2026 年第 43 周 · 10.19 — 10.25
本期文章 222
OWLS：面向零样本漫游车导航的开放世界语言条件速度场
OWLS 提出一种开放世界语言条件速度场方法，直接在以可通行地形描述为提示的视觉语言模型稠密特征图上规划。模型对单张相机图像的每个像素打分，OWLS 将分数投影到地面，经两次形态学操作适配平台，再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。
RoboCode：学习可复用动作基元的机器人操作策略
RoboCode 提出一种共享软门控动作基元接口，把动作块表示为多个学习基元的软组合，而非单一离散编码。该接口在多个任务的动作块上学习后冻结，再训练任务特定的状态编码器映射到共享潜空间。在五个 ManiSkill 操作任务上，动作块平均重建 MSE 为 0.0187，闭环平均成功率为 75.6%，高于 ACT 的 68.8% 和 Diffusion Policy 的 41.6%。
WorldMirror：从野外机器人演示生成可交互仿真世界的智能体框架
WorldMirror 是一个智能体式 real-to-sim 框架，可从野外机器人演示构建可交互数字孪生。它把 real-to-sim 构建表述为可执行世界程序的迭代精炼：编码智能体分解场景、规划重建步骤并调度图像与 3D 生成工具，再通过验证反馈修正程序。在 DROID 上的实验显示，该框架能重建视觉忠实、几何一致的可交互世界，并保持所记录机器人轨迹的物理有效性。
PS-DLO：融合属性与空间感知的可变形线性物体操作策略
PS-DLO 提出一种属性与空间感知的可变形线性物体操作策略，通过对比图文学习把初始观测映射为物体属性的类别描述，并用 SAM3 从未来观测提取掩码引导特征、蒸馏进策略的动作专家。作者在单臂和双臂平台的九个真实任务上为每种本体训练共享多任务策略，平均成功率达 68.9%，比最强基线高 20.0 个百分点；在蝴蝶结解结的七种视觉偏移条件下，有六种成功率高于基线。
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。
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%。
AIM：通过动作影响力最大化训练可控世界模型
论文提出 Action Influence Maximization（AIM）算法，主动采集训练数据以提升数据集的动作影响力，从而改善动作条件世界模型对指令的响应。
ThinkLocoManip：面向腿式移动操作的全身体控制智能体框架
ThinkLocoManip 提出一种面向腿式移动操作的全身体控制智能体框架，采用推理与行动交错的范式，让智能体持续推理当前状态、执行动作、观察结果并调整策略。
PanoGraphGS：用高斯泼溅统一全景分割与分层3D场景图
PanoGraphGS 提出一个统一框架，将全景3D高斯表示学习与分层3D场景图构建结合，在共享高斯几何上学习语义与实例特征。其语义感知场景图模块可恢复楼层-房间-物品-物体的层级及包含与空间关系，并支持新视角全景分割与高斯级全景解码。
PrefO2O：通过离线到在线潜偏好迁移实现零样本偏好强化学习
PrefO2O 提出一种离线到在线潜偏好迁移框架，可在没有人工反馈的情况下对未见目标任务做零样本偏好强化学习。该方法从源任务的少量离线偏好数据中学习任务无关的潜偏好空间，将可迁移偏好结构与任务特定变化解耦，并用置信度加权最优传输对齐生成伪偏好监督用于在线奖励适配。
Real2Sem2Real：用单段人类RGB演示生成机器人学习数据
Real2Sem2Real（R2Sem2R）提出从真实到语义再到真实的流程，把一段单目人类演示RGB视频转成同一类别多个语义物体实例上的数千条机器人演示。
基于注意力接触规划的人形机器人移动学习框架
研究提出一种人形机器人移动学习框架，将运动数据仅作为训练先验，用自监督注意力接触规划器预测未来身体与环境接触，再由接触条件跟踪器生成全身协调动作。该框架让单一策略在部署时仅依赖机载观测、无需参考输入，并通过后续微调探索原始运动数据未覆盖的环境变化。作者称这一设计使策略内化接触感知的运动结构，而非直接复刻运动学轨迹。
Collective Experience Learning：用96台机器人的部署经验改进操作策略
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。
CusADi2 开源库：在 GPU 上低延迟批量计算机器人运动学、雅可比与海森矩阵
CusADi2 是一个开源软件库，通过在单个批次实例内部额外并行化计算，降低机器人运动学、雅可比与海森矩阵的批量求值延迟。
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。
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。
Cut a Wall, See a Wall：建筑机器人遮挡点云感知中的身份替换问题
论文研究建筑机器人点云分割在测试时遇到整区域遮挡时的表现，发现网络不只是漏检被遮挡构件，而是把它们重新标注，且错误集中到单一汇类。固定合成布局下该汇类吸收最多70%的测试点，随机布局下汇类转移到楼梯，预测占比为真实份额的4.5-5.4倍（三个训练种子），基线mIoU降至0.15-0.27（固定）和0.36-0.72（随机），单个测试集最多有269个完整物体消失。
HumanoidNDM：用神经动力学模型在线微调人形运动跟踪策略
HumanoidNDM 是一个面向人形机器人运动跟踪的在线微调框架，用实机训练的神经动力学模型缩小训练与部署之间的动力学差距。数据采集阶段采用带自适应强度机制的低频参考扰动方法，模型训练阶段在欧氏空间训练基于历史本体感知的神经动力学模型并引入可微前向运动学，从而不依赖动捕系统。
NVIDIA 等提出 Joints, Camera, Action!：为任意骨架联合生成 3D 运动与视频
NVIDIA 等机构的研究者提出 Joints, Camera, Action! 模型，可为任意给定骨架同时生成视频与可重放的 3D 运动，并估计相机把运动配准到场景。
PhysCanvas：用于机器人策略评估与学习的视觉触觉世界模型
PhysCanvas 是一个面向接触密集机器人操作的视觉触觉世界模型，将多视角 RGB、触觉图像、标记位移、任务状态与动作统一到同一视觉空间，并共享视频 VAE 与预训练生成骨干。