BBoE:利用边束进行动力学双向运动规划
本文介绍 BBoE,一种结合探索与利用、依赖预计算机器人运动的快速双向动力学采样规划算法。该策略通过利用预计算的边束(bundle of edges)在障碍物密集环境中高效收敛至目标。
推荐理由:该工作提出利用预计算运动束的双向动力学规划器,在四套不同系统中实现高成功率与低耗时。
本文介绍 BBoE,一种结合探索与利用、依赖预计算机器人运动的快速双向动力学采样规划算法。该策略通过利用预计算的边束(bundle of edges)在障碍物密集环境中高效收敛至目标。
推荐理由:该工作提出利用预计算运动束的双向动力学规划器,在四套不同系统中实现高成功率与低耗时。
论文探讨了间接法在周期性轨迹优化中的应用,旨在为腿式运动系统生成高效且动力学一致的步态(gait)。研究通过数值连续化方法解决了传统间接打靶法的收敛挑战,并提出了重构拉格朗日乘子和伴随变量的新方法。实验以双足行走机器人为例,验证了该方法在构建最优步态库方面的有效性及高精度特性。
论文提出了一项基准,在 MuJoCo 平台上对五种四足机器人(W01-TEK、Unitree Go1/Go2、Google Barkour vB、Boston Dynamics Spot)运行了十四种无监督环境设计、域随机化和机器人课程方法。
推荐理由:该基准在 MuJoCo 上对四足机器人评估了十四种无监督环境设计与课程方法,揭示了简单起步策略的局限性并提供了选型指南。
针对机器人运行时重规划需求,Kairos 系统能读取包含持续动作、数值资源、时间窗口等复杂特征的 PDDL 描述,并快速交付验证过的计划。该系统根据任务语义自动从五种异构求解器(地面启发式搜索、压缩时序搜索、混合动力学步长、提升搜索)中选择引擎并在统一预算下调度,所有候选计划均经独立验证器检查。
推荐理由:Kairos 通过语义感知自动调度五种异构 PDDL 求解器,在九套基准测试中解决任务数优于各套件最强专用求解器,并开源了代码与评测工具。
这篇论文针对视觉基机器人策略中动作分块导致的轨迹抖动问题,提出了一种基于运动原型的轨迹表示方法。该方法将轨迹段表示为光滑基函数的线性组合,在保持策略架构、训练目标和推理流程不变的情况下,通过显式条件约束使新分块经过前一分块的末端动作点,从而在不重新训练的前提下消除边界不连续并大幅降低抖动。
Karaman 和 Frazzoli 提出单鸟高速穿越随机林存在速度上限,本文构建泊松圆盘森林中的定向走廊网络并施加时间间隔。最大流量等于最小顶点割容量,通过沿无共享路径重复飞行实现,且在有限视界内最大化完成穿越次数。对于发散深度受宽度约束的情况,该电流独立于正纵横比;当对角线通道可用时,低障碍强度下群体电流为正,高障碍强度下为零。
论文针对强化学习中 on-policy 方法(如 PPO)在处理长周期、高接触任务时易陷入局部最优的问题,提出了一种扩展算法。该方法引入动作条件化价值批评器,能在同一状态下比较执行动作与采样替代动作的优劣,从而改善稀疏奖励下的信用分配。结合广义优势估计和探索噪声约束,实验显示该算法在有限训练预算内成功完成了 PPO 无法完成的精密插桩任务。
针对日常环境中需要频繁使用不同工具的任务,研究团队提出 SwapBot 模块化末端执行器系统。该系统采用固定机械接口配合低成本工具侧适配器,支持快速自主更换多种常见家用工具(包括关节式工具),并集成紧凑触觉传感器以辅助遥操作演示收集。
SymAnt 是一种结合神经网络表达力与场景知识图推理能力的神经符号方法,能在仅凭短时视频观察下高效预测长序列未来动作。该方法通过对两个图谱进行联合搜索构建符号上下文作为先验,支持用户直接编辑底层知识以调整预测而无需重新训练。实验在 Breakfast、50 Salads 等五个数据集上验证了其有效性,论文已获 WACV 2027 接收。
