2026 年第 43 周 · 10.19 — 10.25
本期文章 222
LocoManiLab：人形机器人移动操作的数据、策略、控制器与部署统一测试台
LocoManiLab 提出一个覆盖数据采集与生成、策略训练、评测和物理部署的人形机器人移动操作统一测试台。其任务集包含五类家庭场景下的 234 个原子与组合任务，配套 51.5 小时仿真遥操作数据。
FRED：用自蒸馏与时间上下文提升世界动作模型的未来视频表征
论文提出 FRED 框架，通过自蒸馏让世界动作模型（WAM）在单步去噪中从噪声预测未来视频表征，并以真实未来观测提取的表征作为目标，同时用历史观测提供时间上下文。作者称在多种真实操作场景中 FRED 持续优于对比的 WAM，在零样本环境泛化的长时程与域外任务上提升明显。在仅有人类视频演示、未出现在机器人训练数据中的任务上，FRED 达到 50.0% 任务成功率，对比最佳 WAM 为 19.4%。
论文系统评测 GPT-6 Astra 直接控制机器人操作的能力
论文系统评测了 GPT-6 Astra 在轻量智能体执行框架下的闭环机器人操作能力，在 RoboDojo 上成功率为 26.92%，在 RoboTwin 2.0 上为 76.0%。
RoboCasa-Shift：面向长程家务操作 VLA 策略的分阶段鲁棒性评测基准
作者提出 RoboCasa-Shift，一个基于 RoboCasa365 的诊断性鲁棒性基准，结合受控单因素扰动、共享相同设置仅目标扰动不同的配对干净-扰动 rollout，以及仿真中的分阶段诊断。
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，一种结合类别条件房间-锚点先验与持久空间语义记忆的分层图引导世界模型，用于零样本目标导航。该方法用视觉语言模型对候选朝向打分，并在细阶段比较观测到的物体与关系同目标先验的匹配，再按阶段融合这些信号与语言模型建议来引导局部导航。
Soft-Object World Model：面向双臂软体衣物操作的上下文学习世界模型
研究提出 Soft-Object World Model，用 transformer 骨干在大规模仿真软体交互数据上训练，通过变长部分点云历史的上下文学习推断潜在形状与材质线索，实现生成式全状态估计和动作条件动力学预测，并采取措施缓解 sim-to-real 差距。
GlobMP：具身机器人连续时间运动规划与引导方法
作者提出GlobMP（Global Motion Planning），一种在分段多项式曲线上运行的梯度投影方法，将运动规划与引导统一为连续时间规划问题，使约束在运动全程而非采样点成立。
ALMA：用LLM辅助主动任务生成的空中移动操作策略学习框架
论文提出ALMA空中移动操作框架，用上下文飞行策略适应机械臂外部指令，并通过LLM分析控制难点、生成新的机械臂运动结构用于后续训练。仿真中位置RMSE相对最强基线最多降低24.7%，同一策略零样本迁移到真实空中机械臂后，在周期性机械臂运动下悬停位置RMSE相对真实世界基线降低79.6%。
NimCritic：动作感知量化的长程任务进度建模
作者提出动作感知量化方法，用视觉语言模型把长程轨迹拆成物体级子任务并分配加权动作信用，并据此构建 800 小时以上训练视频数据集和含 19,618 个人工校准评估帧的长程进度基准 LOOM。
研究：流匹配 VLA 策略中单步欧拉积分已足够
一项 arXiv 预印本研究考察流匹配 VLA 机器人策略中欧拉积分的单步与多步采样差异，作者在六个流匹配 VLA 上发现，模型训练充分且容量足够时，单步动作生成大体可匹配多步采样，多步积分在推理阶段几乎没有一致优势。作者据此指出，对大型 VLA 而言，单步策略可直接从多步模型获得，无需重训练、蒸馏或额外辅助目标，从而支持低延迟部署。
EBV-CAN：面向接触辅助内窥镜导航的视觉语言策略
研究提出EBV-CAN，一种结合初始全局鸟瞰图、内窥镜观测与电机状态的视觉语言策略，用于柔性内窥镜的接触辅助导航。团队构建VLCA数据集，包含517条演示、75k动作样本、958k空间条目和93k剩余路径记录；在50个留出回合中，尖端坐标与路点定位分别达到97.5%和94.8%。
TEAR：面向机器人操作的任务证据控制权路由框架
TEAR 是一个可在机器人端部署的框架，在人类遥操作与本地自主之间分配控制权，依据网络状态证据和任务语义证据决定何时切换。作者称在动态网络条件下的仿真与实机试验中，TEAR 的任务成功率接近纯遥操作，同时把遥操作限制在 19.8%–27.4% 的控制步数内，在其设置下比纯自主执行的成功率提升 30%–40%。
OCT引导的软组织几何建模：面向数据驱动闭环形状控制的三维表征
研究提出一种由OCT引导、从用户示范学习并用闭环OCT反馈执行的软组织形状控制框架，比较全容积、组织掩膜稀疏容积和体素化点云三种表征，以及确定性Explicit策略与生成式Diffusion策略。
STAMP：借助人类运动先验实现机器人动作衔接
论文提出 STAMP 框架，通过 Robot-to-Human-to-Robot 流程把独立采集的人形机器人动作连接成连续序列。其核心是学习到的对齐模型，在动作重定向到人体骨架后为后续动作排序候选位置、朝向和过渡时长，再由人类运动先验在选定对齐下生成过渡。作者在 Unitree G1 和 ROBOTIS K1 上评估生成过渡的跟踪成功率，并用实机演示展示 STAMP 将独立动作连成长时程序列。
LocoPilot：单操作员双边遥操作采集四足移动操作策略数据
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。
CausGround：面向自适应具身规划的因果交互接地框架
CausGround 是一个非参数化的因果交互接地框架，把交互经验提炼为以动作为中心的因果知识，用于具身规划。它识别动作前置条件与效果，并以分解式世界状态表示组织物体属性和物体间关系，规划时把任务相关因果依赖接地到当前观测，支持前置条件的反向推理与效果的正向推理。
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。
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。
AdaDex：用混合灵巧模仿学习可泛化灵巧操作技能
AdaDex 是一个目标条件强化学习框架，能把数秒的单条手-物轨迹（来自动捕或野外 RGB(D) 视频的 HOI 重建）转化为可泛化的灵巧技能。其核心 Hybrid Dexterous Mimicking 在两类大规模并行环境上训练共享策略：密集运动跟踪环境注入人类先验，带噪声初始状态与稀疏物体成功奖励的泛化环境迫使技能脱离参考轨迹。
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。