2026 年 10 月
本期文章 343
ForagerSim：面向大规模动态世界具身地图推理的仿真评测平台
研究团队提出 ForagerSim，一个面向需要地图推理的具身任务的跨学科研究平台与仿真环境，场景覆盖移动机器人搜救与动物觅食，可在复杂迷宫和可能无限大的开阔区域中运行。
Ropedia W0 发布跨本体移动操作世界模型，基于人类经验数据
Ropedia W0 是作者提出的第一视角移动操作世界基础模型，覆盖人类与多种机器人本体。其 Xp-Data 包含 1 万小时第一视角人类数据和 3 千小时机器人数据，并配有统一多模态标注；模型用相机位姿编码移动、用投影骨架编码操作。
EgoThumb：视觉驱动的额外机器人拇指，实现自主抓取与持握辅助
EgoThumb 是一款全开源的视觉驱动额外机器人拇指，用于辅助单手完成抓取与持握。其紧凑的双肌腱驱动手指把驱动单元移至前臂，以降低远端重量并实现精确的主动关节控制。
REACT：用VLM引导接触重定向学习人形机器人交互策略
REACT 是一个从人人演示中学习可部署人形机器人交互策略的框架，把语义接触结构作为连接演示处理、交互学习与机载控制的监督信号。其中 VLM 引导的接触建模与重定向流程识别人人交互中的语义接触并迁移到人形机器人几何上，特权交互策略借助接触奖励学习行为后，被蒸馏为仅用机载传感的自我中心深度策略，并引入生成式伙伴状态建模以应对遮挡。
FR-VLA：面向接触密集操作的隐式力推理VLA模型
FR-VLA提出一种视觉语言力推理模型，用可学习的力查询token基于视觉语言上下文生成力准入信号，再用该信号调制外部的token化力通路来生成动作。作者指出已有VLA通常以固定通路注入力信息，未显式判断力反馈与当前动作是否相关。在两个机器人平台的五个接触密集任务实机实验中，FR-VLA在六个评估阶段取得最高平均成功率，轨迹可视化显示其力准入随交互阶段变化。
SceneBloom：面向具身学习的智能体室内场景生成框架
SceneBloom 是一个结合视觉布局采样与契约引导 3D 编译的智能体框架，用于生成逼真、多样且可直接仿真的室内环境。其分层采样器利用扩散先验在功能区内生成家具布局，编译器再依据提案中提取的关系进行几何拟合与局部位姿修正。
The Bitter Lesson Comes to Robotics：九款前沿多模态语言模型直接控制真实机械臂的评测
一篇 arXiv 预印本在 RoboDojo 的六项操作任务上评测了九款前沿多模态语言模型，让它们直接控制真实机械臂。作者称这是首次在物理硬件上对广泛前沿模型做统一操作任务比较，结果显示这些模型能完成多种操作任务，但精度和效率尚不足以在实际动作预算内完成。2026 年 7 月至 10 月间基准性能对应 53.9 天的翻倍周期，最佳执行速率提升 4.4 倍，最低执行成本下降 6.2 倍。
DexPort：面向高自由度灵巧手的手持技能数据采集接口
DexPort 是一个面向高自由度机器人灵巧手的手持数据采集接口，采集与部署使用同一套手部硬件，并记录指令关节目标与实测关节状态。操作者移动手持接口指定机器人腕部运动，再选择或调整技能来协调手指动作，无需逐关节控制。作者在4类真实任务上采集超过2500条演示，用行为克隆直接训练视觉运动策略；使用记录的机器人指令替代关节状态时成功率从11%提升到64%，使用野外数据时任务成功率从36%提升到78%。
HuMiT：基于紧凑参考跟踪的低延迟人形机器人全身遥操作
HuMiT 提出一种人形机器人全身遥操作方案，其统一跟踪策略只需当前帧的根高度、根速度与四个稀疏关键点的 SE(3) 位姿作为紧凑参考，无需完整关节位置、密集身体变换或未来帧。作者报告头显流式传输到策略输出的通信至推理时延约 20 ms，基于视频的光流时延中位数为 65 ms。系统在 Unitree G1 人形机器人上验证，展示了接住抛来球体等快速反应和协调的移动操作能力。
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。
WarpWeaver：面向多机器人协调的去中心化实时规划协议
