技术方向
与机器人感知、决策和物理交互直接相关的机械臂进展
56 条精选近 30 天 56 条共收录 100 条
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。
论文提出TaskWAM，一个闭环、阶段感知的世界-动作模型框架，用Mode Tokens表示细粒度任务要求、用State Tokens跟踪执行进度，以缓解长程操作中局部合理但方向错误的推演导致的阶段混淆。
推荐理由：论文提出阶段混淆问题并给出TaskWAM与StageBench，可用于比较世界-动作模型的长程任务控制方法。
LocoPilot 是一个单操作员双边遥操作与数据采集框架，部署在 12 自由度 Unitree Go2 四足机器人上，该机器人搭载 6 自由度 AgileX Piper L 机械臂、Intel RealSense D435 腕部相机和 D405 头部相机。
推荐理由：论文给出单操作员双边遥操作采集四足加机械臂演示的完整方案，并展示从采集到策略部署的同一动作接口。
研究提出一种带奇异恢复的高精度RCM伺服架构，用于通用机械臂在软件远心运动下执行眼科器械定位。作者将RCM与末端跟踪目标冲突导致的伺服振荡形式化为约束诱导任务奇异，即RCM投影后的末端雅可比降秩而未投影雅可比仍良态。
推荐理由：论文把眼科手术中RCM与末端跟踪冲突形式化为约束诱导任务奇异，并给出分层QP加恢复规划的实机验证路径。
Yosub Shin 等人提出用单个头戴相机（122 美元）替代腕部相机和位姿追踪器，通过读取无电子手套（22 美元）上的印刷标记与工作区纸片，从同一帧中解出 6-DoF 夹爪位姿和夹爪开度。
推荐理由：论文用单个头戴相机替代腕部相机与位姿追踪器，给出无电子手套的标注精度和策略成功率对比，可供数据采集方案选型参考。
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。
研究团队在 arXiv 发布 ThERMO，一种基于实时热成像的闭环速度优化算法，用于 UR10e 机械臂 ASTR 系统上的自主电外科手术。在离体猪组织实验中，ThERMO 相比两种固定速度方法将热损伤降低最多 52%、切割精度提升最多 59%，并保持任务完成速度，且无需数据驱动训练或迭代调参。组织学分析用于检测细胞层面的热损伤范围，3D 摄影测量用于验证切缘精度。
推荐理由：论文给出闭环热成像调速在离体猪组织上的对照结果，可用于比较自主电外科的闭环控制与固定速度方案。
上海交大等作者提出 Constraint-preserving Temporal Recombination（CTR），一种训练期数据干预方法，在保留各臂局部传感运动内容的同时重新调整片段时序，以保留任务要求的跨臂约束。
推荐理由：论文提出训练期数据干预方法 CTR，用于削弱双臂模仿学习中的虚假跨臂耦合，并在仿真与实机任务上对比多种策略。
ALIGN 提出一种条件对齐的优势条件行为克隆（AC-BC）框架，用于视觉-语言-动作策略，直接预测策略标签空间中的类别化成对条件，并通过 AdaRMS 调制与流时间融合注入 DiT 动作专家。
推荐理由：论文针对混合质量机器人数据下的优势条件行为克隆，提出条件对齐框架，并在两个实机任务上给出闭环成功率对比。
FR-VLA提出一种视觉语言力推理模型，用可学习的力查询token基于视觉语言上下文生成力准入信号，再用该信号调制外部的token化力通路来生成动作。作者指出已有VLA通常以固定通路注入力信息，未显式判断力反馈与当前动作是否相关。在两个机器人平台的五个接触密集任务实机实验中，FR-VLA在六个评估阶段取得最高平均成功率，轨迹可视化显示其力准入随交互阶段变化。
推荐理由：论文提出在力进入动作通路前先由视觉语言上下文判断力相关性的机制，并在两个机器人平台的五类接触密集任务上做了实机对比。
CondenseVLA 提出一种带可学习解码端历史压缩模块的多帧 VLA 策略，用可学习查询和多头交叉注意力把缓存的逐帧特征压缩为固定数量的 slot token，用于动作解码。
推荐理由：论文提出可学习的历史压缩模块，并给出仿真与实机成功率对比，可用于比较多帧 VLA 的历史信息利用方式。
OV-PEAR 是一个面向未知工业物体的三维重建与位姿尺度估计框架，通过实例分割生成物体级三维假设、经外观感知视角检索与显式尺度搜索对齐到机器人坐标系，再用多视角 RGB-D 证据反投影验证体素占据。
推荐理由：论文给出未知工业物体的位姿尺度估计与重建流程，并在BOP-Industrial和实机装配上报告结果，可供比较零样本位姿方法。
论文提出 Collective Experience Learning（CEL）范式，让已部署机器人把自身执行经验汇总起来更新共享策略，再返回机群使用。作者通过失败引导经验检索微调（FERT）实现该范式，操作员只提供二值回合结果标签和环境重置，无需额外专家示范或纠正动作；容错异步训练系统（FATS）协调机器人执行、云端推理与策略优化。
推荐理由：论文提出用已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收益。
论文提出 Progress-Guided Preference Generation（PGPG），一种无需人工在环监督的无监督偏好对齐框架，用于微调预训练的生成式控制策略。该方法通过有序覆盖对齐衡量自主采集轨迹相对少量专家演示的序列进度，自动提取伪偏好标签，并称无需手工设计奖励函数。在多项长程操作任务实验中，PGPG 优于标准监督微调基线，并可同时集成扩散策略与流匹配策略。
推荐理由：论文提出无需人工标注的偏好对齐框架，用少量专家演示自动生成伪偏好标签，可比较其与监督微调在长程操作任务上的差异。
一篇 arXiv 预印本在 RoboDojo 的六项操作任务上评测了九款前沿多模态语言模型，让它们直接控制真实机械臂。作者称这是首次在物理硬件上对广泛前沿模型做统一操作任务比较，结果显示这些模型能完成多种操作任务，但精度和效率尚不足以在实际动作预算内完成。2026 年 7 月至 10 月间基准性能对应 53.9 天的翻倍周期，最佳执行速率提升 4.4 倍，最低执行成本下降 6.2 倍。
推荐理由：在真实机械臂上统一评测九款前沿多模态语言模型，给出能力现状与性能翻倍周期，可作为通用模型直接控制机器人这一路线的参照。
研究提出 Skill-RSI，让强通用模型仅在离线阶段编写、运行、诊断并修复仿真中的操作技能，冻结后的技能以代码形式运行或由廉价调用器读取描述执行。
推荐理由：论文提出冻结技能加廉价调用器的复用路线，并给出编译成本、失败任务与隐藏布局上的对照数据。