
本期文章 46
UMI 手套新方案：单个头戴相机完成无电子手套的标注与观测
Yosub Shin 等人提出用单个头戴相机（122 美元）替代腕部相机和位姿追踪器，通过读取无电子手套（22 美元）上的印刷标记与工作区纸片，从同一帧中解出 6-DoF 夹爪位姿和夹爪开度。
ThERMO 用热成像闭环优化速度，提升自主肿瘤切除精度
研究团队在 arXiv 发布 ThERMO，一种基于实时热成像的闭环速度优化算法，用于 UR10e 机械臂 ASTR 系统上的自主电外科手术。在离体猪组织实验中，ThERMO 相比两种固定速度方法将热损伤降低最多 52%、切割精度提升最多 59%，并保持任务完成速度，且无需数据驱动训练或迭代调参。组织学分析用于检测细胞层面的热损伤范围，3D 摄影测量用于验证切缘精度。
RoboJudge：用多模态语言模型评判具身视频生成
研究团队提出 RoboJudge-Bench，用于评测多模态大模型对具身视频生成的判断能力，覆盖物理遵循与指令对齐两个维度，包含来自 8 个源语料、10 个视频生成器的 800 段人工标注视频，涉及夹爪、人手和灵巧手。
论文系统评测 GPT-6 Astra 直接控制机器人操作的能力
论文系统评测了 GPT-6 Astra 在轻量智能体执行框架下的闭环机器人操作能力，在 RoboDojo 上成功率为 26.92%，在 RoboTwin 2.0 上为 76.0%。
RoboCasa-Shift：面向长程家务操作 VLA 策略的分阶段鲁棒性评测基准
作者提出 RoboCasa-Shift，一个基于 RoboCasa365 的诊断性鲁棒性基准，结合受控单因素扰动、共享相同设置仅目标扰动不同的配对干净-扰动 rollout，以及仿真中的分阶段诊断。
LocoPilot：单操作员双边遥操作采集四足移动操作策略数据
LocoPilot 是一个单操作员双边遥操作与数据采集框架，部署在 12 自由度 Unitree Go2 四足机器人上，该机器人搭载 6 自由度 AgileX Piper L 机械臂、Intel RealSense D435 腕部相机和 D405 头部相机。
AdaDex：用混合灵巧模仿学习可泛化灵巧操作技能
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。
HuTact：从人类手物交互数据学习触觉感知手部表征
Yu 等人提出 HuTact 框架，从大规模人类手物交互数据预训练触觉感知手部表征，预训练阶段不需要真实触觉信号。该方法把从人手运动中学到的交互结构迁移到机器人触觉观测，并可用少量无标注机器人交互数据进一步适配。
UniWALM：统一世界-动作-语言模型用于具身机器人控制
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。
分层QP控制与权限引导恢复规划实现眼科机器人高精度RCM运动
研究提出一种带奇异恢复的高精度RCM伺服架构，用于通用机械臂在软件远心运动下执行眼科器械定位。作者将RCM与末端跟踪目标冲突导致的伺服振荡形式化为约束诱导任务奇异，即RCM投影后的末端雅可比降秩而未投影雅可比仍良态。
SceneRig：从单张图像重建可仿真3D场景的智能体系统
SceneRig 是一个智能体系统，可将单张图像重建为可编辑、可直接用于仿真的3D场景。它结合几何、视觉与物理工具，并在物理仿真器内执行编辑与验证循环以获得物理稳定性。作者称，相比基线方法，SceneRig 在实例分割、物体外观和3D摆放上有所改善，其场景能更准确地预测真实机器人策略结果，并更可靠地支持已录制操作在无需轨迹适配的情况下回放。
AgenticRoboRL：将编码智能体后训练引入具身机器人规划器
AgenticRoboRL提出一种跨不同机器人执行框架后训练规划器的框架，训练方案结合监督微调与多轮强化学习。为适配VLA技能调用和控制代码生成等不同执行机制，该方法用框架专属适配器把记录下来的规划器交互与任务结果关联起来，同时保持执行组件固定。
Industrial ReMEmbR 将时空记忆扩展到机器人车队
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。
FLEX：用语言引导机器人任务特征表征编辑
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。
EventSync：面向历史依赖操作的事件驱动记忆更新框架
EventSync 是一个分层框架，通过事件驱动的记忆更新协调任务推理与动作执行：视觉语言模型依据任务计划和交互历史生成子目标，视觉-语言-动作模型负责执行，轻量 Event Monitor 结合视觉观测与末端执行器轨迹判断当前子目标是否完成，只有取得完成证据后才写入已完成子目标历史并触发下一步推理。
PanoGraphGS：用高斯泼溅统一全景分割与分层3D场景图
PanoGraphGS 提出一个统一框架，将全景3D高斯表示学习与分层3D场景图构建结合，在共享高斯几何上学习语义与实例特征。其语义感知场景图模块可恢复楼层-房间-物品-物体的层级及包含与空间关系，并支持新视角全景分割与高斯级全景解码。
Real2Sem2Real：用单段人类RGB演示生成机器人学习数据
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。
NVIDIA 等提出 Joints, Camera, Action!：为任意骨架联合生成 3D 运动与视频
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。
PhysCanvas：用于机器人策略评估与学习的视觉触觉世界模型
PhysCanvas 是一个面向接触密集机器人操作的视觉触觉世界模型，将多视角 RGB、触觉图像、标记位移、任务状态与动作统一到同一视觉空间，并共享视频 VAE 与预训练生成骨干。
JARVIS：从视觉说明书到自主机器人装配的基准与智能体
JARVIS 是一个无需额外语言指令、由视觉说明书引导自主装配的方法无关基准，包含 8,987 个场景中的 236,679 个 LEGO 装配任务，并从中整理出 50 个任务的 JARVIS-v1 套件用于交互式机器人评测。