论文提出去中心化实时规划器 WarpWeaver，通过分散式列生成让多机器人协商共享空间租金，在静止时给出近最优协议认证。在 Dynobench 仿真中，其总行程时间较集中式离线规划器最多降低 22%，较去中心化实时基线最多降低 37%，在图连通性任务上成功率接近任务专用规划器的两倍。六台机器人机载规划的硬件实验表明该协议具备实际可实施性。
Echo：为VLA模型联合去噪动作与任务状态信号
Echo提出一种框架，将停止与失败两类任务状态信号作为每个动作块的两个维度，与机器人动作一起去噪，从而区分执行中、成功完成和失败三种状态。该方法无需帧级进度标注，通过构建成功、失败和恢复轨迹进行监督，并让状态信号比动作更快去噪，使后续动作去噪步骤能基于更干净的状态估计。真实世界操作实验显示，Echo能较准确预测任务状态并持续提升策略性能。
CARE：critic 引导的云端-本地具身智能体自适应执行框架
Wei Zhang 等人提出 CARE，一个由 critic 引导的自适应执行框架，动态决定何时将控制从本地执行器升级到更强的云端模型。轻量 critic 模型监测执行可靠性并在本地执行不可靠时触发升级，升级后控制持续到智能体恢复，避免逐步切换；共享 handoff memory 在切换时保留执行上下文与任务进度。
SkeLAM：以骨架监督分解潜动作的机器人世界模型
作者提出 SkeLAM，一种骨架引导的潜动作模型，用于可控机器人世界建模，将潜动作分解为由机器人骨架监督约束的运动学分量和保留其余视觉动态的残差分量。在 DROID 上，SkeLAM 相比 DreamDojo 将末端执行器 ADE 降低 19.5%、LPIPS 降低 11.1%。
HuGe：用第一视角人类经验扩展人形通用VLA模型
HuGe 是一组人形通用视觉-语言-动作模型，在超过 2000 小时的第一视角人类与机器人数据上预训练。它沿用三种现有代表性 VLA 架构，预测预训练全身控制器的潜在运动 token 与手部控制信号，并采用第一视角预训练、人形适配和下游微调的三阶段流程。
CLOSER：面向具身物体目标导航的证据感知主动视觉验证框架
CLOSER提出证据感知的主动验证框架，把物体目标导航中的停止决策当作闭环证据采集，将视觉语言模型验证与主动感知结合。该框架微调开源VLM，把候选目标在各帧的视图标注为目标、非目标或不确定，用基于嵌入的多样性门控挑选互补视图，再由轻量网络融合各视图概率；若融合判断仍不确定，扩散策略仅依据跟踪掩码和深度驱动智能体靠近候选目标，直到判断明确。
SPAR：面向 VLA 模型的结构化剪枝与动作恢复方法
SPAR 提出对 VLA 模型 LLM 主干同时剪枝隐藏层与前馈中间维度，再用强化学习恢复策略性能。应用于 π0.5 时，语言主干从 2.34B 降至 0.09B 参数，完整模型从 3.37B 降至 1.12B，分别移除约 96% 和 67% 的参数。
OV-PEAR：面向未知工业操作物体的观测验证位姿尺度估计与重建
OV-PEAR 是一个面向未知工业物体的三维重建与位姿尺度估计框架，通过实例分割生成物体级三维假设、经外观感知视角检索与显式尺度搜索对齐到机器人坐标系，再用多视角 RGB-D 证据反投影验证体素占据。
TILDE：从具身基础模型进行教师闭环蒸馏
TILDE 提出一种从预训练具身基础模型向未做动作预训练的策略迁移能力的蒸馏框架，结合学生状态上的在线蒸馏与教师执行恢复轨迹的学习。其 AutoDAgger 用机器人奖励模型监测任务进度并触发教师介入，无需人工监控或操控，恢复轨迹采集速度比人类在环方法快 2 倍以上。在三个真实世界任务上，TILDE 的任务表现最高为行为克隆的 4.1 倍，并支持跨架构蒸馏。
稀疏拓扑度量图实现可扩展跨会话室内导航
研究提出一种稀疏拓扑度量图，作为室内导航的结构化表示，节点编码局部3D几何，距离加权边表示可通行连通性，并用学习到的图匹配网络跨会话寻找一致子图。在跨会话点目标导航实验中，该方法在Gibson上成功率为77.1%，在3D-FRONT场景变化下为40.0%，内存相比点级表示降低两个数量级以上。作者称该表示对局部场景变化、不同传感器模态和有限空间重叠具有鲁棒性，并支持跨会话对齐与目标导向导航。