RoboWorM：评估具身视频世界模型的运动真实性、一致性与加速影响
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。
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 5 页
arXiv · cs.RO精选AI 评分6060
arXiv · cs.RO精选AI 评分6363 POD-RoPE：面向具身智能的物理观测分布旋转位置编码
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。
arXiv · cs.RO精选AI 评分7575 RoboJev-27B 开源机器人操作成功检测视觉语言裁判模型
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。
arXiv · cs.RO精选AI 评分6767 面向内存受限机器人的稠密地图记忆感知关键帧管理
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。
arXiv · cs.RO精选AI 评分7878 MimicAll：面向跨人形本体全身运动跟踪的结构化本体条件框架
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。
arXiv · cs.RO精选AI 评分7171 ReSight：面向具身智能体的任务驱动自改进记忆系统
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。
arXiv · cs.RO精选AI 评分7171 MOTIO：面向真实场景人形全身操作技能的智能体化技能工程系统
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。
arXiv · cs.RO精选AI 评分7272 SceneBloom：面向具身学习的智能体室内场景生成框架
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。
arXiv · cs.RO精选AI 评分7575 RynnUnify：16B统一具身模型发布，兼顾理解、视觉规划与机器人控制
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。
arXiv · cs.RO精选AI 评分6060 OWLS：面向零样本漫游车导航的开放世界语言条件速度场
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。
arXiv · cs.RO精选AI 评分6060 HGWM：用图匹配实现零样本目标导航的分层图引导世界模型
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。
arXiv · cs.RO精选AI 评分6060 论文提出兼性集群框架：多机器人系统可在集中规划与去中心化集群间切换
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。
arXiv · cs.RO精选AI 评分8282 从徒手演示到自主机器人超声：解剖锚定学习框架
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。
arXiv · cs.RO精选AI 评分6464 LogLook：面向前沿模型机器人规划器的执行日志式记忆
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精选AI 评分6363 北京通用人工智能研究院提出TacEP触觉引导定位框架，用于高精度机器人轴孔装配
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。
arXiv · cs.RO精选AI 评分7474 RepresentNav：在自构建表征空间上构建的导航基础模型
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。
智元机器人精选AI 评分7171 
智元开源 AGIBOT WORLD 2026 第四版“Physical Reasoning”数据集
智元开源 AGIBOT WORLD 2026 的第四版“Physical Reasoning”数据集，任务设计重点从操作难度转向决策复杂度。该数据集覆盖 10 类以上逻辑推理场景，按 Easy、Medium、Hard 三级组织，并提供高层问答与低层动作轨迹，用于高层决策模型与低层动作策略的协同训练。
推荐理由：智元开源 AGIBOT WORLD 2026 第四版数据集，任务设计从操作难度转向决策复杂度，可用于比较具身决策与动作联合训练的数据组织方式。
arXiv · cs.RO精选AI 评分6262 稀疏拓扑度量图实现可扩展跨会话室内导航
研究提出一种稀疏拓扑度量图，作为室内导航的结构化表示，节点编码局部3D几何，距离加权边表示可通行连通性，并用学习到的图匹配网络跨会话寻找一致子图。在跨会话点目标导航实验中，该方法在Gibson上成功率为77.1%，在3D-FRONT场景变化下为40.0%，内存相比点级表示降低两个数量级以上。作者称该表示对局部场景变化、不同传感器模态和有限空间重叠具有鲁棒性，并支持跨会话对齐与目标导向导航。
推荐理由：论文提出稀疏拓扑度量图用于跨会话室内导航，在场景变化下报告成功率并大幅降低内存占用，可供比较建图与定位方案。
arXiv · cs.RO精选AI 评分7575 WholeBodyMem：为人形机器人全身移动操作保留动作前物体记忆
论文提出WholeBodyMem，一种物体引导的感知记忆，用于解决全身VLA策略在动态场景中只能看到当前帧、物体线索易消失的问题。该方法用SAM3跟踪任务物体，由物体事件在自适应预算内因果选取关键帧，动作专家通过交叉注意力读取这些帧及编码外观、几何和时间的物体token。
推荐理由：论文提出面向人形机器人全身VLA的物体引导感知记忆，并给出仿真与实机基准，可用于比较记忆机制对长时序操作的作用。
arXiv · cs.RO精选AI 评分6060 TRACE：基于VLM自适应约束估计的可通行性感知反应式导航
论文提出TRACE，一个面向地面机器人在非结构化森林环境中自主运行的可通行性感知反应式导航框架。它用正负自然语言提示集生成VLM置信图，经证据融合得到稠密可通行性地图，再提取可通行点并通过百分位分箱与样条或正则化多项式拟合得到左右边界，作为软约束加入NMPC。作者称在真实森林环境中的实验显示，TRACE能在杂乱、可变形和视觉歧义地形中平滑导航。
推荐理由：论文把VLM置信图与证据融合、NMPC软约束结合，为林间非结构化地形导航提供可迁移方法。