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
论文提出集体经验学习（CEL）范式，让部署中的机器人汇集自身执行经验来更新共享策略，再下发回车队，从而不依赖专家纠正动作。其实现方式为失败引导经验检索微调（FERT）：用失败上下文从成功轨迹中检索相关片段，优先用这些片段记录的动作做监督更新，无需额外采集专家示范或纠正动作，操作员只提供二值化的回合结果标签和环境重置。容错异步训练系统（FATS）负责协调机器人执行、云端推理与策略优化，以应对局部中断。
推荐理由：论文提出用部署机器人自身执行经验更新共享策略，并在96台机器人上验证了规模扩大带来的性能提升。
浙江大学等团队提出 ScaleNav，一个面向语言条件局部导航的世界-动作统一框架，先用互联网第一视角视频做指令条件视频预训练，再用带动作标注的仿真数据对齐动作块，最后联合微调。
推荐理由：论文用互联网第一视角视频预训练视觉动态，再对齐仿真动作，为语言条件局部导航提供可迁移的三阶段训练思路。
BiDex-100 是一个面向双臂灵巧操作的仿真基准，包含106项任务，按泛化、指令跟随、少演示、长时程和记忆五个能力维度组织。每项任务配有受控视觉与空间变化的域外变体，用于评估鲁棒性；基准支持两种本体，提供8,080条经成功验证的遥操作演示，共625万帧。作者在统一协议下评测了七个近期视觉-语言-动作模型，给出各能力维度、鲁棒性和数据效率的基线结果。
推荐理由：该预印本给出106项双臂灵巧操作仿真任务与7个VLA模型的统一评测基线，可用于比较现有模型的能力与鲁棒性。
DexGraspFlow 提出一种条件式连杆级 SE(3) 流匹配框架，将几何关系与运动学拓扑结合用于跨本体灵巧抓取生成。该方法在三种机器人手、30 组物体-手配对上的平均仿真成功率为 95.33%，含逆运动学的平均生成延迟比一个先进基线低约 49%。作者还报告了对七种去指变体的零样本适应与手掌朝向控制，并在部署手型的 100 次实机抓取试验中取得 91% 成功率。
推荐理由：论文把运动学拓扑引入跨本体灵巧抓取生成，并给出三种手、30 组手物配对的仿真结果与实机试验。
Physical Intelligence 发布 Pi API 测试版，开发者可上传数据、在 Pi 管理的算力和基础设施上微调 π 模型，并通过托管网关调用微调后的模型做推理。
推荐理由：Pi API 测试版把数据上传、微调和托管推理串成一条流程，可用于观察机器人基础模型如何被下游团队自行迭代。
NVIDIA 在 ROSCon 多伦多站发布 Isaac ROS 5.0，这是一组基于 ROS 的 GPU 加速软件包，新增面向 AI 智能体的开发工作流与平台支持。
推荐理由：Isaac ROS 5.0 的更新清单和多家厂商集成案例，可用于了解 ROS 生态中 GPU 加速与智能体工作流的落地方式。
Figure 发布 Helix 2.5，在 30 个湾区未见家庭中零样本完成整理客厅、叠毛巾、铺床三类全身长程任务，这些环境与操作对象均未采集数据、未做微调或适配。
推荐理由：Figure 公布 Helix 2.5 在 30 个未见家庭零样本完成三类全身任务，并给出 Index 预训练消融与数据缩放规律。
Physical Intelligence 训练并发布通用模型 π0.7，官方称其在泛化上出现阶跃式提升，能执行训练数据中未出现的任务。
推荐理由：官方披露π0.7在未见任务上的组合泛化与跨本体迁移表现，并说明多模态提示如何统一异构数据。