跳到正文
  1. arXiv · 机器人与计算机视觉78

    TacBridge:通过跨传感器对应学习统一触觉表征

    针对 GelSight、DIGIT 等光学触觉传感器因成像几何和背景差异导致观测不一致的问题,论文提出 TacBridge 框架。该框架利用跨传感器掩码预训练学习时空表征,并在同传感器与跨传感器重建任务上联合训练,实验证明了其跨传感器泛化性与下游感知任务的迁移能力。

    推荐理由:提出 TacBridge 框架,通过跨传感器掩码预训练学习统一触觉表征,验证了多传感器间的泛化与任务迁移能力。

  1. arXiv · 机器人与计算机视觉83

    SALA:语义对齐的潜在动作实现具身基础模型的双轴扩展

    针对现有潜在动作模型仅通过视频重建导致表征按外观聚类而非动作的问题,该研究引入 SALA 方法,利用人类与机器人视频的语言描述估计语义相似度并建立跨载体对应关系。

    推荐理由:提出利用语言描述对齐人类与机器人潜在动作,无需配对数据即可统一监督信号。

  1. arXiv · 机器人与计算机视觉82

    Open-HumanWAM:一种用于扩展具身基础模型的开源人类与机器人经验配方

    该研究提出了 Open-HumanScale-50K 数据集及 Open-HumanWAM 模型,这是首个将以第一人称视角的人类视频预训练规模扩展到 5 万小时的完全开放方案。

    推荐理由:原文给出了基于5万小时人类视频预训练的开放配方与实验结果,相关团队可据此复现并验证纯人类数据在机器人策略学习中的缩放规律。

  1. arXiv · 机器人与计算机视觉78

    行为图:用于解读机器人部署数据的无监督图结构

    针对机器人部署产生海量高维数据难以分析的痛点,本文提出行为图方法,通过识别相似行为模式、连接时序并关联结果,将策略 rollout 压缩为可解释的有向图。用户研究显示该方法比视频更易分析且能预测任务进度。

    推荐理由:提出行为图方法压缩机器人部署数据,用户测试显示其比视频更易分析且能预测任务进度。

  1. arXiv · 机器人与计算机视觉78

    RoboAtom:大规模原子动作监督用于机器人学习

    针对现有机器人数据集缺乏细粒度子任务标注且格式不统一的问题,该工作提出 RoboAtom-Data,为多源数据添加统一的、时间对齐的原子动作标注,涵盖 145 万条轨迹和 688 万个技能标记片段。

    推荐理由:该工作提出 RoboAtom-Data,为多源机器人数据提供统一原子动作标注与基准,并证明其能提升技能识别精度及分层执行的任务成功率。

  1. arXiv · 机器人与计算机视觉82

    OmniBrain-0:一种用于具身智能的统一代理模型

    论文介绍 OmniBrain-0,这是一个轻量级统一具身代理模型,旨在协调操作与导航任务。该模型采用共享高层决策架构,结合任务理解、规划及反馈驱动恢复机制。研究提出渐进式训练框架,整合具身预训练、领域专用代理蒸馏及多教师在线策略蒸馏(MOPD),并将 Rubric-Guided Recursive Self-Improvement 数据飞轮引入以持续优化专家模型。

    推荐理由:报告提出 OmniBrain-0 统一代理架构,通过渐进式训练与递归自我改进机制整合多模态能力。

  1. arXiv · 机器人与计算机视觉78

    Guardian:利用视觉语言模型检测机器人规划与执行错误

    针对机器人操作失败检测中高质量失败数据稀缺的问题,本文提出自动框架在仿真与现实环境中生成多样化规划与执行失败轨迹,构建 GuardianFail-36k 大规模推理数据集。基于此训练的多视角推理 VLM(Guardian)在三类未见现实基准上达到最先进水平,并与先进 LLM 操作策略集成后显著提升任务成功率。代码、数据及模型已开源。

