PAPERS / 研究文献
具身智能历史论文精选与持续收录的最新研究。
按发表时间浏览论文与研究；新论文沿用日常评分、中文摘要及符合条件的全文翻译规则。历史收藏继续保留原文。
作者提出 Don't Risk It Planner（DRIP），一个仅依赖 LiDAR 的端到端规划框架，将占据预测与轨迹条件间隙及不确定性估计结合。DRIP 直接在 LiDAR 占据栅格历史上预测候选控制序列对应的最小机器人与障碍物间隙分布，并用碰撞结果标定预测不确定性的风险代价训练模型。在最多 45 名行人的闭环实验中，DRIP 相比现有基线取得更高成功率、更少碰撞和更少冻结行为。
站内阅读 ↗RoboSeed 提出面向视觉-语言-动作模型（VLA）和世界动作模型（WAM）的多维评估框架，覆盖能力、下游训练成本、部署成本、本地验证的研究价值与复现证据五个维度。
站内阅读 ↗LOGIV 是一个面向具身机器人执行的图工程框架，用显式任务图连接符号规划、基于观测的验证与具身动作，并在执行中检查条件支撑与资源顺序边的物理有效性。在 RoboTwin V2 和 BiCoord 的 20 个双臂任务、三种执行骨干上，无注入扰动时平均任务成功率分别提升 10.67 和 15.33 个百分点；在预设扰动下，其任务完成与条件恢复优于三个适配的恢复基线。
站内阅读 ↗Humanoid Dodgeball 提出一个面向人形机器人敏捷动态避障的强化学习框架，通过威胁感知奖励塑形和多个方向特定的对抗运动先验，让机器人对飞来的抛射物做出全身躲避动作。作者称仿真与硬件实验显示，该框架在不同障碍速度和发射距离下提升了动态避障表现，同时保持稳定且物理可行的人形运动。
站内阅读 ↗CoC-CFG 在策略上下文与去掉推理片段的同一上下文之间做无分类器引导，每个 Euler 步用一个权重调节推理的影响，w=1 时恢复原策略。作者把权重选择建模为动作价值可精确测量的马尔可夫决策过程，并用小型 critic 拟合这些价值，提出 Q-adaptive guidance。
站内阅读 ↗研究提出一种注视辅助监督控制框架，由注视提名岩石或放置目标、显式确认授权动作，机器人执行有界自主抓取与放置。在16名参与者、2×2×3被试内设计的任务模拟VR实验中，该框架相比手动摇杆遥操作把每块岩石平均任务完成时间从47.65秒降至18.43秒，其中72.5%的差异来自抓取阶段。
站内阅读 ↗论文提出基于姿态的可达图ORM，预先计算6自由度串联机械臂在188,873个工作空间位置上的运动学可行性，并编码为83 MB的紧凑索引图。配合JIT编译的运行时管线，单目标规划延迟从13.5-26.9秒降至0.289-0.349秒，相对基线可达点云的平均凸包体积重叠比为0.933、平均alpha-shape体积比为0.976。该框架面向经皮肝消融的机器人针刺入口点规划，支持亚秒级计算。
站内阅读 ↗PASA-KV 提出一种针对世界动作模型（WAM）内部视觉 K/V 通路的攻击方法，并在多个 WAM 系统和一台实体机器人上验证了闭环攻击效果。研究发现表征可扰动性与闭环脆弱性存在明显错配，扰动幅度更大并不必然导致更强的控制失效。作者将这一错配归因于动作条件读出机制，并用短探针信号 Tail-AV 识别脆弱通路，再据此选择动作面向的 K/V 目标训练任务共享攻击。
站内阅读 ↗论文提出 Surrogate Uncertainty 方法，用外部代理贝叶斯模型估计黑盒视觉语言模型在视觉定位中的逐查询不确定性，并分解为偶然与认知两部分。该方法通过跨输入模态的分层检索构建紧凑联合空间邻域，可结合保形预测或基于模型的规划实现主动视觉定位。作者称在多个定位基准和先进VLM上校准与任务表现均有提升，并在真实 Fetch 机器人上按开放世界指令在自信行动与信息收集间做取舍。
站内阅读 ↗研究在三个仿真二维稳态场景、不同采样密度下定量对比四种气流估计方法：高斯过程回归、基于图的高斯马尔可夫随机场，以及两种基于Navier-Stokes的方法（含一种新的强形式残差最小化变体）。结果显示，物理先验在低采样密度下收益最大，可补偿缺失的空间信息；随传感器覆盖增加，数据驱动的高斯过程回归竞争力上升，但模型类估计器在所评估场景中仍保持精度优势。
站内阅读 ↗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。
