技术方向
与机器人感知、决策和物理交互直接相关的具身智能进展
268 条精选近 30 天 265 条共收录 592 条
PS-DLO 是一种结合物体属性与空间感知的可变形线状物体（DLO）操作策略，针对细长几何难以精确定位、形变依赖物体物理属性的耦合感知与控制难题。方法上先用对比图文学习把初始观测映射为 DLO 属性的类别描述，为动作生成提供物理与结构先验；再用 SAM3 从未来观测中提取掩码引导特征，蒸馏进策略的动作专家，以编码任务相关区域及其后续构型。作者在单臂和双臂平台上共 9 个真实任务上评估，每种本体训练一个共享多任务策略，平均成功率为 68.9%，比最强基线高 20.0 个百分点；在蝴蝶结解结的 7 种视觉偏移条件中，有 6 种成功率高于基线。
推荐理由：论文给出属性先验与未来空间监督结合的可变形线状物体操作策略，并在单臂与双臂实机任务上对比基线。
AdaDexTrack 提出一种调制器在环的框架，用于语言条件下的灵巧手物交互跟踪。该框架以大规模专家到通才蒸馏得到的跟踪器承载技能，调制器经强化学习训练，对参考轨迹、物体隐表示和位置目标做三类反馈修正。作者称其在未见轨迹和未见物体集合上的平均跟踪误差与成功率均优于此前 SOTA，并在真实硬件上展示了零样本 sim-to-real 迁移，加入调制器相比仅用跟踪器有显著提升。
推荐理由：论文把语言条件下的灵巧操作重构为闭环调制跟踪，并给出未见轨迹与实机零样本迁移的对比结果。
RoboWorM 是一个面向部署的视频世界模型基准，利用机器人运动学树和固定相机配置等硬件先验，系统考察结构与时空保真度。该基准汇集单臂、双臂和人形形态的 1,605 条 episode，覆盖单视角与多视角下的马尔可夫及长时程非马尔可夫任务。
推荐理由：该预印本提出面向机器人视频世界模型的部署感知基准，并给出不依赖VLM的运动学与多视角几何一致性指标。
POD-RoPE 将 token 的观测足迹表示为相机中心、视线方向和采样时间上的分布，用期望旋转编码分布间相对关系，分布退化为单点时即还原逐点 RoPE。该方法在 Fast-WAM 上把 RoboTwin 2.0 全部 50 个任务的平均成功率从 91.83% 提升到 92.88%，在 Sharpa North 的两个实机任务上从 32.5% 提升到 52.5%。
推荐理由：论文提出以物理观测分布编码位置的方法，并在仿真与实机操作任务上给出成功率对比和推理速度数据。
RoboJev-27B 是一个开放权重的视觉语言模型，输入任务指令与 10 帧操作画面，预测机器人是否完成任务。它在同型号 SO-101 的 268 个留出回合上取得 95.2% 平衡准确率和 0.993 AUROC，在未见实验室/机器人采集的 459 个回合上 AUROC 为 0.890。
推荐理由：RoboJev-27B 给出机器人操作成功检测的开放权重模型与完整评测记录，可用于比较不同成功判定方案。
Huichang Yun 等人提出一种面向内存受限机器人的稠密地图关键帧管理方法，直接约束常驻地图占用的内存，并按建筑中的房间与走廊等语义空间单元准入和释放关键帧。
推荐理由：论文把稠密地图的内存占用改为直接按字节约束，并以房间走廊为单元准入关键帧，为内存受限机器人上模型与地图共存提供可迁移方法。
MOON 是一个为冻结的视觉语言导航（VLN）策略加装两个轻量模块的框架，新增参数不到原策略的 1%。作者对四种 VLN 策略做配对干预实验发现，在偏离路线起点清空历史可使汇总成功率翻倍，但在路线上反而降低成功率；偏离后期只移除偏航帧帮助很小，保留的历史会让策略在该转向时无法转向，作者称之为行为惯性。MOON 由偏离判定器决定何时遗忘，在预测智能体偏航时发出警报并清空历史；恢复策略用 GRPO 从警报状态训练，学习如何继续前进，把仅靠采样才能找到的成功更多转化为单次贪心 rollout。
推荐理由：论文用四类 VLN 策略的干预实验定位行为惯性，再以轻量模块决定何时清空历史，为导航策略的偏差恢复提供可迁移思路。
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。
推荐理由：论文给出跨人形本体的结构化条件编码与464个本体的评测基准，可用于比较共享策略与单本体专家的差异。
ReSight 是一个面向具身智能体的任务驱动自改进记忆系统，保留关键帧及其时空关联，并把观测证据与可扩展派生字段分离，以便按新需求重新处理历史观测。系统由执行智能体和编码智能体通过不同接口共享记忆，前者在有限在线预算内调用已注册工具，后者在可编程工作区中以更大探索预算检查证据、编写程序并按需获取模型。
推荐理由：论文提出面向具身智能体的任务驱动自改进记忆系统，并给出在三个公开基准上的量化对比，可供关注机器人长时记忆与工具调用的人参考。