    推荐理由:提出自动框架生成多样化机器人规划与执行失败数据,构建大规模推理数据集并训练多视角 VLM 以统一验证规划与执行。

  1. Hugging Face Daily Papers83

    EnvLunch:将环境作为交互学习的免费午餐

    针对智能体数据分析需大量标注任务的痛点,该方法提出 EnvLunch 阶段,利用可执行环境的丰富交互结构生成无标注任务,让模型仅凭最终观测恢复等效轨迹。实验显示,该预热策略使模型在各类下游训练预算下平均超越基线超 9 个点,且仅需少量标签即可达到基线需 8 至 32 倍数据量的准确率。

    推荐理由:该预印本提出利用可执行环境本身作为无标注任务来源,在下游强化学习前进行免标签预热训练,显著降低对人工标注数据的依赖。

  1. 智元 AGIBOT · Newsroom87

    智元开源 AGIBOT WORLD Release 4:面向物理推理的数据集

    智元宣布开源 AGIBOT WORLD 2026 的第四版发布内容“物理推理”数据集,将任务设计重心从操作难度转向决策复杂度。该数据集覆盖具身智能五大研究方向,包含超 10 类逻辑推理场景,记录同一目标在不同状态与约束下的决策与执行过程。通过连接高层指令、子任务分段、动作步骤及空间标注,支持决策模型与底层策略的协同训练,旨在帮助机器人从孤立操作迈向自主完成复杂现实任务。

    推荐理由:智元开源 AGIBOT WORLD Release 4,提供涵盖多状态约束的物理推理数据集与细粒度标注,支持决策 - 执行联合训练。

  2. arXiv · 机器人与计算机视觉82

    FluxVLA Engine:面向具身智能的一站式 VLA 工程平台发布

    FluxVLA Engine 是一个开源的配置驱动型工程平台,旨在将异构的具身策略组件转化为可复现的数据至部署工作流。该平台标准化了数据集、视觉语言与世界模型接口,集成了双臂仿真、自动数据生成及人机协同修正功能,并通过实时分块与加速推理后端支持物理执行。代码已公开于 arXiv 链接,解决了阻碍具身学习算法可靠部署的工程瓶颈。

    推荐理由:FluxVLA Engine 提供统一配置驱动平台,整合仿真、数据生成与实时推理接口,解决具身策略从算法到部署的工程碎片化问题。

  1. 智东西 · 机器人84

    英伟达开源Flora数据引擎,低成本转化海量机器人视频为训练信号

    英伟达发布并开源了面向机器人数据集的数据引擎Flora,该系统由动作描述、时间分段和奖励三个模型组成,可将原始机器人视频转化为带时间戳的动作描述及过程/结果奖励。Flora基于Qwen3.5微调,在WGO-Bench等基准测试中表现优异,标注成本约为GPT-6 Astra的1/125(每小时0.72美元对比88.49美元),目前已用于训练GR00T系列模型。

    推荐理由:英伟达开源Flora数据引擎,将机器人视频转化为高质量训练信号,成本仅为GPT-6 Astra的1/125。

  1. arXiv · 机器人与计算机视觉84

    行动前先改写:表征与缓解视觉语言动作模型的语意敏感性

    视觉语言动作模型(VLAs)对指令措辞高度敏感,单字修改即可导致成功率大幅波动。研究通过统计测试和 oracle 短语搜索发现,仅凭措辞调整可缩小分布内与分布外任务间的性能差距。

    推荐理由:原文揭示了 VLA 对指令措辞的高度敏感性,并提出无需重训的改写规则蒸馏方法,可显著提升模型在分布外任务上的成功率。

  2. arXiv · 机器人与计算机视觉82

    TouchScale:500 小时人类视觉与触觉交互数据集用于视觉 - 触觉学习

    TouchScale 是一个包含约 500 小时接触丰富的人类交互数据的统一数据集,使用单一穿戴设备同步采集了第一人称 RGB-D 视频、手腕 RGB 视频及双手密集触觉测量数据。

    推荐理由:TouchScale 数据集提供统一穿戴设备采集的 500 小时视觉 - 触觉同步数据,显著提升了零样本触觉预测精度与机器人操作成功率。

  1. arXiv · 机器人与计算机视觉83

    紧凑机器人策略需要细粒度视觉表征

    该论文提出 CoRP(Compressed Representation Policy),这是一个仅含 48.9M 参数的紧凑策略模型,不包含视觉语言模型或视频生成先验。

