2026 年 10 月
具身智能月报
具身前沿
SuperMimic：用单一可微世界模型扩展人形机器人全身控制
SuperMimic 提出用单一可微世界模型摊销人形机器人全身运动跟踪的学习，世界模型与跟踪策略在同一循环中联合训练，并通过短时想象 rollout 的反向传播为策略提供解析梯度。
Qiayuan Liao 等7人 · arXiv一手原文 本月世界模型评测走向与真实执行逐帧对照，智元联合普林斯顿大学、得克萨斯大学奥斯汀分校、多伦多大学与 NVIDIA 推出 WorldOracle 基准，用同一初始观测和同一动作序列评分七款模型。平台与数据侧，智元发布 Genie Studio 2.0 一体化平台并开源 AGIBOT WORLD 2026 第四版“Physical Reasoning”数据集，任务设计重点转向决策复杂度。触觉感知成为研究热点，北京通用人工智能研究院提出 TaF-VLA 与 TacEP，分别面向力感知操作和轴孔装配定位。论文研究则集中在策略学习的数据与训练效率，涵盖机群经验共享、事件帧仿真加速与人类视频预训练等方向。
技术
本版导读世界模型评测开始对齐真实执行，平台与数据集建设同步推进，触觉与力感知被接入视觉-语言-动作模型，服务接触密集操作。
WorldOracle 发布动作条件世界模型基准，对照真实执行评测七款模型
普林斯顿大学、得克萨斯大学奥斯汀分校、多伦多大学、NVIDIA 与智元机器人联合推出 WorldOracle，用同一初始观测和同一动作序列把动作条件世界模型的预测与真实执行逐帧对照评分。
智元机器人发布 Genie Studio 2.0，打通模型开发、任务编排与车队运营
智元机器人发布 Genie Studio 2.0，这是一个用于开发、部署和运营具身智能应用的一体化平台，由 Flywheel、Agent、Monitor 三个模块组成，覆盖数据采集、模型训练、评估、推理、任务编排与车队管理。
智元开源 AGIBOT WORLD 2026 第四版“Physical Reasoning”数据集
智元开源 AGIBOT WORLD 2026 的第四版“Physical Reasoning”数据集，任务设计重点从操作难度转向决策复杂度。该数据集覆盖 10 类以上逻辑推理场景，按 Easy、Medium、Hard 三级组织，并提供高层问答与低层动作轨迹，用于高层决策模型与低层动作策略的协同训练。
北京通用人工智能研究院一手10.23北京通用人工智能研究院提出 TaF-VLA：在 VLA 模型中实现触觉-力对齐的力感知操作
北京通用人工智能研究院团队提出 TaF-VLA，将经物理力与压力监督的触觉表征接入 VLA 主干，用于接触密集的力感知操作。团队搭建自动化触觉-力采集装置并构建 TaF-Dataset，包含超过 1000 万条同步触觉观测、六轴力/力矩测量与力分布图。
北京通用人工智能研究院一手10.23北京通用人工智能研究院提出TacEP触觉引导定位框架，用于高精度机器人轴孔装配
北京通用人工智能研究院团队提出触觉引导探索与定位框架TacEP，将单目视觉估计与基于视觉触觉传感器的高分辨率实时探索结合，用于机器人轴孔装配中的目标孔位精确定位。
产品
智元在2026创新日发布AHA3硬件平台、GO-3 Preview与Link-U OS 1.0，并提出Worken度量框架
智元在AGIBOT Innovation Day 2026上提出Worken框架，用活跃机器人数量、自主工作小时数与产出效率比三项衡量机器人在真实环境中的有效智能工作时长。
论文研究
Chao Yu 等44人 · arXiv一手10.19Collective Experience Learning：用96台机器人的部署经验改进操作策略
论文提出 Collective Experience Learning（CEL）范式，让已部署机器人把自身执行经验汇总起来更新共享策略，再返回机群使用。作者通过失败引导经验检索微调（FERT）实现该范式，操作员只提供二值回合结果标签和环境重置，无需额外专家示范或纠正动作；容错异步训练系统（FATS）协调机器人执行、云端推理与策略优化。
Dequan Ou 等5人 · arXiv一手10.28无渲染事件帧仿真加速自主机器人导航强化学习
研究提出一种解析事件仿真器，直接从场景几何与自运动合成事件流，无需视觉渲染，单 GPU 生成 64x64 事件观测耗时 17 微秒，比先进渲染管线快 400 倍以上。
Yuan Bi 等6人 · arXiv一手10.23从徒手演示到自主机器人超声：解剖锚定学习框架
研究提出解剖锚定的模仿学习框架，将解剖引导的探头放置与学习式超声导航结合，用于自主机器人超声扫描。该框架先由外部视觉确定任务相关的解剖起点并建立初始探头位姿参考系，再由基于流的策略根据锚点相对位姿、超声图像、探头相机视图和接触力生成扫描动作，终止头预测任务完成。
Shubham Singh · arXiv一手10.23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。
Zhuoyuan Yu 等6人 · arXiv一手10.25Scan2Instruction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。
Shiqi Liu 等3人 · arXiv一手10.28ELEVATE：从任务失败中为四足操作机器人自动获取控制器
ELEVATE 框架利用任务程序优化中的持续失败识别缺失的全身控制能力，由编码智能体构建并迭代强化学习问题，验证后的控制器加入能力库并与已有控制器组合重试任务。
Xingyi He 等8人 · arXiv一手10.21SpatialDex：从纯RGB人类视频重建增强视觉运动预训练，学习3D双臂灵巧操作
SpatialDex提出一种从纯RGB人类视频学习3D双臂灵巧操作的框架，通过重建场景几何并结合手部运动估计进行视觉运动预训练。该方法将重建几何同时作为策略输入和预测目标，用门控残差融合把预训练视觉语言模型的token网格锚定到该几何上，并预测未来场景几何与手腕、手指动作。
Govind Velamoor 等6人 · arXiv一手10.29UMI-Live：开源双臂UMI野外数据采集系统发布
作者提出UMI-Live，一套用于野外双臂数据采集的开源全栈UMI系统，其定制硬件集成相机与LiDAR-惯性传感、板载计算和供电，无需外部追踪设备或在采集环境中标定。系统提供简单录制界面，异步流水线并行进行SLAM重建并发布可直接用于训练的数据集，同时发布支持双YAM遥操作及VLA策略训练与推理的软件。作者用π0.5和MolmoAct2微调验证数据质量，在双臂抓放任务上成功率分别为10/10和8/10，并公开三个任务共40小时的UMI-Live数据及硬件设计、软件和复现指南。
Haoyu Zhao 等14人 · arXiv一手10.25RynnVLA-Latent：用3D接地潜在动作扩展机器人操作基础模型
RynnVLA-Latent提出用异构交互视频做机器人策略预训练，其RynnLAM模块无需原生机器人控制即可从视觉变化中学习连续、3D接地的潜在动作。研究在30.1K小时人类、机器人和仿真视频上生成745.52M个潜在动作描述符，再通过流匹配预测潜在动作块并适配到具体本体动作。