2026 年 10 月
本期文章 343
DexGraspFlow：融合运动学拓扑的跨本体灵巧抓取生成框架
DexGraspFlow 提出一种条件式连杆级 SE(3) 流匹配框架，将几何关系与运动学拓扑结合用于跨本体灵巧抓取生成。该方法在三种机器人手、30 组物体-手配对上的平均仿真成功率为 95.33%，含逆运动学的平均生成延迟比一个先进基线低约 49%。作者还报告了对七种去指变体的零样本适应与手掌朝向控制，并在部署手型的 100 次实机抓取试验中取得 91% 成功率。
ALIGN：面向优势条件行为克隆的条件估计与表达对齐框架
ALIGN 提出一种条件对齐的优势条件行为克隆（AC-BC）框架，用于视觉-语言-动作策略，直接预测策略标签空间中的类别化成对条件，并通过 AdaRMS 调制与流时间融合注入 DiT 动作专家。
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。
ReInsVLN：免训练视觉语言导航复用历史观测，R2R Val-Unseen 成功率提升 8.48 个百分点
ReInsVLN 提出一种免训练框架，在冻结的导航器中构建并利用历史记忆，在 R2R Val-Unseen 上相较原生 StreamVLN 和 InternVLA-N1 成功率分别提升 8.48 和 3.37 个百分点，达到 64.27% 和 64.44%。
T(R,O) Grasp++：面向杂乱环境的跨本体灵巧抓取基准与扩散框架
作者提出 T(R,O) Grasp++，一个面向杂乱环境的跨本体灵巧抓取合成扩散框架，并构建约 0.5B 条抓取标注、覆盖八种灵巧手和约 5 万物体的仿真基准。实验称该模型在八种灵巧本体上平均成功率达 88%，推理时延仅 0.3s，推理样本效率提升 10 倍以上。该工作为预印本，结果基于仿真实验。
LENS：面向机器人的 FPGA 边缘场景记忆与神经渲染系统
LENS 是部署在 AMD KR260 上的边缘场景记忆加速系统，将 ACEsplat 式场景坐标回归与 3DGS 渲染搬到低功耗 FPGA/ARM 平台。
CTR：减少双臂模仿学习中虚假跨臂耦合的训练期数据干预方法
上海交大等作者提出 Constraint-preserving Temporal Recombination（CTR），一种训练期数据干预方法，在保留各臂局部传感运动内容的同时重新调整片段时序，以保留任务要求的跨臂约束。
VLA-Rolling：复用动作尾部以减少去噪步数并提升控制
VLA-Rolling 提出一种轻量推理框架，通过动作尾部继承、逐动作置信度估计和置信度引导的重加噪与去噪预算分配三阶段复用动作尾部，底层 VLA 保持冻结。
SCBT：将基础模型推理摊销为确定性行为树的无人机控制方法
Behnam Moradi 提出 Self-Crystallizing Behavior Trees（SCBT），把基础模型当作编译器而非运行时，在行为树节点失败时由 LLM 提出最小子树补丁，经 CMA-ES 调参、上下文赌博机决定是否调用 LLM，并通过静态检查、不变量监控回放和相对未修补树的经验余量三阶段准入。
研究提出 NGC：潜世界模型应沿潜流形距离规划
针对 LeWM 等潜世界模型用欧氏距离搜索动作序列的做法，作者发现该假设只在目标附近成立，远处 L2 代价会形成虚假低代价盆地困住规划器。作者据此提出 Neighborhood Graph Cost（NGC），在训练潜变量构建的互近邻图上计算最短路径距离，只改终端代价且无需重训。
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。
VeSTA：弥合视觉语言导航中的物理可执行性差距
Gang He 等人在 arXiv 预印本中提出 VeSTA 框架，用于弥合连续视觉语言导航中语义能力与物理可执行性之间的差距。作者指出当前仿真器的宽松接触模型可能掩盖物理不可行动作，使到达成功率不能反映真实执行能力。
研究验证人形机器人能否按人类运动发育量表学习站立行走技能
Fanxing Meng 与 Jing Xiao 的预印本研究把人婴幼儿运动发育量表表示为发育图，并在强化学习框架中训练人形机器人按量表描述的自然阶段学习粗大运动技能。结果显示，四套常用儿科运动量表中三套导出的图能成功引导机器人习得这些技能；第四套因缺少其他量表具有的部分中间里程碑而出现失败，补上缺失里程碑后也能成功。研究据此评估哪些量表足以作为发展到站立和行走的完整指南。
AQUAACT：摇杆级水下遥操作数据集与闭环基准发布
AQUAACT 是作者称为首个公开的语言标注水下数据集，将相机图像与人类摇杆指令配对，包含 1.9 小时真实演示和 17.9 小时仿真演示，并附车辆惯性测量数据。实验显示仿真演示可迁移到真实数据，并大幅减少策略所需的真实演示量。在仿真中对七种策略（从模仿学习基线到 VLA 模型）的闭环基准测试显示，没有策略完成超过五分之一的回合，陆上数据预训练也未让大型 VLA 模型优于从头训练的小策略。
OmniInteract：面向双人形机器人全身交互的统一控制方法
OmniInteract 提出面向双人形机器人全身物理交互的统一控制方法，通过表面接触感知重定向与可扩展残差策略学习应对人机形态差异和交互多样性增长带来的控制保真度下降。
ScaleNav：用互联网视频预训练语言条件局部导航策略
浙江大学等团队提出 ScaleNav，一个面向语言条件局部导航的世界-动作统一框架，先用互联网第一视角视频做指令条件视频预训练，再用带动作标注的仿真数据对齐动作块，最后联合微调。
SpaRV：用稀疏辐射体素实现可扩展的LiDAR-视觉一致建图与渲染
香港大学团队提出SpaRV，一种由可微光线步进渲染的稀疏辐射体素地图，让不规则LiDAR扫描与图像共同监督建图。该方法用LiDAR深度和占据约束几何，并通过交替训练地图与光度优化相机位姿和焦距来修正相机误差；训练和渲染时仅保留一个全分辨率子图、其余用更粗八叉树层级以限制GPU显存。
VQ-WM：用向量量化世界模型做机器人操作潜空间反馈运动规划
作者提出向量量化世界模型 VQ-WM，将离散潜空间长程搜索与连续视觉反馈控制结合，用于机器人操作规划。该方法用首达时间的准度量估计替代欧氏距离，使规划抽象与控制器能力对齐。在汉诺塔实机操作中，该方法仅用短演示数据即达到 100% 成功率，并在操作与运动仿真基准上比最强世界模型高出 13.3 至 85.3 个百分点。
PGPG：面向生成式控制策略的进度引导偏好生成框架
论文提出 Progress-Guided Preference Generation（PGPG），一种无需人工在环监督的无监督偏好对齐框架，用于微调预训练的生成式控制策略。该方法通过有序覆盖对齐衡量自主采集轨迹相对少量专家演示的序列进度，自动提取伪偏好标签，并称无需手工设计奖励函数。在多项长程操作任务实验中，PGPG 优于标准监督微调基线，并可同时集成扩散策略与流匹配策略。
TrajWAM：面向动态机器人操作的高效轨迹引导世界动作模型
TrajWAM 提出一种轨迹引导的世界动作模型，用于高效的动态机器人操作。该方法用历史物体掩码预测目标未来轨迹，再通过轻量 Trajectory ControlNet 引导预训练视频模型生成轨迹一致未来，并用解耦蒸馏实现一步视频-动作推理。