蓝虫具身发布Mantis Ultra旗舰机器人,单臂负载15kg并支持自主换电
西安创企蓝虫具身于2026年11月发布第三代旗舰机器人Mantis Ultra,单臂末端最大负载达15kg,采用十字交叉并联腕关节与独角仙关节实现全身力控。该机器人配备四轮底盘、腰部旋转关节及自主换电系统,搭载“蜘蛛感知”多传感器融合方案并适配VLA模型。产品依托春茧本体、量子遥操作、虫洞模型训练及蜂巢云端四大平台体系,旨在承接工业现场高负载、连续作业任务。
西安创企蓝虫具身于2026年11月发布第三代旗舰机器人Mantis Ultra,单臂末端最大负载达15kg,采用十字交叉并联腕关节与独角仙关节实现全身力控。该机器人配备四轮底盘、腰部旋转关节及自主换电系统,搭载“蜘蛛感知”多传感器融合方案并适配VLA模型。产品依托春茧本体、量子遥操作、虫洞模型训练及蜂巢云端四大平台体系,旨在承接工业现场高负载、连续作业任务。
苏州物理AI数据基座服务商柏川数据宣布完成5000万元Pre-A轮融资,资金将用于构建“数据采集—山海数据管理平台—真实场景开发验证—高质量数据集”的业务闭环。该公司依托2座实训场与300余种工序渠道,月产能超5万小时,累计交付超20万小时有效数据覆盖12类场景。业务已拓展至欧盟等40余国,计划于2027年突破百万小时交付量并启用海外数据中心。
物理AI数据基座服务商柏川数据宣布完成5000万元Pre-A轮融资,投资方包括元禾厚望、毅峰资本和星海图。本轮资金将重点用于物理AI数据管线建设、具身智能算法研发及高质量数据集构建。
美国具身智能公司Genesis AI完成5亿美元A轮融资,投后估值约35亿美元。投资方包括NVIDIA、AMD、Eric Schmidt等。Genesis定位为全栈玩家,拥有自研物理仿真引擎Genesis World(Pearson相关系数0.8996)、数据手套采集百万小时多模态数据及通用模型GENE-26.5。
英伟达机器人与边缘AI副总裁Deepu Talla接受采访指出,GPT-6 Astra通过Agent调用物理AI工具,将仿真环境构建与系统集成效率提升约100倍。
该研究提出基于采样优化的框架,利用庞加莱返回图计算周期轨道周围的有限步不变层集,并附带有限步不变性的概率保证。理论分析确立了算法终止的充分条件,并在两个低维系统及 Compass-Gait 行走模型上进行了演示验证。相关代码与论文预印本已公开于 arXiv。
论文介绍 Orchestra 智能体框架,将多模态指令分解为有序子任务并跟踪完成状态,利用独立训练的进度评估器决定何时推进。在 RMBench-Compose 基准上平均成功长度为 7.35 个子任务,优于 HarnessVLA;在四个真实世界多步任务中相比基线提升 25%。代码与项目页面已公开。
针对现有导航系统依赖专用深度传感器或显式深度重建的问题,本文提出 Stereo-Planner,这是一个端到端的视觉到轨迹框架,能够仅凭立体 RGB 观测实现零样本的仿真到现实(Sim-to-Real)规划。
这篇论文将具身智能的数据生态系统组织为包含真实机器人、UMI 风格、第一/第三人称视角、仿真及通用视觉语言数据的五层金字塔。作者分析了不同数据源在可扩展性与机器人对齐之间的张力,并评估了其在质量、多样性、复用性和物理保真度方面的特征。
该论文提出一种基于时空凸集图(ST-GCS)的框架,用于解决连续时空规划和多机器人协同问题。该方法通过精确凸分解(ECD)处理移动障碍物和已规划机器人的占用空间,并利用最佳优先求解器优化分段线性轨迹的几何与时序。实验表明,该方法在大规模仿真中能在 1 分钟内协调多达 100 台机器人,且真实机器人演示验证了框架的实际适用性。
针对单目视频演示到人形机器人运动迁移的形态失配问题,本文提出直接动态重定向(DDR)方法。该方法在物理仿真器中利用基于采样的模型预测控制求解器,直接在任务空间追踪人体关键点,无需接触标注或中间几何重定向步骤。
推荐理由:提出直接动态重定向方法,在仿真中实现零样本迁移至不同尺寸实体机器人,并开源代码与数据集。
arXiv 预印本《AoI-Aware Multi-Robot Sensing and Transport on Connected Graphs》已撤回,作者 John Tadrous Dr. 指出定理 5 关于相位放置最优性的证明存在错误。该研究原旨在推导移动机器人网络中感知延迟与传播延迟的下界,并构建达到理论下界的传输架构。
论文介绍 VDCS 基准与 ACO-MoE 方法,通过混合专家路由修复图像内容以应对天气、噪声等退化。在八个任务中,ACO-MoE 将 DreamerV3 的平均回报从 562 恢复至 730;在机械臂部署中,该方法将运动模糊和暗光下的成功率从最高 10% 提升至 75%-95%。代码与论文为预印本状态。