该研究提出一种新型传送带机制,可在直径 9 mm 的腱驱动连续体机器人内部集成至三个单元,实现功能元件沿机身的主动重定位。案例研究中,沿两条传送带安装永磁体演示了可重构的机器人间磁耦合,通过调整耦合点位置与数量来动态调节多机器人系统的有效刚度。实验表明有效刚度与耦合位置呈可预测的反立方关系,且随耦合点数增加而提升。
该论文是两篇教程的第一部分,介绍利用机器人运动与测量形变关系进行自动操控的基础理论。核心在于无需精细机械模型即可通过观测到的形变局部估计变形雅可比矩阵,并推导闭环稳定性条件及可达性限制。材料包含平面仿真示例(双臂操作弹性杆)及代码链接,为数据驱动形状控制提供完整框架。
该论文提出 PhysVLMM 方法,为视觉 - 语言 - 运动地图中的每个铰接部件维护物理信念并回答规划器查询。面对移动物体无法识别动力学、仅凭拉动测量只能确定被拉部件及方向的问题,该方法将方向作为后验分布而非点估计,以闭式形式传递证据给未受影响的相似部件,并在给定风险下判断动作是否成功或放弃。
推荐理由:PhysVLMM 方法在真实家居环境中实现了对铰接物体动力学的快速推断,显著优于可微仿真与单视角学习基线。
论文提出了 DAWN(Diffusion-based Alignment and unfastening Workflow Network),这是一个用于执行现实世界拆卸任务的分层机器人框架,通过多模态感官融合解决精密螺丝刀接触、力控及环境鲁棒性挑战。
推荐理由:该工作提出分层框架 DAWN,在 Franka Emika 机器人上实现了与人工相当的螺丝对齐插入及稳定拆卸能力。
论文介绍 BURGER 这一语言条件化的机器人绘图基准,利用可扩展的提示驱动流程生成了涵盖仿真与真实世界的连续绘制轨迹。研究使用 28,200 个跨越 282 项任务的模拟演示,评估了五个代表性 VLA 模型在数据规模、语言 grounding 和多模态行为上的表现,揭示了各模型在空间构图与动作生成上的不同失效模式。
针对传统轮式四旋翼需倾斜机身产生侧向力的局限,该研究提出一种全顺时针倾斜旋翼构型,利用表面接触约束在保持水平姿态下生成推进力。仿真验证了其在自由空间悬停及地板水平移动时维持水平姿态的能力,且全同向旋转产生的切向力大于传统交替旋转配置。
论文介绍 DEED 框架,旨在让预训练的视觉语言动作策略适应 MetaFine 五项细粒度操作任务。该方法通过对同一初始场景生成不同指令的演示,并在不同相机位置和光照条件下渲染物理轨迹,同时保持原始状态与动作目标。
推荐理由:提出 DEED 框架通过演示扩展与执行设计提升细粒度操作性能,在 MetaFine 任务中取得 85.55% 总分。
arXiv 发布论文介绍连续动作世界模型(CoAWM)框架,旨在支持跨机器人本体的动作生成与执行频率适配。核心是共享潜在函数空间,通过两阶段学习:首先利用不同本体和采样频率的轨迹进行预训练以获取共享动力学先验;随后连接世界模型骨干网络,使观测、语言指令和当前状态能条件化地预测潜在动作函数。
推荐理由:该预印本提出 CoAWM 框架,通过共享潜在函数空间实现跨机器人本体与控制频率的动作生成迁移。
该论文针对现有方法将短期动态与长期任务目标割裂、且未充分考虑预测未来与当前动作需求相关性的问题,提出了 HiFOR 框架。该方法通过层级依赖掩码联合预测短期状态演化、语义里程碑及最终目标状态;利用结构感知隐式世界建模沿时间、视角和空间维度组织未来潜在表示以支持细粒度检索;并在去噪过程中基于演化的动作表示自适应检索相关信息以指导动作生成。实验在两个仿真基准和六个真实机器人操作任务上验证了有效性。
推荐理由:提出分层前瞻框架,通过层级依赖掩码统一预测短期状态与长期目标,并结合结构感知隐式世界建模实现动作引导的未来信息检索。
arXiv 预印本论文提出 JEDI 方法,旨在解决长多模态轨迹限制上下文容量的问题。该方法将演示压缩为潜在槽位,在冻结的视频 JEPA 空间中训练以预测查询阶段的下一关键帧,并利用任务与过程反事实保留执行细节。实验基于 LIBERO 基准和真实机器人验证,显示其在支持多示例上下文及保持动作遵循方面优于仅动作压缩方法。