MOTIO 是一个智能体化技能工程系统，可将人类动作视频、真实感3D资产、运动参考和可复用机器人技能转化为可执行的人形全身操作程序，无需任务专用遥操作或机器人演示采集。
推荐理由：论文给出从人类视频与3D资产构建人形全身操作技能的程序化流程，并报告实机执行与蒸馏结果，可供比较技能生成与策略蒸馏路线。
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。
推荐理由：论文提出用智能体框架生成仿真就绪的室内场景，并给出与真实房间分布及导航策略迁移的对比结果。
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。
推荐理由：论文给出16B统一具身模型在理解、视觉规划与真机控制上的分项结果，可用于比较统一模型与专用方案。
作者提出 OWLS（开放世界语言条件速度场），直接在一张单目图像的视觉语言模型稠密特征图上规划，无需任务训练、地形标注或持久地图。方法用可通行地形描述提示视觉语言模型为每个像素打分，将分数投影到地面并经两次形态学操作适配平台，作为最小时间规划器的速度场，使地形外观与障碍间距共同塑造轨迹。作者在室内与越野的实体漫游车、200 个程序生成地形上的仿真火星与月球漫游车以及真实行星影像上进行了评估。
推荐理由：论文把开放词汇视觉语言模型的逐像素地形评分接入最小时间规划器，为无地图、仅靠单目相机的越野导航提供了一条可迁移思路。
I-Tak Ieong与Hao Tang提出HGWM，一种分层图引导世界模型，通过类别条件房间-锚点先验与持久空间语义记忆完成零样本目标导航。粗阶段用视觉语言模型给候选朝向打分，细阶段将观测到的物体与关系同目标先验显式比对，再按阶段融合语言模型建议引导局部导航。
推荐理由：论文给出分层图引导世界模型在HM3D与MP3D上的零样本目标导航结果，并列出各组件消融幅度，便于比较导航方法。
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。
推荐理由：论文提出集中式规划与去中心化集群之间的可切换控制框架，为多机器人系统在环境压力下保持鲁棒性提供一种架构思路。
研究提出解剖锚定的模仿学习框架，将解剖引导的探头放置与学习式超声导航结合，用于自主机器人超声扫描。该框架先由外部视觉确定任务相关的解剖起点并建立初始探头位姿参考系，再由基于流的策略根据锚点相对位姿、超声图像、探头相机视图和接触力生成扫描动作，终止头预测任务完成。
推荐理由：论文给出解剖锚定的模仿学习框架与手持采集平台，并在16名未见参与者上报告成功率与跨机器人迁移结果。
LogLook提出一种执行日志式记忆，让前沿视觉语言模型规划器保留执行记录与先前笔记，并自行决定查看哪些帧。在基准自带运动规划器下，它的成功率与仅用笔记的记忆相当，但token减少43%、图像用量不到一半，因记忆或观察失误导致的失败回合也明显更少；直接控制时在RoboMME测试集上解决93.5%。
推荐理由：论文提出面向前沿模型机器人规划器的执行日志式记忆，在RoboMME上以更少token和图像达到相近成功率，可供比较记忆设计。
北京通用人工智能研究院团队提出触觉引导探索与定位框架TacEP，将单目视觉估计与基于视觉触觉传感器的高分辨率实时探索结合，用于机器人轴孔装配中的目标孔位精确定位。
推荐理由：论文给出视觉与触觉融合的孔位定位框架，并在实机上用五类连接件测试，可作为高精度装配的对照参考。
RepresentNav 是一个建立在自构建表征空间上的导航基础模型，该空间由策略自身目标从视觉基础模型中构建。它用三层 transformer 的 Representation Residuals 聚合多个视觉基础模型全深度特征，并在每次动作前通过潜在思维链预测下一时刻场景表征，以 JEPA 方式与策略端到端训练。
推荐理由：论文提出用策略自身目标构建视觉表征空间的导航基础模型，并给出与拼接编码器输出的对照结果。
论文提出去中心化实时规划器 WarpWeaver，把多机器人协调建模为联合空间最优控制，通过分散式列生成在共享空间上协商租金，引导各机器人搜索前向传播命令的分散树，并在静止时给出近最优性认证。作者先证明机器人间耦合可由局部约束替代，使局部生长的分散树包含近最优一致解。仿真中，WarpWeaver 在 Dynobench 上相比集中式离线规划器最多减少 22% 总行程时间，相比去中心化实时基线最多减少 37%，在图连通性任务上把专用规划器的成功率提高近一倍；六台机器人机载规划的硬件实验表明其具备现实可实施性。
推荐理由：论文提出去中心化实时多机器人规划协议 WarpWeaver，并在仿真与六机器人实机上给出与集中式离线规划器的对比结果。