2026 年第 43 周 · 10.19 — 10.25
本期文章 222
Scan2Instruction与PRPT-KS：一次扫描实现语言引导导航的无示范适配
研究提出Scan2Instruction与PRPT-KS，用一次简短的iPhone扫描替代人工示范，完成语言引导导航策略在新场景的适配。Scan2Instruction把扫描结果编译成完整训练环境并自动合成带指令的可执行导航片段，PRPT-KS则直接从重建场景读取闭式Pareto效用更新策略，无需学习型critic和人工标注。
Open-World Law-to-Action：用视觉语言先验与触觉推断隐藏物理
Mohamed A. Mabrok 提出 Open-World Law-to-Action（L2A），由视觉语言模型为每个可动部件提出运动方式、运动定律项和可能的锁定因素，再以带下限的先验形式交给触觉在线修正。
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。
POD-RoPE：面向具身AI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，并在分布退化为单点时还原为逐点 RoPE。
Co^2Gen：为去中心化多机器人与人类协作自动生成任务规划
Co^2Gen 提出一个框架，用去中心化协作规划方法生成可执行函数形式的多机器人协作计划，再据此产出协作演示数据，以去中心化方式微调 VLA 模型，无需人工遥操作。作者称，用这些数据微调后的 VLA 模型在去中心化协作任务上的表现，与用人工遥操作协作数据微调的模型相当。该工作针对 VLA 模型与其他机器人及人类协作能力尚未被充分探索的问题。
研究用稀疏自编码器解读 OpenVLA 的成功与失败模式
研究显示 OpenVLA 激活的稀疏自编码器（SAE）表征含有结果预测信息，可在机器人进入不可恢复状态前预测任务失败。作者还找出与成功或失败特定阶段相关的单个 SAE 特征，通过定位这些特征激活显著变化的时间区间来归纳重复出现的行为模式，并构建基于 VLM 的解释流程生成行为描述，在留出区间上验证其与特征激活的对应关系。
Live Thread Reconstruction for Autonomous Manipulation：面向自主操作的缝合线实时重建
论文提出一种图像到操作的流程，在自主操作缝合线时同步生成缝合线的实时重建，并执行安全且优化的连续操作以完成长时序任务。作者指出，可变形缝合线没有固定位姿可跟踪、自由度近乎无限，其状态需要重新估计而非假定；缝合线操作又依赖过去与当前的接触点，必须被准确、连续地跟踪。
几何感知强化学习用于紧身可穿戴物插入任务
研究将机器人辅助穿衣表述为几何感知插入问题，用身体部位与衣物开口的空间关系替代完整可变形物体状态，并提出结合分阶段课程与逐指插入软门控的强化学习框架。训练后可变形评估中完整方法成功率为84.7±1.2%，消融显示插入门控贡献最大，叠加课程后得分最高。在假人手模型上，同一完整策略于实机20次试验中成功15次。
TravSUITE：自监督不确定性感知IRL与地形估计的可通行性系统
TravSUITE 是一个面向越野高速导航的可通行性系统，由利用视觉基础模型构建几何语义局部地图的体素建图器，以及联合预测 BEV 几何、语义、速度与代价的统一神经网络组成。
UniFlowWAM：融合视觉语义与4D几何的统一世界-动作模型
上海交通大学等团队提出 UniFlowWAM，将3D场景流作为与视觉、动作并列的第三模态，构建统一世界-动作模型。该模型采用扩散Transformer，每个模态一个专家，通过联合注意力交换信息，并在十目标角色网格下训练，同一模型可充当策略、前向与逆向动力学以及未来视觉特征或3D流预测器。
DiscoDemo：用强化学习生成多样机器人演示以改进模仿学习
DiscoDemo 提出用强化学习生成多样化机器人演示数据，再导出为静态数据集供下游视觉运动模仿学习使用。该方法训练带特权信息的潜在条件强化学习生成器，结合并行逆向课程与成功门控的多样性目标，产出多条成功的闭环行为并做安全过滤。
arXiv 论文研究月面机器人集群的涌现式协同保温
arXiv 论文研究月面机器人集群能否以自身成员作为热屏蔽，用强化学习训练一套由二十台机器人共享的策略。策略只在月夜结束时收到一次奖励，即最冷五台机器人的平均温度，奖励不含位置、间距、暴露或运动信息，集群仍涌现出聚集和在外围与核心间轮换两种行为。
研究：VLA 全权重微调缺少 fp32 主副本会静默抹掉大部分更新
一项 arXiv 预印本研究指出，VLA 模型以 bf16 训练且无 fp32 主副本时，AdamW 会把小于权重 1/512 的更新直接舍入掉；12 个开源 VLA 代码库中有 9 个默认或文档配方这样训练，包括 LeRobot 的 SmolVLA 默认配置及其 π0/π0.5 指南。
FORCA：面向接触密集机器人操作的力感知编码智能体
FORCA 是一个以视觉观测和腕部力/力矩测量为输入、为接触探测与力响应运动编写 Python 程序的编码智能体，无需演示、任务特定训练或仿真。它在五次实机任务中覆盖三类接触密集操作：提升操作精度、适应物体或表面属性变化、在表面变化与物体运动下调节接触。与同一智能体的纯视觉版本相比，FORCA 提升了抓取精度和任务成功率，并减少了擦拭与剥离中的接触丢失。
EgoForesight：用带噪第一视角动作扩展 VLA 策略学习
EgoForesight 提出一种视觉-语言-动作框架，联合利用机器人演示与带噪第一视角视频训练策略，通过可靠性条件加噪、可靠性加权回归和特权未来表征蒸馏降低不可靠动作标签的影响。在 3 万小时预训练数据下，其缩放斜率比基线更陡，真实世界开环动作 MSE 降低 20.5%，RoboCasa 少样本成功率提升 8.1 个百分点。后训练后，该方法在仿真与真实世界的灵巧操作任务上也取得较强的绝对性能。
SEVI：面向真实世界策略学习的安全证据强化学习框架
作者提出 SEVI 框架，用于真实世界策略在线学习中的可靠性感知安全干预，其 Evidential Safety Critic 在一次前向计算中同时估计未来约束违反风险与认知不确定性。
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。
VecTile：低成本柔性触觉阵列实现三轴力感知
Jian Hou、Xin Zhou 与 Adam J. Spiers 提出 VecTile，一种 6 mm 厚、可自制的柔性触觉阵列，通过压阻层与被动硅胶凸点把法向和剪切力转换为可区分的压力图案，4x4 阵列整套成本低于 35 美元。
RGraph-Eval：用任务场景图评估机器人视频生成
作者提出 RGraph-Eval，一个基于参考演示的机器人视频生成评估框架，用任务场景图显式暴露物体错移、抓取消失、放置偏离等交互错误。该框架将任务实体、交互与运动组织在统一可解释的场景图表示中，由基础模型流水线识别操作角色、定位物体掩码、推断并核验状态转移与动作区间，并重建被操作物体的三维运动。
DynaSlots：面向机器人操作的槽位级 3D 动态预训练框架
DynaSlots 是一个无需动作标签的 3D 动态预训练框架，将每帧点云分解为少量时序一致的 slot，并在 slot 级别而非场景级别建模动态。它通过时序 slot 传播模块保持跨帧分配一致，用逆动力学模型从特征差异中提取每个 slot 的隐动作，再由扩散式前向动力学模型配合自监督交互头预测各 slot 未来状态。