Dual-gatekeeper 框架在预算约束下,通过形式化验证确保安全与可行性后才允许执行主动探索动作。该方法解决了模型不确定性下的保守规划难题,并在气动参数不确定的四旋翼导航及轮胎摩擦系数未知的自动驾驶赛车任务中完成演示。目前论文处于审稿中,代码与权重暂未公开。
针对生物混合致动器内在的生物变异性与非线性挑战,该研究利用监督学习建模并预测其行为。静态模型(随机森林与神经网络)在输入变量下实现平均 R²为 0.9346 的预测精度,而基于 LSTM 的动态模型在五组训练实例中达到平均 R²为 0.9944。这些高准确度结果既支持肌肉致动器性能的优化,也为未来生物混合机器人系统的鲁棒自适应控制策略奠定基础。
该论文提出一种完全基于合成数据的系统,用于训练通用的手物跟踪控制器,无需人类演示。核心贡献包括 HOG 高效数据生成器和 HOT 跟踪器,后者通过强化学习和交互模仿学习实现从仿真到物理的迁移。方法支持多种物体形状和手部形态,并能在不同仿真器间迁移。评估显示该系统能让灵巧手处理包含物体重排和敏捷内部转向的挑战性长序列任务,旨在解决灵巧操作的数据瓶颈问题。
本文研究了在现实通信延迟下分布式优化在多机器人系统中性能退化的原因。作者指出,传统的共识 ADMM 框架将过时信息与当前信息同等权重处理,导致过时信息被伪装成真实分歧并累积。
针对模仿学习策略在分布外场景下易发生不可预测失败的问题,该研究提出 InFeR 框架,可在不依赖失败或恢复演示的情况下,利用变信息瓶颈重构潜在空间以检测分布外失败,并结合 Grad-CAM 将失败归因于特定图像区域以指导启发式策略自主恢复。实机实验表明该方法在两种不同架构的策略上均能实现复杂环境中的长距离导航恢复。
针对混合整数线性规划在长时域任务中表现不佳的问题,该方法提出基于可满足性模理论的新合成策略。实验对比显示,其在长时域任务上性能最优且能更快适应环境变化。论文已提交至美国控制会议,代码与权重暂未开放。
该预印本研究了 LLM 在具身机器人中的安全依赖问题,发现可通过管理接口在未认证情况下替换人格设置和系统提示词。实验表明配置层攻击路径能引发物理硬件行为变化,而推理层的对抗输入被抵抗。
推荐理由:研究揭示了具身智能机器人管理接口存在配置层攻击漏洞,证明仅靠推理层的拒绝无法阻止未授权指令修改。
该论文针对 GUI 代理在推理出正确计划却发出错误动作导致执行失败的问题,提出 PACT 框架。该方法利用标注的参考动作识别执行差距,在不改变原始标量动作奖励的前提下,通过掩码负策略梯度贡献保护已验证的计划,并利用偏好替代方法引导模型选择参考动作而非错误动作。
ROSMonitoring 新增对 ROS 2 Actions 的运行时监控,通过目标标识符重构事件生命周期并自动注入协议合规的强制执行操作。受控压力测试显示,在固定负载下监控成本随动作调用次数近似线性增长,而大工作量和更多客户端 - 服务器对会引入额外开销。该研究揭示了当前同步实现的性能局限,相关论文已提交至 FMAS 2026 会议。
BehaVerify 是一个开源工具箱,旨在对行为树(BT)及神经符号行为树进行形式化验证。该工具支持使用领域特定语言(DSL)结合线性时序逻辑和计算树逻辑指定规范,并通过高效编码快速验证。它可生成 Python 和 Haskell 实现,已集成 PyTrees 与 ROS,并部署于多个自主机器人系统以验证运行时监控器。本文聚焦工具箱的使用、功能与实现细节。
研究利用 FRET 工具将机器人辅助穿衣(RAD)案例的 146 条自然语言危害需求形式化为 117 条唯一 FRETISH 要求。分析显示 70.1% 的要求包含即时响应或顺序约束,且形式化过程暴露了歧义与假设。该工作证明 HRT 分类学与形式化方法提供互补视角,为机器人系统验证提供了从非结构化语言到可验证表示的过渡支持。
论文介绍AuditEmboted框架,在固定时长等待期间独立变化保持参考和等待持续时间,同时冻结恢复执行器。实验显示,在1秒等待且注册腕部参考时,受保护完成次数从6/40变为34/40;而在仅位置保持下则相反。
论文提出 RiDEx 方法,旨在解决基于奖励的扩散模型后训练中的探索效率问题。该方法将局部探索集中在去噪速度场中与奖励相关的子空间内,利用条件残差或可微奖励梯度确定子空间,并通过同状态下的等量反向扰动测量终端奖励响应。
推荐理由:针对高维潜在空间探索效率低的问题,提出奖励感知的方向性探索方法,在四个对齐任务上实现最高峰值奖励并显著加速目标达成。
