La-JEPA:基于潜在世界建模的紧凑机器人策略
论文提出 La-JEPA,这是一种紧凑的世界 - 动作模型,其策略 Transformer 从零开始训练于预训练 V-JEPA 2.1 编码器的特征空间。该模型在训练阶段联合预测未来特征与动作,推理时仅生成动作。
论文提出 La-JEPA,这是一种紧凑的世界 - 动作模型,其策略 Transformer 从零开始训练于预训练 V-JEPA 2.1 编码器的特征空间。该模型在训练阶段联合预测未来特征与动作,推理时仅生成动作。
该研究将机器人强化学习环境接口标准化为线协议,在 Pendulum、HalfCheetah 等四个任务中注入最多 23 种边界故障。通过步长账本与回合计数检查运行过程而非结果,该方法能捕获所有跨界故障且仅增加中位数 3% 训练时间。论文已接受 CoRL 2026 Workshop,代码、规范及实验日志均已公开。
针对高阶教育中 ROS 配置门槛高的问题,该研究提出一种自定义 Python 库,实现从仿真到物理 TurtleBot3 Burger 的直接控制器迁移。该库镜像 Webots API,提供电机、编码器及 LiDAR 等传感器访问接口,并附带自动化部署脚本。在自动驾驶入门硕士课程的应用中,该方法降低了 ROS 基础设施复杂度,帮助学生聚焦算法逻辑与真实行为。
针对基于前沿的探索系统需反复计算机器人位姿与候选视点间测地线成本的问题,本文提出 H-TRIP 方法。该方法利用 Kleene 代数在 min-plus 半环上构建精确距离索引,将地图划分为具有固定边界端口的空间层次结构。
推荐理由:提出基于层次化热带秩一增量传播的精确距离索引,解决多机器人探索中全局捷径导致的缓存失效问题。
该研究提出了一套面向轮式移动机器人的视觉自主导航开源栈,旨在有限传感与计算资源下整合感知、定位、规划与控制。系统连接了YOLOv8n检测、几何方向估计、RGB-D SLAM、轮惯状态估计及运动学感知规划,并通过行为树管理任务。
推荐理由:该研究提供了一套面向轮式移动机器人的视觉自主导航开源栈,集成了YOLOv8n检测与RGB-D SLAM,在Jetson Orin NX上实现了低延迟感知,并公开了数据集与评估日志。
论文提出 Spatiotemporal Training with Explicit Prediction (STEP) 框架,旨在解决感知型人形机器人运动中地形几何与身体状态演化的关联问题。
推荐理由:提出 STEP 框架,联合监督跨模态关系与动作依赖的状态演化,在仿真及硬件实验中提升地形穿越成功率。
该论文针对多机器人协作中因组合爆炸导致无法共训练的问题,提出一种无需预先联合训练的自适应序列协作方法。通过让机器人共享其价值函数以明确表达环境偏好,并引入 KNN 不确定性过滤器防止在分布外状态下的过自信,该方法在仿真和真实世界实验中均显著提升了任务成功率。
该论文提出一种渐进式模仿框架,用于学习适用于人形机器人的极端跑酷技能并自适应其手 - 膝支撑模式。演示数据提供穿越行为,但接触模式需适配机器人比例和可用支撑面。
推荐理由:提出渐进式模仿框架,在 Noetix E1 上实现高成功率跨障碍与手膝支撑适应。
论文提出 HITCH(Harness Interfaces To Command Humanoids),一种让 VLM 控制人形机器人的接口,感知端返回图像中任意点的 3D 位置,执行端将髋部、躯干、手部、行走和注视指令转化为全身运动。
推荐理由:提出 HITCH 接口让 VLM 通过全身 harness 控制人形机器人,微调后在无特定轨迹下完成 51% 任务,加五条轨迹后 SIMPLE 成功率升至 95%,并在真机 G1 上实现无真实训练数据的搬运行走。
