2026 年 10 月
本期文章 343
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%。
NimCritic：动作感知量化的长程任务进度建模
作者提出动作感知量化方法，用视觉语言模型把长程轨迹拆成物体级子任务并分配加权动作信用，并据此构建 800 小时以上训练视频数据集和含 19,618 个人工校准评估帧的长程进度基准 LOOM。
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。
EBV-CAN：面向接触辅助内窥镜导航的视觉语言策略
研究提出EBV-CAN，一种结合初始全局鸟瞰图、内窥镜观测与电机状态的视觉语言策略，用于柔性内窥镜的接触辅助导航。团队构建VLCA数据集，包含517条演示、75k动作样本、958k空间条目和93k剩余路径记录；在50个留出回合中，尖端坐标与路点定位分别达到97.5%和94.8%。
TEAR：面向机器人操作的任务证据控制权路由框架
TEAR 是一个可在机器人端部署的框架，在人类遥操作与本地自主之间分配控制权，依据网络状态证据和任务语义证据决定何时切换。作者称在动态网络条件下的仿真与实机试验中，TEAR 的任务成功率接近纯遥操作，同时把遥操作限制在 19.8%–27.4% 的控制步数内，在其设置下比纯自主执行的成功率提升 30%–40%。
OCT引导的软组织几何建模：面向数据驱动闭环形状控制的三维表征
研究提出一种由OCT引导、从用户示范学习并用闭环OCT反馈执行的软组织形状控制框架，比较全容积、组织掩膜稀疏容积和体素化点云三种表征，以及确定性Explicit策略与生成式Diffusion策略。
STAMP：借助人类运动先验实现机器人动作衔接
论文提出 STAMP 框架，通过 Robot-to-Human-to-Robot 流程把独立采集的人形机器人动作连接成连续序列。其核心是学习到的对齐模型，在动作重定向到人体骨架后为后续动作排序候选位置、朝向和过渡时长，再由人类运动先验在选定对齐下生成过渡。作者在 Unitree G1 和 ROBOTIS K1 上评估生成过渡的跟踪成功率，并用实机演示展示 STAMP 将独立动作连成长时程序列。
LocoPilot：单操作员双边遥操作采集四足移动操作策略数据
LocoPilot 是一个单操作员双边遥操作与数据采集框架，部署在 12 自由度 Unitree Go2 四足机器人上，该机器人搭载 6 自由度 AgileX Piper L 机械臂、Intel RealSense D435 腕部相机和 D405 头部相机。
CausGround：面向自适应具身规划的因果交互接地框架
CausGround 是一个非参数化的因果交互接地框架，把交互经验提炼为以动作为中心的因果知识，用于具身规划。它识别动作前置条件与效果，并以分解式世界状态表示组织物体属性和物体间关系，规划时把任务相关因果依赖接地到当前观测，支持前置条件的反向推理与效果的正向推理。
RynnUnify：16B统一具身模型发布，兼顾理解、视觉规划与机器人控制
研究团队提出16B统一具身模型RynnUnify，通过交错的视频-语言推理把具身理解与长程视觉规划结合起来。实验显示其在所评估统一多模态模型中取得最高具身理解平均分，Rynn-VP总分比Cosmos 3 Nano高9.75分；经强化学习的智能体扩展使Rynn-GEU平均分比直接推理高6.0分。
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。
AdaDex：用混合灵巧模仿学习可泛化灵巧操作技能
AdaDex 是一个目标条件强化学习框架，能把数秒的单条手-物轨迹（来自动捕或野外 RGB(D) 视频的 HOI 重建）转化为可泛化的灵巧技能。其核心 Hybrid Dexterous Mimicking 在两类大规模并行环境上训练共享策略：密集运动跟踪环境注入人类先验，带噪声初始状态与稀疏物体成功奖励的泛化环境迫使技能脱离参考轨迹。
HuTact：从人类手物交互数据学习触觉感知手部表征
Yu 等人提出 HuTact 框架，从大规模人类手物交互数据预训练触觉感知手部表征，预训练阶段不需要真实触觉信号。该方法把从人手运动中学到的交互结构迁移到机器人触觉观测，并可用少量无标注机器人交互数据进一步适配。
GEMS：结合持久 3DGS 地图与智能体推理的长期时空记忆框架
GEMS 提出一种面向半静态环境的长期时空记忆框架，将持久 3D 高斯泼溅（3DGS）地图与智能体推理流程结合，地图只重建一次，之后仅在场景变化区域更新并保存这些修改。
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。
UniWALM：统一世界-动作-语言模型用于具身机器人控制
UniWALM 提出统一世界-动作-语言模型，在单一混合Transformer骨干中联合学习视频、动作与语言，各模态既作条件信号也作监督目标，并在同一次解码中输出子任务与文本记忆，无需独立规划阶段。
分层QP控制与权限引导恢复规划实现眼科机器人高精度RCM运动
研究提出一种带奇异恢复的高精度RCM伺服架构，用于通用机械臂在软件远心运动下执行眼科器械定位。作者将RCM与末端跟踪目标冲突导致的伺服振荡形式化为约束诱导任务奇异，即RCM投影后的末端雅可比降秩而未投影雅可比仍良态。
SceneRig：从单张图像重建可仿真3D场景的智能体系统
SceneRig 是一个智能体系统，可将单张图像重建为可编辑、可直接用于仿真的3D场景。它结合几何、视觉与物理工具，并在物理仿真器内执行编辑与验证循环以获得物理稳定性。作者称，相比基线方法，SceneRig 在实例分割、物体外观和3D摆放上有所改善，其场景能更准确地预测真实机器人策略结果，并更可靠地支持已录制操作在无需轨迹适配的情况下回放。
AgenticRoboRL：将编码智能体后训练引入具身机器人规划器
AgenticRoboRL提出一种跨不同机器人执行框架后训练规划器的框架，训练方案结合监督微调与多轮强化学习。为适配VLA技能调用和控制代码生成等不同执行机制，该方法用框架专属适配器把记录下来的规划器交互与任务结果关联起来，同时保持执行组件固定。
AW-0：融合代码规划与视频动作预测的智能体世界动作模型
研究提出 AW-0，一个将代码规划与视频、动作联合预测结合的智能体世界动作模型框架，在统一的 mixture-of-transformers 架构中联合建模代码、未来视频和机器人动作三路生成流。