TouchBridge 是一个软硬协同设计的框架,用于将人类演示高效转化为机器人领域的训练数据。其核心 Tac-Retarget 方法利用测量的接触信息对齐指尖接触区域并保留空间关系,无需物体网格、姿态估计或物理仿真即可实现跨形态映射。
推荐理由:提出无需物体网格或物理仿真的触觉重定向方法,将人类演示转化为机器人训练数据,在四项任务中平均成功率达 72.5%。
MUSBRIC 是一套模块化硬件平台及 MuJoCo 仿真器,通过兼容 LEGO 的端盖将纤维增强气动人工肌肉转化为即插即用模块。肘关节原型验证了负载依赖屈伸与机械止动稳定直姿功能,四足机器人演示了行走能力。相关硬件设计与仿真代码即将开源以支持复现与开发。
Gaussian Action Readout(GAR)将流策略末层替换为高斯读出,仅用 0.02% 合格状态训练即冻结其余网络。该方法单次动作网络遍历即可采样并给出闭式似然值,在保持近教师任务成功率的同时提升最高两倍的推理速度。研究分析表明流策略的连续动作分布可由高斯良好近似,相关代码与论文已公开于 arXiv。
该研究提出一种联合选择技能、物体与几何目标的决策空间,利用微调后的语言条件任务规划器在仿真中达到 93.3% 成功率,优于分层基线并缩短超 60% 完成时间。硬件实验显示层级方法在 45 次尝试中正确组合技能 44 次,端到端成功 34 次。预印本 arXiv:2610.40248 包含附录与代码链接,无需预训练即可通过结构化表示实现动作组合。
这篇论文提出了 AcrossDEX 1.0 系统,旨在解决机器人控制中需对齐人体姿态与指令并适配特定运动学的问题。该系统连接了基于 HOT3D Aria 的人类动作预训练、仿真专家学习、机器人演示采集及视觉闭环执行。
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。
该方法通过两因素 Shapley 归因分离规则与感知贡献,在 ETH 和 UCY 视频数据集的仿真静止机器人实验中证明侧向距离仅为平面距离下界。针对 898 名行人,校准后的 Depth Anything V2 定位 RMSE 优于几何基线,但检测召回率不足导致漏检成为主要风险源。深度感知安全评估在八种场景阈值设置中均匹配或改善了侧向规则的漏险率,并在七种设置下减少了不必要的停车。
针对流基动作生成难以保证关节限位和碰撞避免的问题,本文研究仅通过黑盒可行性预言机访问可行集的设定,提出一种引导的可微分防护机制。该机制在正向传播中利用二元查询修正不安全更新,在反向传播中提取局部边界信息提供约束感知学习信号。
推荐理由:该文提出一种无需可微分约束模型的引导机制,利用二元可行性查询在训练与推理阶段同时保障物理约束满足。
论文提出 RoboSeed 框架,旨在解决机器人动作模型选型中仅看成功率信息不足的问题。该框架从能力、下游训练成本、部署成本、本地验证研究价值及复现证据五个维度,利用固定归一化锚点将实证测量映射为 0-100 分档画像。
推荐理由:提出 RoboSeed 多维评估框架,从能力、资源成本及复现证据等维度量化 VLA 与 WAM 模型,为不同预算团队提供选型依据。
论文提出 LOGIV 框架,利用显式任务图连接符号规划、观测验证与具身动作,在现有 VLA 和世界动作模型策略之上运行。实验显示,该框架在不注入干扰时将 RoboTwin~V2 和 BiCoord 基准的平均任务成功率分别提升 10.67 和 15.33 个百分点;在预设扰动下表现优于三种恢复基线;在三项真实机器人任务中成功尝试数从 12/30 增至 17/30。
推荐理由:提出 LOGIV 框架,通过显式任务图与因果局部修复机制,在不增加可训练组件的前提下提升长程机器人任务的鲁棒性与成功率。
