2026 年 10 月 30 日 · 星期五
本期文章 49
EgoContact：用第一视角视频评估物理智能的大规模接触点数据集
EgoContact 是一个面向物理智能评估的大规模第一视角数据集，通过预测未来接触点来检验操作先验的泛化性与精度。数据集包含 22.5K 条人工核验的交互事件，每条含接触前观测、语义意图和像素级接触位置。
WorldFlow：联合预测视频与三维运动的大规模预训练世界模型
WorldFlow 提出一种生成式世界模型，在统一 Mixture-of-Transformers 骨干下同时预测未来视频和基于查询的三维轨迹，三维运动被参数化为与视频网格对齐的连续位移 token，并以 rectified-flow 目标联合去噪。
ReSTEP数据集与REMORA在线进度估计器发布
研究团队开源ReSTEP数据集，包含两个操作任务共3,156条带语义阶段标签和帧级错误标注的episode，覆盖成功执行、失误与恢复过程。基于该数据集，作者提出在线进度估计器REMORA，结合循环视觉记忆、分布预测与因果峰值选择来跟踪任务进度。在两个ReSTEP任务上的实验显示，REMORA在进度准确率和时间一致性上优于SARM基线。
OpenFlyV2：面向空中感知与导航的机载视觉-语言-动作模型
OpenFlyV2 是一个统一的机载视觉-语言-动作架构，用共享视觉-语言表征在单一模型中支持语义理解、语言定位感知、空间推理与连续飞行控制。配套构建的仿真数据集包含约 7 万条导航轨迹和 6 万对视觉-语言指令-响应对；模型在 NVIDIA Jetson Orin NX 上完全机载以 10 Hz 生成每块 12 个航点的动作块。
RAIBO-Wagon：四足机器人拖挂货车的实时导航系统
研究提出面向四足机器人拖挂货车的实时导航框架，将条件流匹配（CFM）与基于学习前向动力学模型的MPPI控制结合，CFM缓解MPPI初始化问题并加速收敛，MPPI迭代细化则补足CFM训练分布外的可行解。团队将其集成到RAIBO-Wagon全栈导航系统，在15米长的受限空间户外路线开展实机试验，感知与计算全部机载完成。40次试验成功率为85%，拖拽总负载最高40 kg，接近RAIBO自重的100%。
UMI-Live开源双臂UMI野外数据采集系统
研究团队发布UMI-Live，一套面向野外双臂数据采集的开源全栈UMI系统，硬件集成相机、LiDAR-惯性传感、板载计算与供电，无需外部追踪设备或采集环境内标定。
Humanoid Dodgeball：面向人形机器人快速动态避障的强化学习框架
Humanoid Dodgeball 是一个面向人形机器人敏捷动态避障的强化学习框架，通过威胁感知奖励塑形让机器人对来袭抛射物做出高动态全身闪避动作。方法还用多个方向特定的对抗运动先验，把学到的行为约束为稳定且多样的人形动作。作者称仿真与硬件实验显示，该框架在多种障碍物速度和发射距离下提升了动态避障表现，同时保持稳健且物理可行的动作。
Language-Grounded Force/Torque Pretraining：用语言对齐预训练力/力矩历史做外接触感知
论文提出 Language-Grounded Force/Torque Pretraining，用仿真抓放交互生成的监督把双侧六轴力/力矩历史对齐到冻结语言空间，预训练成语义结构化的物理表征。
HiFOR：面向VLA模型的动作引导世界检索分层未来预测框架
HiFOR提出一种分层未来预测框架，通过分层依赖掩码联合预测短期状态演化、语义里程碑和最终目标状态，并配合动作引导的因子化世界检索为动作生成提供针对性引导。作者称在两个仿真基准和六项真实机器人操作任务上验证了该方法的有效性。论文为arXiv预印本，摘要未给出具体成功率数字。
DRIP：仅用 LiDAR 的轨迹条件分布风险人群导航规划器
论文提出 Don't Risk It Planner（DRIP），一个仅用 LiDAR 的端到端规划框架，将占据预测与轨迹条件的最小间距及不确定性估计结合，直接基于 LiDAR 占据栅格历史预测候选控制序列下的最小机器人-障碍物间距分布以评估碰撞风险。
