2026 年 10 月 22 日 · 星期四
本期文章 31
AirPlayground：跨多种重建环境的空中导航基准
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。
TIDE：面向机器人操作的人在环在线后训练系统
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。
从推理到动作：前沿 AI 模型在 LIBERO-10 机器人操作任务上的基准评测
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。
SP-HLM：以稀疏姿态驱动的人形机器人移动操作运动生成与全身控制框架
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。
DONIC：从人类演示学习通用双手灵巧跟踪控制
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。
TARSphere：面向长时程具身智能体的全栈框架与仿真基准
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。
研究提出月球重力下四足机器人跳跃的端到端强化学习策略
Levin Müller 等人在 arXiv 预印本中提出一种多阶段强化学习方法，为月球重力下的四足机器人点对点跳跃生成单一端到端控制策略，仅依赖任务可用的机载传感。
FlowVLA：面向定量机器人倒水的流感知物理完成学习
FlowVLA 将动作生成与物理完成度估计分离，由共享的 π_{0.5} 动作专家在边界感知监督下学习接近、倾倒和返回，并用融合视觉、关节、腕部力与循环力信念历史的目标无关估计器维持转移质量估计，当估计值加预测残余流出量达到目标质量时触发返回。
Watch Your Step：用落脚点预测裁剪感知输入的人形机器人运动策略
arXiv 论文 Watch Your Step 提出预期感知方法，用轻量落脚点预测模型（FPM）仅凭本体感知和速度指令预测未来落脚点，再只在这些落脚点周围采样高程图小块，替代完整机器人中心高程图输入。
距离场驱动强化学习实现机械臂反应式避障
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。
PRISM：以物理机制解耦深度噪声，提升仿真到现实迁移
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/。
PAL：先规划后执行的分层记忆框架用于机器人长程操作
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。
RGF：用关系几何对齐改进世界动作模型的机器人操作
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。
SMR：从人类语义学习人形机器人流式运动重定向
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。
DepState-JEPA：以深度锚定状态表征的RGB-D联合嵌入预测架构
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。
研究：物理参数偏移下的因果世界模型
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。
FRED：用自蒸馏与时间上下文提升世界动作模型的未来视频表征
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%。
CausGround：面向自适应具身规划的因果交互接地框架
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。
AW-0：融合代码规划与视频动作预测的智能体世界动作模型
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。
ACT-—Flow：面向视觉插接任务的评论家加权残差流在线学习框架
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。