2026 年 10 月 25 日 · 星期日
本期文章 14
AdaDexTrack：面向自适应灵巧操作的动态调制跟踪框架
AdaDexTrack 提出一种调制器在环的框架，用于语言条件下的灵巧手物交互跟踪。该框架以大规模专家到通才蒸馏得到的跟踪器承载技能，调制器经强化学习训练，对参考轨迹、物体隐表示和位置目标做三类反馈修正。作者称其在未见轨迹和未见物体集合上的平均跟踪误差与成功率均优于此前 SOTA，并在真实硬件上展示了零样本 sim-to-real 迁移，加入调制器相比仅用跟踪器有显著提升。
RoboLongR：因果一致奖励引导机器人逐步掌握长程操作
RoboLongR 是一个离线到在线的框架，通过学习依赖历史的奖励引导策略适应新任务，核心目标是让奖励进度与执行历史支持的前置条件保持因果一致。方法采用阶段打乱监督、循环记忆和两轮训练，并以稀疏终端反馈触发对重复高分失败的纠正。
RoboJev-27B 开源机器人操作成功检测视觉语言裁判模型
RoboJev-27B 是一个开放权重的视觉语言模型，输入任务指令与 10 帧操作画面，预测机器人是否完成任务。它在同型号 SO-101 的 268 个留出回合上取得 95.2% 平衡准确率和 0.993 AUROC，在未见实验室/机器人采集的 459 个回合上 AUROC 为 0.890。
Scan2Instruction与PRPT-KS：一次扫描实现语言引导导航的无示范适配
研究提出Scan2Instruction与PRPT-KS，用一次简短的iPhone扫描替代人工示范，完成语言引导导航策略在新场景的适配。Scan2Instruction把扫描结果编译成完整训练环境并自动合成带指令的可执行导航片段，PRPT-KS则直接从重建场景读取闭式Pareto效用更新策略，无需学习型critic和人工标注。
Open-World Law-to-Action：用视觉语言先验与触觉推断隐藏物理
Mohamed A. Mabrok 提出 Open-World Law-to-Action（L2A），由视觉语言模型为每个可动部件提出运动方式、运动定律项和可能的锁定因素，再以带下限的先验形式交给触觉在线修正。
RoboWorM：评估具身视频世界模型的运动真实性、一致性与加速影响
RoboWorM 是一个面向部署的视频世界模型基准，利用机器人运动学树和固定相机配置等硬件先验，系统考察结构与时空保真度。该基准汇集单臂、双臂和人形形态的 1,605 条 episode，覆盖单视角与多视角下的马尔可夫及长时程非马尔可夫任务。
POD-RoPE：面向具身AI的物理观测分布旋转位置编码
POD-RoPE 将 token 的观测足迹表示为相机中心、视线方向和采样时间上的分布，用期望旋转编码分布间相对关系，并在分布退化为单点时还原为逐点 RoPE。
面向内存受限机器人的稠密地图记忆感知关键帧管理
Huichang Yun 等人提出一种面向内存受限机器人的稠密地图关键帧管理方法，直接约束常驻地图占用的内存，并按建筑中的房间与走廊等语义空间单元准入和释放关键帧。
MimicAll：面向跨人形本体全身运动跟踪的结构化本体条件框架
MimicAll 是一个强化学习框架，用于在异构人形机器人之间共享全身运动跟踪策略，将结构化本体描述符编码为全局与关节对齐条件，并结合观测历史与匹配本体的运动参考预测关节目标偏移。
MOON：为视觉语言导航策略学习何时遗忘与如何恢复
MOON提出一种框架，为冻结的视觉语言导航策略加装两个轻量模块，参数量增加不到1%，用于在偏离路线时判断何时清空历史并学习如何恢复。作者称在R2R-CE和RxR-CE上，MOON取得对比方法中最高的R2R-CE成功率，并把冻结基线的成功率分别提升5.2和6.0个百分点；随机触发消融显示增益取决于清空历史的时机。
WorldFailBench 发布：评测世界模型能否理解机器人策略失败
研究团队提出 WorldFailBench，用于检验世界模型能否忠实模拟机器人策略的失败方式与失败阶段。该基准包含失败原因、失败阶段和失败边界三项测试，覆盖 LIBERO 与 RoboTwin 仿真环境中的操作任务，以及 G1 人形机器人在真实世界执行的操作任务。对七个世界模型的实验显示，它们在理解策略失败方面存在明显差距。
MOTIO：面向真实场景人形全身操作技能的智能体化技能工程系统
MOTIO 是一个智能体化技能工程系统，可将人类动作视频、真实感3D资产、运动参考和可复用机器人技能转化为可执行的人形全身操作程序，无需任务专用遥操作或机器人演示采集。
ReSight：面向具身智能体的任务驱动自改进记忆系统
ReSight 是一个面向具身智能体的任务驱动自改进记忆系统，保留关键帧及其时空关联，并把观测证据与可扩展派生字段分离，以便按新需求重新处理历史观测。系统由执行智能体和编码智能体通过不同接口共享记忆，前者在有限在线预算内调用已注册工具，后者在可编程工作区中以更大探索预算检查证据、编写程序并按需获取模型。
Eka Robotics 完成 1.5 亿美元 A 轮融资，扩展视觉-力-动作模型
Eka Robotics 本周宣布完成 1.5 亿美元 A 轮融资，由 a16z 和 F-Prime 领投，资金用于扩展技术和客户部署。这家 2024 年成立、位于马萨诸塞州剑桥的公司正在构建视觉-力-动作（VFA）模型，通过大规模强化学习让机器人建立物理直觉，并称其机器人在训练分布外抓取物体速度约为每小时 1500 次操作，还能拧灯泡和插线。