CHARMIE 项目展示了一款用于协作和服务机器人的开源 3D 打印手臂,支持通过摄像头结合机器学习进行基于遥操作的手部姿态估计。该设计还利用 Denavit-Hartenberg 方法通过运动学定义动作并计算末端执行器在三维空间的位置。论文包含 20 页内容和 16 张图示,已在 arXiv 提交待注册 DOI。
该论文提出了分形阻抗控制器的最新架构——谐波被动运动范式(H-PMP),并构建了支持 ROS2、MuJoCo 及物理硬件集成的统一开源框架。通过 Kinova Gen3 机械臂在轨迹跟踪、突发接触丢失和示教学习三个实验中的对比,结果显示 H-PMP 能在无计算开销下实现导纳与阻抗行为的无缝切换,适用于非结构化环境。材料为预印本,未报告真实机器人部署结果或量产状态。
推荐理由:原文介绍了谐波被动运动范式的统一框架与开源软件套件,并通过三个实验验证了其在非结构化环境下的交互能力。
针对机器人操作移动物体时观测滞后导致技能成功率预测不准的问题,作者提出时间索引技能成功模型,用于预测给定延迟后启动技能的整任务成功率。该模型在 MuJoCo 仿真中,于 100 至 300 毫秒延迟下比静态能力模型提升 2.8 至 6.2 个百分点;在真实 UR5e 机器人上,针对注入 0.2 秒延迟的滚动球捕捉任务,该模型预测成功率与校准度优于静态模型。
推荐理由:提出时间索引技能成功模型以解决延迟下的技能选择与定时问题,在仿真与真实机器人实验中均验证了校准性。
论文介绍 TactileLab 框架,利用刚体仿真结合光流法估计接触界面的切向运动以编码剪切动力学,替代昂贵的软体物理模拟。研究提出新的策略架构处理长程本体感觉与丰富触觉观测,并开发实真翻译方法将真实触觉图像映射为仿真场。在双臂及手内操作任务中验证了该方法支持大规模强化学习训练及仿真实到现实的部署能力。
推荐理由:提出基于光流的触觉流场表示与实真翻译方法,在双臂及手内操作中验证了大规模强化学习策略的仿真实用性。
该研究提出针对城市无人机配送的序贯工程框架,整合枢纽选址、路径规划及基于混合整数线性规划的频率优化。应用首尔区级数据验证显示,将枢纽从 1 个增至 4 个使所需航程由 30.6 km 降至 21.9 kg,月能耗降低 13.1% 至 13.2 MWh,但单件配送成本因租金与人力上升而从 1.18 美元增至 2.20 美元。
该系统利用分布式压电传感器在抓取早期阶段实现物体识别,实验显示增加传感单元可提升所有方法的性能。基于时空热力图与 2D-CNN 的最优配置(32 个传感器、100ms 时间窗)在嵌入式边缘平台运行,接触后约 101ms 完成端到端识别,单次推理能耗为 63.8 微焦耳,F1 分数最高达 0.9903。
针对传统线束锁紧机构仅关注关节轴扭矩而忽视其他方向抗扰的问题,研究提出引入楔形接触面的新机制。实验表明,外楔构型增强垂直扰动抗性,内楔构型则提升扭转扰动抗性,证实了该几何结构对性能的影响。
针对杂乱桌面场景中的双臂重排挑战,本文提出一种结合可移动堆叠(movable stacking)与感知间隙推转移(Gap-Aware Push Transfer)的框架,实现异步跨边界物体交换。
推荐理由:提出结合可移动堆叠与感知间隙推转移的双臂重排框架,在密集场景中优于固定交接基线。
论文提出了 AffectiveVLA,一种部署在宇树 G1 人形机器人上的意图门控视觉语言动作(VLA)管道。该系统利用轻量级 RGB 模型从双摄像头识别交互意图并转化为提示词,低置信度预测会抑制运动执行以保障安全;接触期间通过调整臂阻抗和独立语音触发机制实现合规与安全停止。
PhySA 通过分离美学评分与物理惩罚通道,在 MuJoCo Humanoid-v5 仿真环境中将关节加速度降低 26% 至 32%,但导致单集时长缩短。该方法未迁移至 IsaacLab 或 Unitree G1 平台,且部分实验结果无统计显著性。论文已接受 CoRL 2026 Workshop on R2RL,代码与数据待注册。