Gym-Anything for Robotics：用编码智能体扩展物理仿真并发布RoboWorld基准
Gym-Anything for Robotics提出让编码智能体自动创建机器人仿真，以缓解仿真构建依赖专家、难以规模化的问题。团队据此构建RoboWorld，包含25个仿真、25个测试与175个训练RL环境，前沿模型在所有测试任务上平均奖励仅0.06。论文还给出上下文重复尝试、特权教师指导、自辅助学习以及生成演示训练π0.5等VLA的改进方式，并开源流水线、RL环境与基准。
ProLoop：面向长程机器人任务规划的结构化状态关系闭环框架
ProLoop 是一个进度感知的闭环框架，从期望状态与执行状态之间的结构化关系推导显式子目标进度，再由学习到的 State-Relation Monitor 判定子目标处于进行中、偏离或完成，并据此调整执行。在 AgentBoard ALFWorld 和真实机器人平台上的实验显示，ProLoop 整体成功率提升 12.94%，Hard 任务提升 15.46%，环境交互次数减少 32.3%。
Decoding Geometry, Not Tokens：用高效 VLM 预测机器人可供性与轨迹
论文提出一种几何兼容的轻量预测头，接在冻结的 0.5-2B 参数 VLM 骨干上，从中间隐藏层读取特征，直接回归可供性框和轨迹路点，而非把坐标 token 化后自回归解码。
Event2Reward：从进度关系学习机器人奖励
Event2Reward 提出从机器人演示中学习奖励模型，用归一化时间标签锚定进度尺度，并用轨迹内的停滞、回退与恢复关系约束局部进度变化，其进度预测作为奖励塑形的势函数。
Kinematic-Tactile Aligned Dexterous Retargeting：以接触力旋量空间对齐实现手部重定向
论文提出一个三阶段分层框架，用于运动学与触觉对齐的灵巧手重定向，以物体为中心的接触力旋量空间作为人手与机械手之间的触觉对齐物理表示。框架先对齐手部运动学与接触几何，再根据触觉力与接触几何构建人手力旋量支撑剖面，优化机械手指尖力目标以覆盖该支撑并转换为关节位置修正，得到可直接回放的机械手轨迹。作者在仿真和实机实验中评估三种倾倒条件，实机回放成功率为96.7%，力旋量传递保真度高于代表性重定向基线。
EvoLife：混合动作空间与持久记忆的终身具身导航框架
研究团队提出 EvoLife 统一导航框架，让多模态具身智能体自主选择移动方式、何时提问以及保留哪些经验。其混合动作空间支持航点导航、局部离散调整、像素级导航和物体导向导航，持久空间记忆将观察与对话绑定到地点。
RoboAtom 提出大规模原子动作监督数据集与基准
RoboAtom 提出 RoboAtom-Data，为多来源机器人数据补充统一、时间对齐的原子动作标注，覆盖 145 万条轨迹、688 万个技能标注片段和 16882.1 小时。
Surrogate Uncertainty：为黑盒VLM视觉定位提供外部不确定性估计
论文提出 Surrogate Uncertainty 方法，用外部代理贝叶斯模型估计黑盒视觉语言模型在视觉定位中的逐查询不确定性，并分解为偶然与认知两部分。该方法通过跨输入模态的层次化检索构建紧凑联合空间邻域，可结合保形预测或基于模型的规划实现主动视觉定位。
LOGIV：面向长程机器人任务的任务图验证与因果局部修复框架
LOGIV 是一个面向智能体机器人执行的任务图框架，把已验证的计划编译为条件支撑与资源顺序边，在执行中检查物理有效性，并在失败后按依赖追踪做局部修复。该框架叠加在现有 VLA 与 WAM 策略之上，不增加可训练组件。
研究将LLM监督者在线蒸馏为决策树，助移动机器人从卡死中恢复
研究提出把LLM监督者在线蒸馏成决策树，让移动机器人在全局规划加MPC卡死时判断重规划、等待还是求助。每次训练回合后用反事实回放把恢复动作标为必要、不必要或有害，并据此淘汰无用规则。仿真中在MPC单独卡死的20个未见布局上，该树在所有随机种子下至少正确处理18个，或到达目标或在无可行路径时求助，测试时不再查询LLM，表现与始终查询LLM的监督者和专家设计规则相当。