    推荐理由:论文提出 CoRP 紧凑策略,证明预训练视觉表征与压缩机制比参数规模更关键。

  2. arXiv · 机器人与计算机视觉78

    MobileVISTA:面向移动操作任务的生成式数据增强框架

    MobileVISTA 是一个数据生成框架,旨在解决端到端操作策略在机器人部署时因微小姿态偏差导致性能骤降的问题。该框架将采集于标准姿态下的演示数据转化为多样化、姿态扰动后的训练数据,通过联合增强以眼为中心(egocentric)的视觉观测并重新定向动作以补偿基座姿态变化。

    推荐理由:该框架将演示数据转化为多姿态扰动数据,无需额外采集或生成模型即可提升策略对非分布内姿态的鲁棒性。

  1. arXiv · 机器人与计算机视觉82

    EgoSteer:面向可操控灵巧操作的开源全栈系统

    EgoSteer 是一个面向可操控灵巧操作的开源全栈系统,整合了 EgoSmith 数据管道、统一机器人堆栈及世界模型增强的 VLA。系统在 9,606 小时第一人称视频上预训练,并通过遥操作与 DAgger 微调,在 45 个多样化任务中稳健执行自由指令,并在两个具身平台上对长周期任务达到 79% 平均进度。代码、数据集、模型检查点及评测画廊已公开。

    推荐理由:开源了基于第一人称视频预训练的灵巧手 VLA 系统,提供数据管道与仿真增强策略以支持遥操作微调。

  1. Figure · News75

    Figure 发布 Index:全球最大的多样化物理数据集

    Figure 正式推出 Index,这是全球最大的多样化机器人训练数据集,数据源自全球超过 108 个国家的创作者上传的真实任务视频。该数据集包含 373 个独特任务、1,146 个被操作物体和 116 种环境,涵盖从家务到工业场景的长尾分布。Figure 计划在未来 12 个月投入超过 10 亿美元用于数据与计算,以支持其 Helix AI 栈的训练与泛化能力。

    推荐理由:Figure 正式发布 Index 数据集,通过全球创作者网络收集了海量真实物理交互视频,旨在解决机器人泛化难题并支撑 Helix 栈训练。

  1. The Decoder · Robotics78

    Xiaomi-Robotics-1 模型发布:更多数据胜过更大模型

    Xiaomi-Robotics-1 是一款旨在适应陌生环境和快速学习新任务的具身智能基础模型。该团队利用手持机械臂采集了超过 10 万小时的运动数据,并通过 AI 自动标注完成预训练。

    推荐理由:小米展示新模型证明在机器人运动训练中,增加数据量比扩大模型规模更能提升泛化性能。

  1. Generalist · Research Blog70

    Frontier Lab 获新一轮融资以加速物理 AI 发展

    Frontier Lab 宣布获得包括 Radical Ventures(领投)、8VC、Union Square Ventures 等在内的新一轮融资,总融资金额超过 5 亿美元。公司计划利用这笔资金继续推进机器人学习规模化,开发下一代模型并扩展物理数据引擎与计算基础设施。此前 GEN-1 模型已在灵巧操作任务中展现出高可靠性与执行速度提升,新资金将支持其构建跨形态、环境与应用的通用智能系统。

    推荐理由:Frontier Lab 宣布获得包括 Radical Ventures、NVIDIA 等在内的新一轮融资,将用于加速机器人基础模型与物理 AGI 的研发及基础设施扩展。

  1. Generalist · Research Blog72

    Generalist 博客:机器人的暗物质——物理常识

    文章将“物理常识”定义为机器人在真实世界中应对不确定性、摩擦与滑移的直觉反应能力,指出当前基于互联网文本训练的模型缺乏闭环交互因而无法获得此能力。作者分享了团队通过开发轻量级手持设备采集自然操作数据(如编织、削土豆)的实验,发现此类数据能诱导模型涌现出类似人类的恢复与微调行为。文章认为物理常识是机器人基础模型的底层结构,将推动机器人从结构化环境走向开放世界,是实现通用智能的关键转折点。

    推荐理由:作者提出物理常识是机器人泛化的关键,并分享了通过手持设备采集自然交互数据以诱导模型涌现能力的实验思路。