针对嵌入式计算在空闲或稳定视角时浪费算力的问题,本文提出一种能耗感知的开放词汇检测(OVD)调度器。该方案利用里程计、地图变化和检测置信度,在 Jetson Orin Nano 上动态切换低、中、高三档 YOLO-World-S 模式。
论文提出了 GraspBench,这是一个受控的 MuJoCo 协议,用于在逆运动学滤波、运动规划及固定接近 - 提升执行流程后评估完整的抓取生成管道。研究在四种机器人本体、五种诊断物体和结构化桌面姿态网格上运行了六种配置管道,共产生 3240 次方法 - 场景评估。
针对无扭矩传感器的轮式人形机器人,该方法利用光学追踪器数据,通过共享腰部双链模型同时识别腰部与双臂参数。相比独立或单链标定,该方法将离手位姿的平均误差从 11.3-31.1 mm 降至 0.50-1.11 mm,且在不同负载下均有效。
Hao Wang 等人发布 arXiv 教程,系统综述 Hamilton-Jacobi 可达性分析与控制屏障函数(CBFs)两类方法在合成安全证书中的应用。文章介绍经典与学习工具,并通过车辆系统基准对比不同方法的证书质量以提供选型指导。该预印本论文暂未开放代码或权重下载,仅作为理论参考。
论文提出 Semantics-to-Contact (S2C) 框架以解决复杂接触动力学下的视觉鲁棒性问题。该方法分两阶段进行:首先利用视觉语言模型在视觉上多样的场景中定位任务相关区域,提供粗略空间引导;随后通过人机回环残差强化学习策略,利用力反馈在局部区域内学习精细的接触行为。
Embodied RAG++ 提出 E2W-Bench 基准,利用动态混合场景图关联产品手册以评估机器人 - 物体分配。该框架在 Qwen2.5-32B 上达到 0.90、Llama3.3-70B 上达到 1.00 的配对准确率,优于基线且预处理时间最短。论文已接受至 SII 2027,代码与数据许可状态待 arXiv 注册确认。
G-Maneuver 学习型控制器在特技级机动任务中达到 90.11% 成功率,通过 Sim2Real2Sim 闭环筛选出真实车辆试验安全区域,接受率为 16.9%。研究利用汽车安全分析框架识别覆盖测试参数,证实航向变化、侧滑和归一化偏航率等运动学指标在仿真与现实间匹配良好,为安全部署提供依据。
针对现有方法仅关注全局导航或独立操作而忽视末端抓取导航的问题,本文提出 Last-Mile Grasp-Navigation (LMGN) 统一策略学习模型。该模型引入显式距离与方向可达性表示,并开发语义对齐的分层混合专家策略以建模基座调整、预抓取对准、抓取执行及物体提升等阶段行为。实验在 Habitat 和 Isaac Gym 仿真器上进行,结果表明该方法显著优于现有最先进方法。
推荐理由:提出统一策略学习模型解决足式机器人末端抓取导航难题,仿真实验显示集成可达性表示与分层专家路由能显著提升成功率。
论文介绍 Concertina 架构,主张将连续轨迹表示、块式生成及物理坐标监督直接置于共享扩散 VLM 骨干网络路径上,而非外挂独立动作专家。该模型仅用 0.21% 的参数实现主动动作投影,在 LIBERO-Plus 基准上达到 85.9% 成功率,CALVIN ABC-D 平均完成链长为 4.142。代码与权重已开源。
推荐理由:该工作提出将连续轨迹表示与认知统一于共享扩散骨干网络,显著降低动作生成参数占比并验证了跨时间步耦合机制。
针对移动操作臂需在家庭等日常环境中定位特定物体并判断目标是否存在的需求,现有方法往往依赖缓慢的全局重处理或昂贵的 3D 表示,且在缺失目标时的特异性(abstain)能力不足。
该研究对一种三自由度、双四杆闭环的四足腿部机制进行运动建模与奇点分析,以支持从陆地模式到空中重构模式的切换。作者开发了雅可比矩阵并设计了多种步态,在 MATLAB 仿真中验证了运动,并在单腿测试台上演示了实际实施效果。论文已提交至《Robotica》期刊(ID:ROB-2026-0373),arXiv 版本为 v1。