该论文提出“权重空间编程”概念,即大语言模型依据自然语言规范直接读写神经网络权重,无需优化器或梯度下降。研究将 GPT-6 Astra 和 Claude Fable 5.1/5.2 应用于自动拖拉机引导任务,在仿真中修复了为另一台拖拉机训练的 253 参数网络,并从零权重编写出控制器;两者均能正确分析闭环控制理论。
推荐理由:研究展示了大语言模型直接读写神经网络权重的方法,成功在真实拖拉机控制器中实现路径引导。
该研究提出基于模型反馈线性化的几何鲁棒数据驱动预测控制(DDPC),用于全驱动机械臂轨迹跟踪。仿真在含重力平面 2R 机械臂上验证,相比双积分 MPC 提升跟踪精度但增加扭矩消耗,性能相对 DeePC 取决于参考轨迹。论文已提交至 2027 年瑞典斯德哥尔摩学习动力学与控制会议,暂未开源代码或权重。
该论文提出一种方法,利用训练于单智能体演示的生成模型,结合编码团队物理属性的约束来生成合作任务轨迹。作者证明该方法能生成所有满足约束的团队轨迹,尽管演示中不含合作信息;数值实验与多机器人测试床验证了其在无需重新训练的情况下支持成员动态增减的能力。
TCP4D 是一个统一模型,利用共享的 4D 场景表示从单目视频和初始 2D 查询中直接恢复度量 TCP 姿态、夹爪状态及场景几何。生成器基于同一表示采样局部特征并结合机器人观测与语言指令预测未来 TCP 状态。
该研究提出 CADENCE,一种基于强化学习的步态规划器,每 40ms 在最多 65 个离散动作中决策。在无固定周期的 OCS2 仿真环境中,面对 26% 至 49% 空隙地形,其成功率达 85.1%,显著优于 OCS2-Trot(67.8%)及静态行走基线(39.6%)。
PAIR 是一个基于 Matter 协议构建的智能家居仿真环境,包含 84 个智能设备资产及 340 个人类演示数据。在由 1,200 次评估组成的基准测试中,两种微调后的视觉语言动作模型(VLA)策略均未完成任何任务,超过 90% 的失败案例停滞于导航或操作环节。研究团队表示将在发表时开放代码与数据。
论文介绍了 Magflow,这是一个完全可微分的 GPU 并行仿真器,专门用于模拟具有六自由度的工业级磁悬浮系统。研究团队利用该工具训练了首个纯基于物理仿真的神经网络控制器,并展示了其能零样本迁移到真实硬件,在 4 kHz 频率下满足硬实时约束,甚至实现了传统手工设计无法支持的拓扑结构控制。
针对现有世界动作模型(WAMs)在推理时丢弃未来预测、导致深层视觉层学到的预测信息未被动作路径有效利用的问题,本文提出 RelayWAM 架构。该方法引入显式过渡空间,基于任务指令和当前状态提取跨深度的步相关预测线索并直接传递至动作注意力机制,无需生成未来帧。
针对变形线性物体(DLO)在视觉遮挡下难以精确估计形状的问题,该研究提出无需视觉感知的触觉本体感知方案。作者引入物理信息视觉 Transformer 框架,利用高解析度触觉印记捕捉边界条件与接触梯度,通过自注意力机制和物理加权损失函数确保预测几何符合物体的物理流形。
针对复杂机器人环境交互中底层动力学难以建模且预测模型导数不可靠的问题,该研究提出 Sim2CBF 框架。该方法仅利用前向模型评估解决控制屏障函数(CBF)安全滤波优化问题,通过有限差分和对采样控制输入的局部线性插值近似 CBF 约束,同时保持避错保证。
该研究提出首个明确以请求峰值侧滑角为输入条件的生成式漂移轨迹规划器,结合流匹配模型与强化微调。在 Assetto Corsa 仿真闭环实验中,非线性模型预测控制器成功跟踪了 20 至 45 度六个目标侧滑角的轨迹。中位峰值侧滑角误差仅为 1.2 度,且控制屏障函数修正显著降低了脱路与打转事件。
Auriga Robotics 团队在沙希德贝赫什提大学开发了名为@Work 的移动操作机器人,专为提升工业环境中重复或危险任务的效率而设计。该平台采用四轮麦克纳姆轮驱动与五自由度机械臂,结合 ESP32 微控制器、NVIDIA Jetson Orin NX 处理器及 Hector SLAM、YOLO 等软件栈实现自主导航与物体处理。
LISST(Lyapunov-Inspired Sustained Stabilization)是一种学习框架,通过协调平衡恢复与抑制机器人自身修正引发的支撑运动,解决刚性假设在机械响应支撑上的不足。该策略仅依赖本体感知,利用物理监督将表征关联至机器人与支撑行为,并通过可微模型回滚指导关节级策略学习。真实世界实验表明,LISST 能在与动态响应支撑的持续交互中维持平衡并限制残余振荡。
针对机器人演示数据中关节标签受限问题,该方法利用校准的正向运动学为不同本体提供工具空间目标监督。实验在三个骨干网络和两个仿真器上验证了策略学习效果,成功实现了跨机器人的技能组合迁移。