2026 年 10 月
本期文章 343
Ego-OSCAR：不到200美元的开源头戴立体视觉采集系统与550小时数据集
作者团队提出开源头戴采集系统 Ego-OSCAR，用不到200美元的通用零件与3D打印件搭建，将硬件同步全局快门立体相机与6轴IMU结合，并用微控制器把相机与惯性时钟域对齐到700微秒残差。
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。
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。
可微仿真训练事件相机避障策略，四旋翼实现零样本实机飞行
研究团队提出基于 CUDA 的事件相机仿真器，将其接入可微仿真管线，使梯度可直接通过可微物理模型回传，从而端到端训练把事件帧直接映射为控制指令的策略，无需中间深度估计。作者在四旋翼上完成零样本实机部署，在有里程计辅助和无里程计两种设置下均实现避障，并覆盖传统相机通常失效的低光条件。该工作为 arXiv 预印本。
NTR：用神经 token 重建约束端到端驾驶的场景 token 瓶颈
NTR 提出神经 token 重建框架，用自蒸馏掩码隐特征重建目标直接约束无感知端到端驾驶中的紧凑场景 token 瓶颈，使重建梯度只经过该瓶颈。方法还引入基础模型标注得到的语义先验作为弱语义接口，推理时移除全部辅助重建组件，部署规划器保持不变。
Teaching a Tree to Recover：在线蒸馏LLM监督者并用反事实回放训练决策树
论文提出将LLM监督者在线蒸馏为决策树，并用反事实回放为每次训练回合后的恢复动作打上必要、不必要或有害的标签，以淘汰无用规则。在仿真中20个仅靠MPC会卡住的未见布局上，该决策树在所有随机种子下至少正确处理18个，或到达目标，或在无可行路径时求助。其表现与始终查询LLM的监督者和专家设计规则相当，且测试时不发起任何LLM查询。
SaiVLA-JEPA：评估 JEPA 条件下的 VLA 控制中未来隐表征预测
Synthoid.ai 的 VLA Research Team 提出 SaiVLA-JEPA，在 VLA 流策略中接入冻结 V-JEPA 编码器特征，并在 10,030 对 LIBERO-Plus 回合上比较三种设置。
Event2Reward：从进度关系学习机器人奖励
Event2Reward 提出从机器人演示中学习奖励的方法，用归一化时间标签锚定进度尺度，并用轨迹内的停滞、回退与恢复关系约束局部变化，将进度预测作为奖励塑形的势函数。
CALM：多智能体强化学习实现无人机协同吊运分散式控制
作者提出 CALM（Cooperative Aerial Learned Manipulation），一种让多架无人机协同携带篮筐、跟踪移动地面机器人的分散式控制器。
DirectWAM：将世界-动作模型蒸馏为单步预测的机器人控制方法
DirectWAM 通过动作充分蒸馏把预训练视频与动作专家转为单步预测器，在 LIBERO 四个套件平均成功率 97.1%、RoboTwin 2.0 上 85.4%，推理延迟较完整迭代教师降低 28.0 倍。
RAIBO-Wagon：四足机器人拖挂拖车的实时导航系统
RAIBO-Wagon 提出一套面向四足机器人拖挂拖车的实时导航框架，将 Conditional Flow Matching 与基于学习前向动力学模型的 MPPI 控制结合，用 CFM 缓解 MPPI 的初始化问题并加速收敛，再由 MPPI 迭代细化以超出 CFM 训练分布寻找可行解。
CuBot-STT：面向格型模块化重构机器人的同步运输与锁紧方案
论文提出 CuBot-STT，将模块运输、接口锁紧与释放集成在一台外部机器人中，立方模块提供结构支撑与 24 V 配电。每个面上的齿轮传动把单路外部输入转换为四个螺旋锁紧点的运动，以保留内部空间。
WNM-3D：以3D场景条件驱动的闭环视觉语言导航世界模型
作者提出WNM-3D，一个面向连续视觉语言导航（VLN）的生成式世界导航模型，用冻结的前馈几何编码器从单目RGB历史提取跨视角表示，再经可训练的3D Scene-to-Token Adapter转为定长场景前缀，通过块因果注意力在联合去噪中持续提供给世界-动作Diffusion Transformer。
Language-Grounded Force/Torque Pretraining 用于外接触感知
作者提出用仿真抓放交互生成的监督，将双侧六轴力/力矩历史与冻结语言空间对齐，预训练为语义结构化的物理表征。在仿真未见物体上，该表征支持以文本原型读出机器人动作、物体重量和抓取交互；在实机放置任务中，无需更新编码器、仅靠无标签校准即可识别接触与支撑状态，表现优于垂直力符号反转规则基线。对于预训练中未出现的连接器插入事件，低秩适配相比从头训练提升了数据效率。
ProLoop：基于结构化状态关系的进度感知闭环长程机器人任务规划框架
ProLoop 是一个进度感知闭环框架，从期望状态与执行状态之间的结构化关系显式推导子目标进度，再由学习到的 State-Relation Monitor 判断关系并聚合为进行中、偏离或完成。在 AgentBoard ALFWorld 和真实机器人平台上的实验显示，整体成功率提升 12.94%，Hard 任务提升 15.46%，环境交互次数减少 32.3%。
ScheduleGen：面向多臂模仿学习的技能调度演示生成方法
ScheduleGen 是一种面向多臂机器人模仿学习的规划与调度算法，用于从少量源演示合成新演示并规避多臂约束带来的不安全行为。在 28 个仿真任务变体（含 7 个外部 RoboDojo 任务）上，其平均数据生成成功率为 79.6%，训练出的策略平均成功率为 65.5%，优于所对比的数据生成基线。
Utility-WAM：修正未来条件引发的动作偏移
Utility-WAM 针对世界动作模型（WAM）中预测未来引发的动作偏移提出修正方法。
CoRAct：面向视觉-语言-动作模型的后果锚定推理到动作对齐框架
作者提出CoRAct，一个后果锚定的推理到动作对齐框架，通过动作噪声空间中的奖励引导优化，显式对齐具身思维链推理与动作生成。
SONIC-K1：在单张 GPU 上为 Booster K1 小型人形机器人移植全身运动跟踪器
SONIC-K1 是作者称为首个面向 Booster K1 人形机器人的开放权重全身运动跟踪器，通过将 SONIC 框架适配到这一更小的机器人得到。策略在单张共享 GPU 上从零训练，算力只占 SONIC 报告算力的一小部分；在 MuJoCo 仿真中按 SONIC 的成功判据跟踪了几乎所有留出动作片段，并在外部基准上表现良好。
导航系统该记住什么？面向零样本视觉语言导航的时空记忆研究
一项 arXiv 预印本研究提出面向零样本视觉语言导航的时空记忆系统，由 8B observer 总结观测、8B reasoner 依据任务、时序与空间三类记忆选择路点意图或请求新视角，再由几何控制器执行。