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。
推荐理由：论文在 LIBERO-Plus 配对闭环试验中比较 JEPA 条件与未来表征监督，给出成功率对照与负结果。
技术方向
具身智能 最新动态
与机器人感知、决策和物理交互直接相关的具身智能进展
143 条精选近 30 天 140 条共收录 290 条
更新
精选归档 · 第 4 页
arXiv · cs.RO精选AI 评分6060 arXiv · cs.RO精选AI 评分7171 SpaceAct：用闭环动作与主动感知评测3D时空推理的基准
SpaceAct 是一个交互式基准，通过闭环物理动作与主动感知评测多模态大模型的3D时空推理，并配套提出 SAPA 时空主动探测智能体框架。基准基于积木与机械谜题构建，覆盖6类36个任务族共108个已验证实例，不提供特权坐标，并设有 +plan、+state、no-camera、blind、L7 levers 等诊断模式。
推荐理由：该基准用闭环物理动作和主动感知考察多模态模型的3D时空推理，并给出10个前沿模型的诊断性对比。
arXiv · cs.RO精选AI 评分8080 ELEVATE：从任务失败中为四足操作机器人自动获取控制器
ELEVATE 框架利用任务程序优化中的持续失败识别缺失的全身控制能力，由编码智能体构建并迭代强化学习问题，验证后的控制器加入能力库并与已有控制器组合重试任务。
推荐理由：论文展示编码智能体从任务失败中自动合成全身控制器的闭环流程，并给出仿真与实机迁移的成功率数据。
arXiv · cs.RO精选AI 评分7171 CSO：通过技能分布对齐与技能粒度优化改进机器人策略
Zhiyuan Xiang 等提出两阶段后训练框架 Cascaded Skills Optimization（CSO），用于修正 VQ-VAE 类离散技能先验的量化误差。
推荐理由：论文提出两阶段后训练框架，用于修正离散技能先验的量化误差，并给出LIBERO与实机单臂任务的成功率对比。
arXiv · cs.RO精选AI 评分6464 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。
推荐理由：论文拆解零样本视觉语言导航中任务进度、观测历史与几何记忆各自的作用，并给出记忆消融与实机对比结果。
arXiv · cs.RO精选AI 评分6464 MATCH：面向连续环境视觉语言导航的执行感知分层强化学习框架
MATCH 是一个联合学习语言条件规划器与目标条件原子动作执行器的框架，用于连续环境视觉语言导航（VLN-CE）。它用执行感知拓扑图表示依赖起点的执行选项，并结合执行器价值估计与实际结果记忆，让规划器通过有界连续偏移细化执行请求。该模型以 0.5B 参数在 R2R-CE 和 RxR-CE 基准上取得 state-of-the-art，初步实机部署也展示了应用潜力。
推荐理由：论文把执行器能力纳入规划器训练，为连续环境视觉语言导航提供可迁移的分层强化学习方法。
arXiv · cs.RO精选AI 评分6767 SimRetract：开放手术牵开器接管的零样本仿真到现实迁移
SimRetract 展示开放手术中牵开器接管的零样本仿真到现实迁移，机械臂从外科医生手中接过牵开器并在交接时保持牵开，策略仅用仿真演示训练，无需人类演示或真实世界微调。
推荐理由：论文把零样本仿真到现实的差距拆到具体组件，并给出消融数据，可供做手术辅助操作迁移的研究参考。
arXiv · cs.RO精选AI 评分7272 Embodied at Sea：面向水下多任务操作的模仿学习研究
纽约大学等团队发布预印本 Embodied at Sea，研究模仿学习在水下多任务操作中的表现。团队在平静与湍流水域采集1616条水下操作数据，训练14个不同本体感知配置的 DynamicVLA 模型，在泳池1260次可评分实机回放中10个模型超过基线，最佳模型总体成功率93.3%（含部分成功）。
推荐理由：论文给出水下多任务模仿学习的实机回放数据与开源工具包，可用于比较通用VLA与单任务策略在域偏移下的表现。
arXiv · cs.RO精选AI 评分7171 SKiD-SLAM：面向行星任务的资源感知分布式多机器人LiDAR SLAM及野外部署
SKiD-SLAM 是一套面向行星探测的分布式多机器人 LiDAR SLAM 系统，作者在韩国完成两次野外部署验证。轮式漫游车在济州岛 Majang 熔岩管洞穴探索，四足机器人在涟川 KICT 的行星模拟地形执行陨石坑与岩石科学场景，系统在 250 kbps 机器人间通信预算内完成分布式多机器人 LiDAR SLAM。
推荐理由：报告给出分布式多机器人激光SLAM在250 kbps通信预算下的两次实地部署，可了解行星探测场景的资源受限方案。
arXiv · cs.RO精选AI 评分7474 Metatron：面向人形机器人的可提示全身执行层
