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
349 条精选近 30 天 346 条共收录 766 条
AdaDex 是一个目标条件强化学习框架，能把数秒的单条手-物轨迹（来自动捕或野外 RGB(D) 视频的 HOI 重建）转化为可泛化的灵巧技能。其核心 Hybrid Dexterous Mimicking 在两类大规模并行环境上训练共享策略：密集运动跟踪环境注入人类先验，带噪声初始状态与稀疏物体成功奖励的泛化环境迫使技能脱离参考轨迹。
推荐理由：论文提出混合模仿与目标条件强化学习框架，把数秒人手轨迹转成可泛化的灵巧操作技能，并给出跨仿真器与实机迁移结果。
IndustrialRemembr 提出面向机器人车队的共享时空记忆系统，扩展 NVIDIA ReMEmbR，仅在需要时生成场景描述以降低服务端计算。每台机器人用 NVIDIA Jetson 将视频片段编码为检索嵌入、视觉 token 和重建潜变量，不上传原始相机画面。
推荐理由：论文给出机器人车队共享时空记忆的端侧编码与按需解码方案，并报告缓存 token 解码与未拆分模型输出一致。
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。
推荐理由：论文把停止决策改写为闭环证据采集，用VLM多视角验证加扩散策略主动靠近，为ObjectNav误检问题提供可迁移方法。
研究提出 GPT-as-Tactile-Policy，将专家演示总结为任务指引和触觉参考，由 GPT-6-Astra 结合多模态观测与交互历史生成控制指令，无需额外机器人专用预训练或逐任务策略微调。在五项 UniVTAC 任务上平均成功率为 93.8%，Insert Hole 任务中触觉反馈将成功率从 31% 提升到 99%。执行分析显示模型能依据接触反馈进行试探与纠正。
推荐理由：论文用接触丰富操作任务检验通用多模态模型能否借触觉反馈调整动作，并给出与专用策略的对比结果。
研究在 Idealworks 的 iw.hub 实机上评测 NVIDIA X-Mobility 与 COMPASS 导航策略训练流程，并用 NVIDIA Cosmos 生成仿真到现实变体。
推荐理由：在 Idealworks 实机上对比数字孪生与 Cosmos 增强训练，给出成功率与耗时差距，可作为 sim-to-real 评测参考。
作者提出CAPSafe基准，从动作级和规划级两个层面评估具身智能体的安全推理，其中动作级判断单个动作在给定环境情境下是否安全，规划级评估智能体能否为复杂危险家务任务生成安全的长程规划。
推荐理由：该预印本提出情境化动作与长程规划两级安全基准，并给出九个LLM在危险识别与安全规划间的差距数据。
作者提出两阶段框架 CPR，从多视角视频片段学习互补的预测几何表征用于具身操作。预训练阶段用冻结的 3D 基础模型提供稠密几何特征，压缩为预测几何表征并保留场景结构及其时序演化，再对几何转移施加动作监督提取运动表征；下游后训练通过几何查询迁移预测几何，运动表征引导动作生成路径上的中间特征。
推荐理由：论文提出两阶段框架，从多视角视频学习互补预测几何表征，并在 LIBERO、SimplerEnv 与实机任务上对比下游策略表现。
Yu 等人提出 HuTact 框架，从大规模人类手物交互数据预训练触觉感知手部表征，预训练阶段不需要真实触觉信号。该方法把从人手运动中学到的交互结构迁移到机器人触觉观测，并可用少量无标注机器人交互数据进一步适配。
推荐理由：论文提出用人类手物交互数据预训练触觉表征，并给出抓取预测在少样本下的对比数字，可供触觉学习数据来源参考。
JARVIS 是一个无需额外语言指令、由视觉说明书引导自主装配的方法无关基准，包含 8,987 个场景中的 236,679 个 LEGO 装配任务，并从中整理出 50 个任务的 JARVIS-v1 套件用于交互式机器人评测。
推荐理由：该预印本提出视觉说明书引导装配的基准与智能体方法，并给出九款模型在长程任务上的表现差异。
EchoNav 提出一种视觉导航框架，从短 RGB 序列预测证据式鸟瞰图（BEV）表示，结合时序聚合与占据补全，用于恢复此前观测到的结构并推断被遮挡的障碍物与自由空间。其解码器适配冻结的 VGGT-Omega 特征，通过逐单元权重和学习到的无更新选项融合历史残差提议；BEV 预测器在最新自车坐标系下生成局部地图，无需深度或相机位姿输入，也不做显式几何变换。证据模型将已观测自由空间单独处理，并在其余支持区域预测带置信度的占据。