站内阅读 ↗一种基于蒙特卡洛采样的在线粒子滤波定位方法被提出，仅靠安装在车体前、后、左、右的四个测距传感器即可在迷宫环境中定位移动机器人，无需任何航向信息。仿真实验显示，即使迷宫局部区域高度相似，车辆仍能实现较准确的定位。
站内阅读 ↗一篇批判性综述考察轨道实验室与行星原位科学中的AI4S，覆盖生物学、材料、流体与热物理及自适应探索，并区分从空间数据学习、选择科学行动、执行行动与保持实验有效性。文章结合地面自驱动实验室在优化、专用自动化与机器人操作上的证据，提出连接样本历史、科学决策、物理执行与主张特定有效性的框架，并用轨道设计与行星扩展及匹配评估方案区分感知、决策策略与物理行动的贡献。
站内阅读 ↗Xinyuan He 等提出一个分层三阶段框架，用于运动学与触觉对齐的灵巧手重定向，以物体为中心的接触力旋量空间作为人手与机械手之间的触觉对齐物理表示。框架先对齐手部运动学与接触几何，再根据触觉力与接触几何构建人手力旋量支撑剖面，随后优化机器人指尖力目标以覆盖该支撑并转换为关节位置修正，得到可直接回放的机械手轨迹。
站内阅读 ↗SimTO-Robust 提出一种仿真驱动拓扑优化方法，通过模拟多物体、多位姿抓取并聚合接触力来指导软体夹爪形态优化。研究生成 6,646 个设计，并实机评测其中 24 个，与 10 个专用 SimTO 设计、两个刚性基线夹爪及一个常规拓扑优化通用软体夹爪对比。
站内阅读 ↗针对自动驾驶汽车、无人机等学习型信息物理系统引入基础模型后缺乏系统级保障的问题，作者提出“基础模型保障栈”，将神经符号架构、基于符合性的语义测试与组合式验证及运行时保障三条路径连接起来。符号抽象在学习与形式推理之间划定保障边界，基础模型仅作为受约束的辅助工具，其输出在可形式化规定正确性的地方被独立检查。文章还列出规范工程、抽象保真度、证据组合与全生命周期认证等研究挑战，并给出分阶段议程。
站内阅读 ↗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。
站内阅读 ↗PRIME W0 是一个分层条件流匹配框架，旨在让VLA模型不再只依赖当前观测，而是利用长时序上下文与VLM的分层表示。其设计包括从预训练VLM向自适应MoE动作专家逐层注入KV、通过异步世界模型子目标图像预测和DINOv2历史帧语义桥接实现动力学感知条件，以及采用协方差结构化噪声的Action Dynamic Manifold流匹配。
站内阅读 ↗Kairos 提出按任务语义从五个规划引擎中选择并统一调度，覆盖从 STRIPS 到 PDDL+ 的多种 PDDL 片段。在九个对比套件的 1,756 个任务上，它在完整时限内解出的任务数多于各套件中最强的被评估规划器，在数值、时序、PDDL3 和 PDDL+ 上差距最大，在 100 ms 和 1 s 时限下解出任务也最多。
站内阅读 ↗Shota Nomura 等提出 Smooth Action Chunking，将轨迹段表示为平滑基函数的线性组合，在不改变策略架构、训练目标和推理流程的情况下生成平滑轨迹。
站内阅读 ↗作者提出统一导航框架 EvoLife，让多模态具身智能体自行选择移动方式、何时提问以及保留哪些经验。其混合动作空间支持航点导航、局部离散调整、像素级导航和物体导向导航，主动交互允许智能体在遇到歧义或困难时寻求澄清或帮助，持久空间记忆把观察和对话绑定到地点。
站内阅读 ↗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。
站内阅读 ↗该预印本提出一种轻量几何预测头，接在冻结的0.5-2B VLM骨干上，从中间隐藏层读取特征，经任务指令条件化查询和视觉token交叉注意力，直接回归可供性框与轨迹路点。
站内阅读 ↗作者提出UMI-Live，一套用于野外双臂数据采集的开源全栈UMI系统，其定制硬件集成相机与LiDAR-惯性传感、板载计算和供电，无需外部追踪设备或在采集环境中标定。系统提供简单录制界面，异步流水线并行进行SLAM重建并发布可直接用于训练的数据集，同时发布支持双YAM遥操作及VLA策略训练与推理的软件。作者用π0.5和MolmoAct2微调验证数据质量，在双臂抓放任务上成功率分别为10/10和8/10，并公开三个任务共40小时的UMI-Live数据及硬件设计、软件和复现指南。
