2026 年 10 月
本期文章 343
ThinkLocoManip：面向腿式移动操作的全身体控制智能体框架
ThinkLocoManip 提出一种面向腿式移动操作的全身体控制智能体框架，采用推理与行动交错的范式，让智能体持续推理当前状态、执行动作、观察结果并调整策略。
PanoGraphGS：用高斯泼溅统一全景分割与分层3D场景图
PanoGraphGS 提出一个统一框架，将全景3D高斯表示学习与分层3D场景图构建结合，在共享高斯几何上学习语义与实例特征。其语义感知场景图模块可恢复楼层-房间-物品-物体的层级及包含与空间关系，并支持新视角全景分割与高斯级全景解码。
PrefO2O：通过离线到在线潜偏好迁移实现零样本偏好强化学习
PrefO2O 提出一种离线到在线潜偏好迁移框架，可在没有人工反馈的情况下对未见目标任务做零样本偏好强化学习。该方法从源任务的少量离线偏好数据中学习任务无关的潜偏好空间，将可迁移偏好结构与任务特定变化解耦，并用置信度加权最优传输对齐生成伪偏好监督用于在线奖励适配。
Real2Sem2Real：用单段人类RGB演示生成机器人学习数据
Real2Sem2Real（R2Sem2R）提出从真实到语义再到真实的流程，把一段单目人类演示RGB视频转成同一类别多个语义物体实例上的数千条机器人演示。
基于注意力接触规划的人形机器人移动学习框架
研究提出一种人形机器人移动学习框架，将运动数据仅作为训练先验，用自监督注意力接触规划器预测未来身体与环境接触，再由接触条件跟踪器生成全身协调动作。该框架让单一策略在部署时仅依赖机载观测、无需参考输入，并通过后续微调探索原始运动数据未覆盖的环境变化。作者称这一设计使策略内化接触感知的运动结构，而非直接复刻运动学轨迹。
Collective 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。
论文提出兼性集群框架：多机器人系统可在集中规划与去中心化集群间切换
Ning Zhou 与 Edmund R. Hunt 在 arXiv 预印本中提出兼性集群（facultative swarming）统一控制框架，主张把集群能力视为一种动态能力而非固定的系统类别。该框架让系统在条件宽松时按集中式规划运行以追求最优性，在环境压力下平滑退化为去中心化集群以保持鲁棒性。作者认为这为兼顾集中式最优性与自组织灵活性的集体机器人系统提供了一条路径。
Cut a Wall, See a Wall：建筑机器人遮挡点云感知中的身份替换问题
论文研究建筑机器人点云分割在测试时遇到整区域遮挡时的表现，发现网络不只是漏检被遮挡构件，而是把它们重新标注，且错误集中到单一汇类。固定合成布局下该汇类吸收最多70%的测试点，随机布局下汇类转移到楼梯，预测占比为真实份额的4.5-5.4倍（三个训练种子），基线mIoU降至0.15-0.27（固定）和0.36-0.72（随机），单个测试集最多有269个完整物体消失。
HumanoidNDM：用神经动力学模型在线微调人形运动跟踪策略
HumanoidNDM 是一个面向人形机器人运动跟踪的在线微调框架，用实机训练的神经动力学模型缩小训练与部署之间的动力学差距。数据采集阶段采用带自适应强度机制的低频参考扰动方法，模型训练阶段在欧氏空间训练基于历史本体感知的神经动力学模型并引入可微前向运动学，从而不依赖动捕系统。
NVIDIA 等提出 Joints, Camera, Action!：为任意骨架联合生成 3D 运动与视频
NVIDIA 等机构的研究者提出 Joints, Camera, Action! 模型，可为任意给定骨架同时生成视频与可重放的 3D 运动，并估计相机把运动配准到场景。
PhysCanvas：用于机器人策略评估与学习的视觉触觉世界模型
