2026 年 10 月 23 日 · 星期五
本期文章 38
Co^2Gen：为去中心化多机器人与人类协作自动生成任务规划
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。
Live Thread Reconstruction for Autonomous Manipulation：面向自主操作的缝合线实时重建
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。
UniFlowWAM：融合视觉语义与4D几何的统一世界-动作模型
上海交通大学等团队提出 UniFlowWAM，将3D场景流作为与视觉、动作并列的第三模态，构建统一世界-动作模型。该模型采用扩散Transformer，每个模态一个专家，通过联合注意力交换信息，并在十目标角色网格下训练，同一模型可充当策略、前向与逆向动力学以及未来视觉特征或3D流预测器。
arXiv 论文研究月面机器人集群的涌现式协同保温
arXiv 论文研究月面机器人集群能否以自身成员作为热屏蔽，用强化学习训练一套由二十台机器人共享的策略。策略只在月夜结束时收到一次奖励，即最冷五台机器人的平均温度，奖励不含位置、间距、暴露或运动信息，集群仍涌现出聚集和在外围与核心间轮换两种行为。
研究：VLA 全权重微调缺少 fp32 主副本会静默抹掉大部分更新
一项 arXiv 预印本研究指出，VLA 模型以 bf16 训练且无 fp32 主副本时，AdamW 会把小于权重 1/512 的更新直接舍入掉；12 个开源 VLA 代码库中有 9 个默认或文档配方这样训练，包括 LeRobot 的 SmolVLA 默认配置及其 π0/π0.5 指南。
FORCA：面向接触密集机器人操作的力感知编码智能体
FORCA 是一个以视觉观测和腕部力/力矩测量为输入、为接触探测与力响应运动编写 Python 程序的编码智能体，无需演示、任务特定训练或仿真。它在五次实机任务中覆盖三类接触密集操作：提升操作精度、适应物体或表面属性变化、在表面变化与物体运动下调节接触。与同一智能体的纯视觉版本相比，FORCA 提升了抓取精度和任务成功率，并减少了擦拭与剥离中的接触丢失。
EgoForesight：用带噪第一视角动作扩展 VLA 策略学习
EgoForesight 提出一种视觉-语言-动作框架，联合利用机器人演示与带噪第一视角视频训练策略，通过可靠性条件加噪、可靠性加权回归和特权未来表征蒸馏降低不可靠动作标签的影响。在 3 万小时预训练数据下，其缩放斜率比基线更陡，真实世界开环动作 MSE 降低 20.5%，RoboCasa 少样本成功率提升 8.1 个百分点。后训练后，该方法在仿真与真实世界的灵巧操作任务上也取得较强的绝对性能。
SEVI：面向真实世界策略学习的安全证据强化学习框架
作者提出 SEVI 框架，用于真实世界策略在线学习中的可靠性感知安全干预，其 Evidential Safety Critic 在一次前向计算中同时估计未来约束违反风险与认知不确定性。
RepresentNav：在自构建表征空间上构建的导航基础模型
RepresentNav 是一个建立在自构建表征空间上的导航基础模型，该空间由策略自身目标从视觉基础模型中构建。它用三层 transformer 的 Representation Residuals 聚合多个视觉基础模型全深度特征，并在每次动作前通过潜在思维链预测下一时刻场景表征，以 JEPA 方式与策略端到端训练。
VecTile：低成本柔性触觉阵列实现三轴力感知
Jian Hou、Xin Zhou 与 Adam J. Spiers 提出 VecTile，一种 6 mm 厚、可自制的柔性触觉阵列，通过压阻层与被动硅胶凸点把法向和剪切力转换为可区分的压力图案，4x4 阵列整套成本低于 35 美元。
RGraph-Eval：用任务场景图评估机器人视频生成
作者提出 RGraph-Eval，一个基于参考演示的机器人视频生成评估框架，用任务场景图显式暴露物体错移、抓取消失、放置偏离等交互错误。该框架将任务实体、交互与运动组织在统一可解释的场景图表示中，由基础模型流水线识别操作角色、定位物体掩码、推断并核验状态转移与动作区间，并重建被操作物体的三维运动。
GelSlim 5.0：用单指尖相机统一视觉与触觉感知
GelSlim 5.0 是一种指尖传感器，用单个固定相机和连续 UV 响应接触层，通过切换照明在同一视角依次采集透膜视觉图像与接触敏感触觉图像，从而避免多相机外参标定。
FocusVLA：用未来意图引导动态视角路由的 VLA 框架
FocusVLA 提出一种阶段感知的多视角路由框架，从历史动作预测未来交互意图，并据此在动作生成过程中动态调整全局与局部视角的依赖。作者称现有 VLA 模型在多视角输入下持续依赖腕部视角、缺乏跨操作阶段的视角切换能力。
WholeBodyMem：为人形机器人全身移动操作保留动作前物体记忆
论文提出WholeBodyMem，一种物体引导的感知记忆，用于解决全身VLA策略在动态场景中只能看到当前帧、物体线索易消失的问题。该方法用SAM3跟踪任务物体，由物体事件在自适应预算内因果选取关键帧，动作专家通过交叉注意力读取这些帧及编码外观、几何和时间的物体token。
ProTrav：传播高程不确定性的概率可通行性越野导航方法
ProTrav提出一种概率地形表示，用函数空间采样生成空间相关的地形实现，并将高程不确定性传播到可通行性代价。方法先用稀疏变分高斯过程（SVGP）从观测重建概率高程场，再通过后验函数空间采样保留相邻位置的空间依赖，得到任意位置可通行性代价的均值与标准差，并以基于矩的上置信界（UCB）定义风险项接入MPPI控制器。
LocoManiLab：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、评测和物理部署的人形机器人移动操作统一测试台。其任务集包含五类家庭场景下的 234 个原子与组合任务，配套 51.5 小时仿真遥操作数据。
Soft-Object World Model：面向双臂软体衣物操作的上下文学习世界模型
研究提出 Soft-Object World Model，用 transformer 骨干在大规模仿真软体交互数据上训练，通过变长部分点云历史的上下文学习推断潜在形状与材质线索，实现生成式全状态估计和动作条件动力学预测，并采取措施缓解 sim-to-real 差距。
GlobMP：具身机器人连续时间运动规划与引导方法
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。
ALMA：用LLM辅助主动任务生成的空中移动操作策略学习框架
论文提出ALMA空中移动操作框架，用上下文飞行策略适应机械臂外部指令，并通过LLM分析控制难点、生成新的机械臂运动结构用于后续训练。仿真中位置RMSE相对最强基线最多降低24.7%，同一策略零样本迁移到真实空中机械臂后，在周期性机械臂运动下悬停位置RMSE相对真实世界基线降低79.6%。
研究：流匹配 VLA 策略中单步欧拉积分已足够
一项 arXiv 预印本研究考察流匹配 VLA 机器人策略中欧拉积分的单步与多步采样差异，作者在六个流匹配 VLA 上发现，模型训练充分且容量足够时，单步动作生成大体可匹配多步采样，多步积分在推理阶段几乎没有一致优势。作者据此指出，对大型 VLA 而言，单步策略可直接从多步模型获得，无需重训练、蒸馏或额外辅助目标，从而支持低延迟部署。