论文提出 Metatron，一种可提示的全身执行层，由生成式基础策略与可编程技能层组成。基础策略接收由定时身体部位目标、速度指令和风格线索组合成的提示，训练数据包括动捕、合成恢复轨迹和重定向场景交互动作，训练后策略被冻结。
推荐理由：论文给出冻结策略加可编程技能层的人形全身执行方案，并在 Unitree G1 实机上演示多类任务。
arXiv · cs.RO精选AI 评分7272 FORGE：面向敏捷人形运动的在线降阶参考生成与全身执行框架
论文提出 FORGE 两阶段学习框架，将在线降阶模型（ROM）参考生成与全身跟踪控制结合，用于人形机器人敏捷运动。第一阶段用单刚体动力学结合完整人形运动学训练命令条件化的全身参考生成器，第二阶段在线滚动冻结的 ROM 策略，为全阶动力学模型上的全身跟踪策略生成参考。
推荐理由：论文给出两阶段降阶模型参考生成与全身跟踪框架，并在宇树 G1 上报告速度与跳跃指标，可供人形运动控制研究比较。
arXiv · cs.RO精选AI 评分7171 TACOS：面向视觉足步规划的地形感知接触监督方法
TACOS 提出一种基于腿式状态估计因子图残差的足步不稳定性评分，并将其投影到前序图像上，用于监督稠密视觉预测器。作者给出利用事后信息的硬评分和可即时获得的因果软评分两个变体，在 1716 个人工标注接触上与现有方法比较，两个变体的不稳定性检测与严重程度排序均优于所有对比方法，合并严重程度排序比最强基线提升 28%。
推荐理由：论文提出基于因子图残差的足步不稳定性监督信号，并在人工标注接触与户外实机测试中与现有方法比较。
arXiv · cs.RO精选AI 评分6464 EgoThumb：视觉驱动的额外机器人拇指，实现自主抓取与持握辅助
EgoThumb 是一款全开源的视觉驱动额外机器人拇指，用于辅助单手完成抓取与持握。其紧凑的双肌腱驱动手指把驱动单元移至前臂，以降低远端重量并实现精确的主动关节控制。
推荐理由：论文给出全开源、视觉驱动的额外拇指硬件与模仿学习策略，可用于比较单手机器人辅助抓取方案。
智元机器人精选AI 评分6767 
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。
推荐理由：智元一次性发布人形硬件平台、基础模型与操作系统，并抛出Worken生产力度量框架，可用于观察厂商如何定义机器人产出。
arXiv · cs.RO精选AI 评分6060 PhysLadder 发布分层仿真-实机匹配基准，测试 GPT-6 Astra 接触密集操作能力
研究团队提出 PhysLadder，一个用于评估接触密集操作物理交互能力的分层仿真-实机匹配基准，包含 16 项家务任务，分为接触选择与几何对齐（L1）、持续接触下的力调节（L2）、接触重构与力调节协同（L3）三个累积层级。
推荐理由：PhysLadder 用仿真与实机匹配的 16 项家务任务分层测试接触密集操作，给出 GPT-6 Astra 逐级成功率，可作为比较模型物理交互边界的基准参考。
arXiv · cs.RO精选AI 评分7272 ARPG：通过动作表征预训练扩展灵巧操作能力
ARPG 提出将动作表征学习与动作生成分离，先在大规模人类操作数据上预训练动作表征编码器，再冻结编码器、用 130M 参数的生成骨干在表征空间中学习任务条件动作分布。
推荐理由：论文把动作表征预训练与动作生成拆开，为灵巧操作提供了一条独立于数据规模之外的扩展路径。
智元机器人精选AI 评分7272 
智元机器人发布 Genie Studio 2.0，打通模型开发、任务编排与车队运营
智元机器人发布 Genie Studio 2.0，这是一个用于开发、部署和运营具身智能应用的一体化平台，由 Flywheel、Agent、Monitor 三个模块组成，覆盖数据采集、模型训练、评估、推理、任务编排与车队管理。
推荐理由：官方披露平台三个模块与常州、PIA、龙旗、广州地铁等落地项目，可了解具身应用从数据到车队运营的工程链路。
arXiv · cs.RO精选AI 评分7272 ThinkLocoManip：面向腿式移动操作的全身体控制智能体框架
ThinkLocoManip 提出一种面向腿式移动操作的全身体控制智能体框架，采用推理与行动交错的范式，让智能体持续推理当前状态、执行动作、观察结果并调整策略。
推荐理由：论文把移动操作拆成感知、导航、操作与运动四类工具，并给出实机长程任务成功率对比，可供参考其交错推理与工具编排思路。
arXiv · cs.RO精选AI 评分6767 ScheNav：示意地图引导的目标物体导航框架
ScheNav 是一个示意地图引导的闭环具身导航框架，通过 SchemaField 空间模块把粗略示意引导与累积观测融合，预测空间价值场并据此做探索和停止决策。
推荐理由：论文给出从2D平面图生成导航训练环境的数据管线与闭环框架，可用于比较示意地图引导的导航方法。
arXiv · cs.RO精选AI 评分7272 AdaDexTrack：面向自适应灵巧操作的动态调制跟踪框架
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。