推荐理由：论文给出基于历史观测的证据式BEV补全导航框架，并报告仿真与轮式机器人实机成功率对比。
Yubang Wang 等提出 Tactile-ETA，将触觉经验以上下文学习方式注入具身任务智能体，在不更新模型参数的情况下完成精细操作。系统把专家演示中的机器人运动与相机视图、双侧触觉观测配对，保留运动起止触觉图像并在触觉变化明显时加入两个相邻时间点。
推荐理由：论文给出触觉经验通过上下文学习进入具身任务智能体的方法，并对比仿真与实机成功率变化，可供触觉操作研究参考。
EmbodyHOI 在冻结的流匹配手物交互轨迹生成器采样循环中嵌入针对特定人形本体的可微逆运动学求解器，把本体可达性约束加入生成过程。在 ARCTIC 轨迹上，该方法把 Unitree G1 与 H1-2 的重定向腕部误差从 8.9 cm 降到 0.6 cm，同时保持文本到手物交互的生成质量。
推荐理由：论文把机器人可达性约束放进 HOI 轨迹生成采样过程，并给出 G1 与 H1-2 的实机前仿真对比数据。
作者在 Jetson AGX Orin 上对九类深度估计模型做了基准测试，覆盖单目 Depth Anything V2/V3、Depth Pro、MoGe-2、Metric3D v2、UniDepth V2 与立体方法 libSGM、NVIDIA ESS、Fast-FoundationStereo，按 Middlebury 2014 真值评估度量精度、GPU 时间、能耗和许可。
推荐理由：在 Jetson AGX Orin 上统一比较九类深度估计模型的精度、速度、能耗与许可，为机器人感知选型提供可复现依据。
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。
推荐理由：该工作构建跨人类与机器人的第一视角移动操作世界模型，并公开数据规模与五项基准评测结果，可供比较世界模型路线。
PhysWord 是一个先推理后动作的机器人基础模型，用原子动作动词作为共享语义锚点，把物理动态的连续表示组织成可复用的推理原语。模型预测未来原子动作词，并将其上下文隐状态与对应未来观测导出的潜在目标对齐，再按时间自回归预测 Physical Words 以捕捉执行阶段转换。
推荐理由：论文提出以原子动作动词为语义锚点的推理先验框架，并给出仿真基准与实机操作的成功率对比。
研究团队提出ACE-Brain-0.6，在Qwen3.5-9B上用约150万条可验证空间定位样本微调，以强化通用具身操作的空间感知基础。数据来自机器人操作录像与多来源视觉数据的统一管线，经自动标注转为定位监督。该模型在7个公开定位基准中的4个上超过GPT-6 Astra，平均分75.41对73.68；在固定微调设置下，随数据批次扩大覆盖更多定位场景，聚合定位性能稳步提升。
推荐理由：论文给出从机器人操作录像构建可验证空间定位监督的数据管线，并报告9B模型在公开基准上的对比结果。
研究团队提出 Embodied Playground，一个用于评估基础模型智能体在长程任务中协调物理、策略与空间推理的基准。该基准包含410个任务环境，覆盖基础操作、序列谜题和多阶段家务活动，并从中整理出跨5个套件、16种任务类型的100项代表任务 EP-100，以及 EP-Easy、EP-Hard 难度划分和精简版 EP-20。
推荐理由：该基准用410个任务环境和统一评测协议，考察基础模型智能体在长程任务中的推理与执行衔接。
HandsOn 是一个面向跨本体灵巧操作的组合式仿真平台与基准，支持五种机械臂、六种灵巧手和约200个刚体、铰接与可变形资产，并配有18000条人工演示和66个经人工核验的任务。
推荐理由：该预印本给出跨本体灵巧操作仿真基准的规模与任务划分，并列出多类策略在Core-50上的成功率对比。
研究对比了两种 LEAP Hand 指型布局（拟人与对称）在连续手中物体旋转任务中的表现，两版手均集成 TacTip 视觉触觉传感器并共用同一强化学习框架。仿真中，完整触觉观测相比仅本体感知使每回合平均归一化旋转量在拟人手提升 94.8%、对称手提升 66.9%，且回合更长、平均指尖总载荷更低。硬件实验中，对称手平均旋转次数高 32.0%、总旋转速率高 25.8%，平均指尖总载荷低 19.9%。
推荐理由：研究在仿真与实机上对比两种 LEAP Hand 指型布局，量化触觉观测与手指排布对旋转进度和指尖受力的影响。
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。
推荐理由：该预印本提出可调感知、尺度、拓扑与动态难度的仿真平台，用于比较学习策略与地图基线在需地图推理任务上的差距。