站内阅读 ↗Joshua Yuriv Pilipovsky 的论文研究无人机与地面车异构编队在含未知数量潜在危险目标的区域中协同通行。无人机用机载光学相机做空中感知，以遍历控制按空间信息密度分配感知，并结合动态相机视场与位姿相关检测模型，通过贝叶斯推断和边缘化得到目标后验的 PMB 近似。
站内阅读 ↗针对多鸟穿越泊松圆盘森林的群体运输问题，研究构建显式有向走廊网络并在航点施加统一时间间隔，证明最大流等于最小顶点割容量，由沿顶点不相交路径重复飞行实现。该调度在任意有限时域内最大化完成穿越次数，保持恒定前向速度且无内部等待；森林带深度固定时得到几乎必然的确定性流密度极限，深度与宽度同比发散时该流量与正宽深比无关。
站内阅读 ↗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。
站内阅读 ↗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。
站内阅读 ↗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%。
站内阅读 ↗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。
站内阅读 ↗OpenFlyV2 是一个统一的机载视觉-语言-动作架构，用共享视觉-语言表征在单一模型中支持语义理解、语言定位感知、空间推理与连续空中控制。紧凑动作专家将多模态上下文转为短时域航点，运动感知时序记忆与动作先验降低闭环执行计算开销；作者构建约 7 万条导航轨迹和 6 万对视觉-语言指令-响应的仿真数据集。
站内阅读 ↗研究提出一种跨控制器迁移框架，让单一策略在上下文内适应不同控制器。该方法用指令动作与机器人实际运动的示例编码控制器下的行为交互，再由 transformer 上下文编码器汇总，使策略无需为每种控制器单独学习。实验覆盖六种控制器类型及控制器增益与柔顺性变化，实机结果显示平均成功率比朴素数据合并高 33 个百分点，在未见控制器模式上达到 50% 成功率，在未见控制器增益上达到 52%，并能迁移到控制器专属数据有限的任务。在 USB 插入、表面擦拭等接触丰富任务中，行为交互上下文使策略不仅调整动作，也调整策略。
站内阅读 ↗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。
站内阅读 ↗WorldFlow 提出一种生成式世界模型，通过将3D运动参数化为与视频网格对齐的连续位移 token，用统一的 Mixture-of-Transformers 骨干在 rectified-flow 目标下同时去噪视频与基于查询的3D轨迹。
站内阅读 ↗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。
站内阅读 ↗GenSight 是一个统一的具身世界模型，把未来视频生成与稠密感知放进同一个预训练视频扩散 Transformer。它用统一的时空表示覆盖视频、深度、具身分割和相对首帧的 2D 光流，在共享 DiT 主干上通过轻量任务调制预测各模态，并在统一速度预测空间中联合优化。推理时支持多步未来视频生成并给出对齐的稠密预测，以及从观测视频做单步稠密感知；训练数据涵盖多种机器人本体与人类手部交互。
站内阅读 ↗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。
站内阅读 ↗EmbodiExp 是一个为具身智能体构建可迁移经验并在任务执行中在线组合的框架。它提出以结果锚定的子目标经验，包含子目标、适用条件、可适配策略和可验证结果，执行时由适用经验引导动作生成，已验证结果可为后续经验建立条件。作者称子目标级结果归因还能利用失败轨迹中的局部成功与需规避动作，并在多个具身基准上以冻结经验库的 fold-based 协议开展实验。
站内阅读 ↗EgoContact 是一个大规模第一视角数据集，用于通过未来接触点预测评估学习到的操作先验的泛化性与精度，包含 22.5K 条人工核验的交互事件，每条含接触前观测、语义意图和像素级接触位置。
站内阅读 ↗论文提出执行器感知（AA）观测器输入，用于四旋翼采样级联线性自抗扰控制（LADRC）：高度与姿态观测器使用经假定旋翼模型滤波、并与测量延迟对齐的受限虚拟输入，水平观测器使用由实测姿态重建的加速度。
站内阅读 ↗Google Scholar 提醒：待接入邮箱，尚未运行。