MIT韩松团队联合英伟达发布Long-WAM:延长视觉上下文提升机器人长时程操作成功率
10月8日,MIT韩松团队联合英伟达、香港大学和加州大学圣地亚哥分校发布了世界动作模型Long-WAM。该框架旨在满足实时控制要求的同时扩展因果世界动作模型的上下文长度,利用历史视觉信息辅助动作决策。
推荐理由:MIT韩松团队联合英伟达等发布的Long-WAM,通过分阶段预训练扩展了世界动作模型的视觉上下文长度,在保持实时响应的同时显著提升了复杂连续操作任务的成功率。
10月8日,MIT韩松团队联合英伟达、香港大学和加州大学圣地亚哥分校发布了世界动作模型Long-WAM。该框架旨在满足实时控制要求的同时扩展因果世界动作模型的上下文长度,利用历史视觉信息辅助动作决策。
推荐理由:MIT韩松团队联合英伟达等发布的Long-WAM,通过分阶段预训练扩展了世界动作模型的视觉上下文长度,在保持实时响应的同时显著提升了复杂连续操作任务的成功率。
论文介绍 Sensor-Language-Action (SLA) 建模框架,将多模态传感器观测、自然语言与动作在统一模型中连接,利用语言作为语义接口实现异构动作的表示、预测与解释。
推荐理由:该工作提出统一传感器、语言与动作的建模框架,并构建大规模基准验证其在临床预测等真实任务中的性能。
该研究针对非结构化环境中复杂动力学系统的运动规划难题,提出了一种改进的 Bidirectional Incremental Generalized Hybrid A*(Bi-IGHA*)算法。
推荐理由:论文提出双向增量广义混合 A*算法,通过分层分辨率与冻结顶点机制解决搜索耦合问题,在仿真及真实机器人系统中验证了计算效率提升。
该研究针对电动汽车通过再生制动回收能量的特性,对比分析了四种控制器(NMPC、PPO、PID-SF 和 Stanley)在统一运动学模型下的表现。作者使用 JIT 编译的 CasADi 实现 NMPC 以满足实时性要求,并训练 PPO 策略使其能直接迁移到未见的赛道(如 ISO 3888-1 变道、发卡弯及随机参数样条曲线)以及动态单轨车辆模型。
推荐理由:本文对比了 NMPC 与 PPO 等控制器在电动汽车路径跟踪中的表现,验证了基于强化学习的策略在无微调情况下对动态车辆模型及复杂路况的零样本迁移能力。
论文提出利用工业级匹配引擎解决平衡离散最优传输问题,证明在中等规模(n=500 至 8000)下,Jonker-Volgenant 算法比熵正则化 Sinkhorn 及其加速变体 Greenkhorn 更快且精度更高。
推荐理由:原文通过实验对比证明,在中等规模离散任务中精确匹配算法比近似方法更快且更准,并给出了多机器人分配场景下的额外成本数据。
针对传统优化类泊车规划器仅在采样时刻施加碰撞约束导致车辆角点穿障的问题,提出一种适用于带倒挡车辆的规划器。该方法在每次迭代均满足离散动力学并保证整车矩形避开障碍物:每个时间步生成一个凸走廊以容纳两端车角并通过扫掠余量收缩;利用分离半平面为初始猜测处于碰撞状态时提供避障方向,后续基于速度、曲率和步长生长对齐航向的盒状区域并在接受步骤后重建。
推荐理由:提出一种基于优化的泊车规划器,在每次迭代均满足离散动力学且保证车辆矩形不穿入障碍物。
该论文提出 WEFT(Whole-system Evolution For Tool-use Post-training)框架,旨在解决仅扩展执行环境无法保证模型性能提升的问题。
推荐理由:提出 WEFT 框架,通过全系统协同进化解决工具使用后训练中的信号一致性问题。
地平线联合无问智科发布机器人指令理解与操作评测基准InstructMove,旨在解决机器人仅凭视觉捷径完成任务而忽视语言指令的问题。该基准基于Text-Indispensable原则,在场景中设置多个可操作候选目标,强制模型依赖语言消歧。
推荐理由:地平线发布InstructMove基准,通过多候选目标场景验证语言对动作选择的必要性,并证明仿真数据能提升真机指令跟随能力。