PhysCanvas 是一个面向接触密集机器人操作的视觉触觉世界模型，将多视角 RGB、触觉图像、标记位移、任务状态与动作统一到同一视觉空间，并共享视频 VAE 与预训练生成骨干。
概率能量建模统一多样化集群控制
作者提出用概率能量建模统一多样化集群控制，把基本集群行为编码为可复用的能量项，再由轻量策略门控组合成单一控制器而无需重训练。该方法在 aerial swarms 上零样本泛化到六类任务、10-100 个智能体、两个硬件平台以及室内杂乱和 GPS 拒止林地环境。大规模仿真任务成功率为 0.96-1.00，单智能体推理时延 1-10 ms，实机部署确认了向真实平台和非结构化环境的零样本迁移。
JARVIS：从视觉说明书到自主机器人装配的基准与智能体
JARVIS 是一个无需额外语言指令、由视觉说明书引导自主装配的方法无关基准，包含 8,987 个场景中的 236,679 个 LEGO 装配任务，并从中整理出 50 个任务的 JARVIS-v1 套件用于交互式机器人评测。
OMAR：面向场景货架整理的开放世界多属性推理方法
OMAR 提出一套开放世界多属性推理流程，让机器人在没有预设物体词表和物体-容器对应关系的情况下，推断货架的隐含组织方式并摆放新物体。方法先用视觉语言模型给出标签及内容、包装类型等属性，经分割、深度和多视角关联完成跨视角实例定位，构建实例级3D场景图，再由LLM推理摆放排序，最后做几何与运动学可行性检查。作者称实验在实例映射和摆放一致性上优于单视角语言定位与纯几何基线，可自主摆放此前未见过的物体。
SteerAct：用少样本时间引导改进预训练机器人动作模型
SteerAct 提出一种少样本时间引导框架，在不更新动作模型权重的情况下，通过修改特征激活提升预训练机器人动作模型的任务成功率。该方法用预训练稀疏自编码器提供候选特征，并以时间描述符刻画各特征局部激活顺序模式的分布，从而在无需时间步对齐的情况下比较不同 rollout。
Skill-RSI：冻结可移植操作技能，并考察递归自我改进的作用
研究提出 Skill-RSI，让强通用模型仅在离线阶段编写、运行、诊断并修复仿真中的操作技能，冻结后的技能以代码形式运行或由廉价调用器读取描述执行。
SWAP：可测试时引导的人形机器人全身避障框架
作者提出SWAP分层框架，将碰撞感知决策与稳定控制分离：高层扩散策略生成多模态避障动作提案，低层全身RL控制器跟踪提案并维持动态平衡。训练时通过事后标注在随机指令下滚动低层策略，把障碍物放在已执行动作未扫过的空间，从而构造无碰撞样本并重渲染感知。仿真和宇树G1实机实验显示对静态与动态障碍物均能可靠避障，测试时蒙特卡洛采样引导使速度、朝向或姿态等目标奖励平均提升34%，同时保持较高避障率。
Progress Probes P²：面向VLA模型的轻量运行时监测方法
作者提出Progress Probes P²，在演示数据上对VLA策略激活训练线性探针来估计任务进度，并标记偏离预期进度的执行。在开源VLA π0.5及仿真和真实世界操作任务实验中，该方法在任务失败检测上不逊于或优于基于VLM的监测器和需要失败数据训练的方法。研究据此认为，对VLA内部做简单探针即可构建运行时监测器，无需外部基础模型。
RynnVLA-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。
HumanoidPose：仅凭视频估计人形机器人全身位姿
Jiaxi Jiang 等提出 HumanoidPose 框架，把视觉当作本体感知，仅从视频恢复人形机器人在世界空间中的全身关节配置。该方法将预训练人体姿态特征与机器人运动学结合，并把人体动作重定向到十六种人形机器人本体，从而完全用合成数据学习；还通过自训练利用无标注在线视频训练 2D 机器人姿态检测器。