CAPSafe：面向具身智能体情境化动作与规划安全推理的基准
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。
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 7 页
arXiv · cs.RO精选AI 评分6262 arXiv · cs.RO精选AI 评分6060 CPR：从预测几何到动作，学习互补预测表征用于具身操作
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。
arXiv · cs.RO精选AI 评分6262 HuTact：从人类手物交互数据学习触觉感知手部表征
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。
arXiv · cs.RO精选AI 评分6767 JARVIS：从视觉说明书到自主机器人装配的基准与智能体
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。
arXiv · cs.RO精选AI 评分7171 EchoNav：利用历史观测做证据式BEV补全的视觉导航框架
EchoNav提出一种从短RGB序列预测证据式鸟瞰图（BEV）表示的视觉导航框架，结合时序聚合与占据补全，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。
推荐理由：论文给出基于历史观测的证据式BEV补全方法，并在仿真与轮式机器人上对比基线成功率。
arXiv · cs.RO精选AI 评分7171 Tactile-ETA：具身任务智能体通过触觉上下文学习完成精细操作
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。
arXiv · cs.RO精选AI 评分6767 EmbodyHOI：面向人形灵巧操作的具身感知手物交互生成
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。
arXiv · cs.RO精选AI 评分6060 Jetson AGX Orin 深度估计器基准：九类单目与立体方法对比
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。
arXiv · cs.RO精选AI 评分7575 Ropedia W0 发布跨本体移动操作世界模型，基于人类经验数据
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。
arXiv · cs.RO精选AI 评分8080 PhysWord：用原子动作词构建机器人操作潜在推理的预印本模型
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。
arXiv · cs.RO精选AI 评分6262 ACE-Brain-0.6：扩展空间定位以强化具身基础模型
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。
arXiv · cs.RO精选AI 评分6262 Embodied Playground：面向物理、策略与空间推理的长程具身智能体基准
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。
arXiv · cs.RO精选AI 评分7575 HandsOn：面向可泛化灵巧操作的大规模仿真基准
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。
arXiv · cs.RO精选AI 评分6060 LEAP Hand 两种指型布局的触觉手中旋转对比研究
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。
arXiv · cs.RO精选AI 评分6262 ForagerSim：面向大规模动态世界具身地图推理的仿真评测平台
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。
arXiv · cs.RO精选AI 评分6666 HS-MoDP：通过同构遥操作与独立技能路由实现人形机器人组合操作
作者提出HS-MoDP，通过共享专家池上的独立语义路由，把分别演示的手臂技能组合起来，在Unitree G1上取得比基线更强的技能组合效果。为采集全身接触操作演示，团队开发了同构外骨骼G1Exo，对机械臂构型提供关节级直接控制。
推荐理由：论文提出用同构外骨骼采集接触操作演示，并比较其与VR-IK遥操作对策略学习的影响，可供研究遥操作数据质量的人参考。
arXiv · cs.RO精选AI 评分7171 ScaleNav：用互联网视频预训练语言条件局部导航策略
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。
arXiv · cs.RO精选AI 评分7272 BiDex-100：覆盖100余项仿真任务的双臂灵巧操作基准
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。
arXiv · cs.RO精选AI 评分7878 DexGraspFlow：融合运动学拓扑的跨本体灵巧抓取生成框架
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 Blog精选AI 评分7272 Physical Intelligence 推出 Pi API 测试版，开放 π 系列模型微调与托管推理
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。