Agility Robotics 发布了新的人形机器人 Digit 5,其核心突破在于通过自主避让或坐下确保物理上不可能摔倒伤人,实现了无需物理屏障即可在人类附近工作。
推荐理由:文章分析了 Agility Robotics 发布的 Digit 5 人形机器人在安全性、续航与负载上的平衡,并披露了成本估算与服务定价模式。
智元发布原生世界动作模型 GE-Act 2.0,提供首个关于原生世界动作模型可扩展预训练路径的系统性验证。该模型从随机初始化开始训练所有参数,在零样本评估中展现了随数据规模扩大(300 至 30,000 小时)而涌现的新能力与跨机器人本体的迁移效果。材料介绍了其控制导向自编码器、单步视觉规划及知识对齐选择性优化等架构设计,并指出其与 GE-Sim 共同构成世界模型框架。
推荐理由:智元发布原生世界动作模型 GE-Act 2.0,验证了训练数据规模扩大带来的能力涌现与跨本体迁移路径。
2026 年 8 月 20 日,在 World Robot Conference 上,Orbbec 与 CMOS 图像传感器供应商 SmartSens 宣布达成战略合作。
推荐理由:Orbbec 与 SmartSens 宣布深化战略合作,将全球快门 CIS 技术整合进机器人免手持数据采集平台,以支持物理 AI 的高质量数据收集。
奥比中光在 2026 世界机器人大会(WRC)上正式发布“多维感知”新品,包括无机器人数据采集硬件平台和 Physis 系列机器人视觉相机。该平台提供 EGO、UMI、WristCam 及 Hub 四种形态,旨在高效采集真实世界的交互数据,支持规模化部署。
推荐理由:Orbbec 发布无机器人数据采集平台与 Physis 系列相机,提供高可靠多模态数据获取方案以支持物理 AI 训练。
Google DeepMind 正式发布 Gemini Robotics 2,旨在为下一代自适应机器人提供核心智能层。该系列包含三个模型:最先进的全身体视觉语言动作模型(VLA)支持从脚部到指尖的复杂操作;具身推理模型(ER)负责多步任务规划与人类交互;端侧优化模型(On-Device)可在数小时内适配全新机器人本体。
推荐理由:DeepMind 推出 Gemini Robotics 2,提供全身体控制、灵巧操作及多机协作能力,并开放 On-Device 端侧适配与 ASIMOV-Agentic 安全基准。
Orbbec 与蚂蚁集团 Robbyant 深化合作,Robbyant 发布下一代空间感知模型 LingBot-Depth 2.0,该模型已通过 Orbbec 深度视觉实验室认证。
推荐理由:Orbbec 与蚂蚁集团 Robbyant 联合发布经认证的 LingBot-Depth 2.0 深度补全模型,结合 Gemini 330 相机硬件解决透明物体等复杂场景感知难题。
NVIDIA Research 在 ICRA 会议上展示了八篇论文,推动机器人从受控演示向真实世界通用自主性转变。
推荐理由:NVIDIA Research 在 ICRA 展示多项 sim-to-real 技术,涵盖多臂协同、灵巧操作与视觉语言动作模型,提供 GitHub 代码与 Isaac Lab 等工具链入口。
DeepMind 正式发布 Gemini Robotics-ER 1.6 模型,该版本在空间推理、多视角理解及仪表读数能力上显著优于前代。新增的仪表读数功能允许机器人自主解读压力计和液位计等复杂工业设备,结合波士顿动力 Spot 机器人的实地需求开发。
推荐理由:DeepMind 发布 Gemini Robotics-ER 1.6,新增仪表读数能力并强化空间推理与多视角理解,开发者可通过 API 和 Colab 立即试用。
Open Robotics 正式宣布成立开源机器人联盟(OSRA),旨在确保其开源机器人软件项目的长期稳定性与健康度。OSRA 将负责管理 ROS、Gazebo、Open-RMF 及其基础设施,采用混合会员制与功绩参与模式以增强社区决策参与度并获取资金支持。
推荐理由:Open Robotics 宣布成立开源机器人联盟 OSRA,通过混合治理模式接管 ROS、Gazebo 等核心项目以保障长期稳定。