该论文提出了 Humanoid Dodgeball 框架,旨在解决人形机器人在动态场景下快速躲避高速障碍物并保持稳定性的难题。方法通过威胁感知的奖励塑形实现全身敏捷规避动作,并利用多方向对抗性运动先验正则化学习行为以维持稳定且类人的运动模式。实验表明,该框架在多种障碍速度和发射距离的仿真及硬件测试中,均显著提升了动态避障性能,同时保持了鲁棒且物理合理的运动。
论文提出一种注视辅助监督控制框架,用于月球漫游车机械臂的样本处理任务。该框架允许操作员通过视线提名目标(岩石或放置点),经显式确认后由机器人执行有界自主抓取与放置动作。
针对多阶段轨迹规划中运动学可行入口点识别的计算瓶颈,本文引入方向可达性图(ORM),预计算 6 自由度串联操作臂在 188,873 个工作位姿下的运动学可行性。
推荐理由:提出基于方向的可达性图方法,将机器人穿刺点规划延迟从十余秒降至亚秒级。
本文针对机器人利用黑盒视觉语言模型进行视觉定位时的不确定性问题,提出一种形式化的贝叶斯定义与外部代理贝叶斯模型。该方法将 VLM 预测视为观测,通过分层检索在保留校准集局部邻域内量化每查询的不确定性,并分解为偶然性与认知性成分。研究结果表明,该方法能改善校准度与任务性能,并在真实 Fetch 机器人上实现自信行动与信息收集的权衡,提升鲁棒性。
针对自主移动机器人在复杂布局中因非凸避障和有限视域导致局部模型预测控制器(MPC)冻结的问题,研究提出将大型语言模型(LLM)监督器在线蒸馏为决策树的方法。该方法在每次训练集后利用反事实回放对恢复、不必要或有害的决策进行标记并淘汰无效规则。
该综述考察了微重力环境下生物学、材料学等领域的轨道实验室与行星原位科学,区分了从空间数据学习、选择行动到执行及保持有效性的全过程。文章结合地球自驱动实验室证据,提出通过样本历史、科学决策、物理执行及特定主张有效性来衡量自主性的框架。最终议程旨在评估完整任务中传感、决策策略与物理动作的贡献,填补观测、可执行行动及连续有效证据的差距。
该研究提出分层三阶段框架,利用物体中心接触力矩空间实现人机手部触觉信息物理对齐。仿真与真实机器人实验显示,该方法在三种倒水条件下达到 96.7% 的重放成功率,且力矩传递保真度优于代表性重定向基线。此工作为从人类演示向机器人转移富含接触的灵巧操作提供了基于物理的路径。
该论文提出 SimTO-Robust 框架,这是一种基于仿真的拓扑优化方法,通过模拟多个物体形状和抓取位姿并聚合接触力来指导软夹爪的形态优化。研究团队生成了 6,646 种设计,并对其中 24 种进行了物理评估,同时对比了 10 种专用 SimTO 设计、两种刚性基线夹爪以及一种常规拓扑优化的通用软夹爪。
论文介绍 CoRAct 框架,旨在解决现有具身智能模型中推理与动作生成仅隐式关联的问题。该方法将运动指定和路径点作为可验证信号,利用混合 Transformer 架构联合建模推理、动作生成及未来预测。通过在动作噪声空间进行奖励引导的优化,使生成的动作与预期后果显式对齐。实验在 RoboCasa、VLABench 及真实操作任务中均显示出优于强基线的效果,并支持零样本适应新场景。
推荐理由:提出 CoRAct 框架,通过奖励引导优化将 VLA 模型的推理与动作显式对齐,提升任务成功率与泛化能力。
PRIME W0 是一个分层条件流匹配框架,旨在解决 VLA 模型仅依赖当前观测而忽略长时序上下文与层级结构的问题。该工作通过三层设计实现突破:一是将预训练 VLM 的每层 KV 注入到自适应 MoE 动作专家;二是利用异步世界模型子目标图像预测及 DINOv2 历史帧语义桥进行动力学感知条件化;三是采用尊重机器人运动学耦合的动作动态流形(ADM)流匹配与协方差结构噪声。
论文提出了 EvoLife 统一导航框架,赋予智能体自主选择移动方式、何时提问及保留何种经验的自由。其混合动作空间涵盖航点导航、局部离散调整、像素级导航及物体导向导航;主动交互机制允许在遇到歧义或困难时寻求澄清或协助;持久空间记忆则将观察与对话绑定至具体位置以复用经验。