本文提出了一种基于消费级服务器的可复现评估框架,旨在降低接触式机器人操控评估的成本门槛。实验显示,在稀疏数据条件下,三种独立训练的动作分块策略在 780 次 rollout 中零成功,而单步策略成功率介于 2.6% 至 11.8%。研究进一步表明,失败源于训练公式与多步预测机制而非开环执行,为物理策略开发提供了可复用的评估工具。
推荐理由:作者提供了一套基于消费级 GPU 的可复现评估框架,以低成本验证了动作分块策略在稀疏数据下的失效原因。
论文 MessyNav 将现实世界中的路径受阻问题形式化为开放世界的交互式导航任务,提出一种无需特定训练、基于视觉语言模型(VLM)的零样本框架。该框架在规划前通过显式的 VLM 可操作属性推理,决定对障碍物是滑开、拾取还是避让,从而生成高层计划。实验在真实移动机械臂上进行,涵盖室内外环境,结果显示该方法相比最强基线将成功率提升了 27 个百分点,且在大规模离线评估中取得了统计显著的提升。
针对远程服务器运行大型视觉语言动作策略时相机上行链路成为瓶颈的问题,本文提出一种零速率条件的运动学假设上下文机制。该方法利用关节状态、机器人模型和相机标定构建自运动单应性、连杆重投影等假设,对上一帧重建结果进行变换以条件化学习视频编码。
推荐理由:提出运动学假设上下文机制,在带宽受限场景下显著降低视频传输码率并提升策略成功率。
针对基于视觉的控制系统中难以检测重放攻击的问题,本文提出一种自适应动态水印框架。该方法在标称控制输入中添加私有高斯水印,并利用控制输入条件的潜动力学网络预测观测图像在紧凑潜空间中的演化。
该方法结合 RGB-D 定位与遗传算法排序,在实验室及四至六果田间测试中,动态路径策略较静态策略将碰撞事件从 55 次降至 40 次,目标接近成功率提升至 70.7%。连续执行消除了不必要的归位动作,且动态路径随剩余果实分布自适应调整而不改变算法序列。研究通过参数敏感性分析验证了该方法在无序作物环境中的有效性。
针对预训练扩散与流策略在强化学习适配中计算昂贵且存在噪声别名问题的挑战,本文提出 LNL-MDP 框架并推导桥接方程以对齐噪声空间与动作空间的值函数。在此基础上开发了 LARBRID 算法,通过优化初始分布引导预训练模型在环境中实现最优行为。实验显示该方法在多样化的机器人运动与控制任务上带来最高达 2-3 倍的性能提升。代码已开源。
推荐理由:提出 LARBRID 算法解决扩散策略微调中的噪声别名问题,在多种机器人任务上实现性能提升。
该研究提出 VREgo 框架,利用 PICO 4 Ultra 等消费级 VR 头显采集第一人称演示数据来训练机器人操作策略。作者适配了 HumanEgo 预处理流程以估计抓取阈值并更新物体位置,在仿真中对比了 PICO 与 Project Aria 的数据表现。
论文提出 CRISP 分层控制框架,将高维系统动力学重构为动态互联子系统的组合,以双臂操作为人形机器人代表应用。躯干建模为单刚体,双臂与下肢为浮动基动态模型,末端执行器间的闭环运动链及臂与躯干的连接表示为完整约束,拉格朗日乘子参数化肩部及末端间的交互力矩。
针对高维构型和非线性接触动力学带来的挑战,该工作研究了平面抓取下变形线性物体的强化学习方法,重点评估训练效率、观察设计、鲁棒性及零样本仿真到现实迁移能力。实验对比了三种近端策略优化(PPO)训练栈,发现 GPU-并行 MuJoCo Playground 栈在相同时间预算下收敛更快且性能更稳定;引入相对关键点观测和不对称演员 - 评论家架构进一步提升了效率。
针对实验室挤压瓶的变形操作难题,该研究提出一种结合力与视觉反馈的自适应混合控制器。系统利用肌电图(EMG)信号映射的目标握力作为参考,在 12 种不同组合的实验条件下验证了性能。结果显示,该方法将液体分配的平均绝对误差从纯力控制器的 15.92 mL 降低至 6.54 mL,并更精准地复现了人类动作记录。