面向机器人动作表示的语义锚定方法
针对视觉语言动作(VLA)模型微调导致预训练语义结构退化、影响泛化的问题,该方法通过探针分析确认了动作表示质量与任务成功及分布外泛化的同步关系。研究提出一种即插即用方案,将动作表示锚定到语义流形并分解为共享与私有通道,推理时丢弃这些通道以保持部署模型不变。
推荐理由:提出一种无需修改部署模型的语义锚定方法,在仿真与真实基准上显著提升 VLA 模型的任务成功率与泛化能力。
针对视觉语言动作(VLA)模型微调导致预训练语义结构退化、影响泛化的问题,该方法通过探针分析确认了动作表示质量与任务成功及分布外泛化的同步关系。研究提出一种即插即用方案,将动作表示锚定到语义流形并分解为共享与私有通道,推理时丢弃这些通道以保持部署模型不变。
推荐理由:提出一种无需修改部署模型的语义锚定方法,在仿真与真实基准上显著提升 VLA 模型的任务成功率与泛化能力。
论文提出了 WAM-TTT,这是一种针对世界动作模型的测试时训练框架。该方法不将人类视频视为模仿轨迹,而是将其吸收到冻结的世界动作模型内部的轻量级自适应记忆中,利用自监督视频预测和元训练阶段对齐人类演示与机器人行为。
论文介绍 GaP(Graph-as-Policy),这是一种结合可解释编程与无模型策略的多智能体代码框架,用于解决变体自动化任务中对象几何与姿态变化大的可靠性问题。
论文提出语言传感器模型(LSM)将自然语言描述映射为包含指代歧义与空间不确定性的多模态分布,并引入 VL-Map 框架将其作为随机观测与车载感知融合。在 VLA-3D 基准及真机实验中,该方法使目标物体位置预测的概率质量较最强基线提升约 70%。材料仅基于 arXiv 预印本发布,未提及同行评审状态或具体部署许可。
这篇论文是2026年10月发布的arXiv预印本,系统回顾了3D生成技术在具身智能和机器人仿真领域的应用。文章将3D生成的作用归纳为三类:作为数据生成器提供可交互的物理对象;构建支持任务执行的仿真环境;以及搭建数字孪生与合成演示以弥合仿真到现实的差距。研究指出该领域正从追求视觉逼真度转向关注交互就绪性,并列举了物理标注有限、几何质量与物理有效性存在差距等关键挑战。
这篇论文提出了一种新的方法,用于从稀疏且含噪的传感器数据中重建连续体操作臂的形状。该方法在因子图框架内估计紧凑几何可变应变(GVS)参数化的系数,并利用源自应变场 Magnus 展开的新型运动学因子作为先验约束,将闭式杆几何与 GVS 应变系数及骨干姿态变量联系起来。
论文介绍 ENAP(Emergent Neural Automaton Policy),这是一种神经符号模仿学习框架,能从 visuomotor demonstrations 中自适应涌现出离散任务结构作为可解释的高层规划器,并指导低层反应网络进行连续控制。
VORL-EXPLORE 提出一种融合执行保真度评估的混合框架,通过惩罚高风险前沿并仲裁全局 A*与反应式强化学习策略,解决动态环境中多机器人分配脆弱问题。在随机化动态网格及严重交通消融实验下,该方法实现了更高的成功率、更短的探索长度及更低的重叠率。代码已开源,论文已被 IROS 2026 接收。
针对操作员路线不可由机器人直接执行的场景,本文提出 Consistent Action-Response Execution (CARE) 框架。该方法将局部控制建立在可执行动作索引之上,统一条件化预测、联合推演与候选选择效用;通过有界互惠细化处理瞬态不匹配,利用持久进度损失进行恢复。
该工作展示了在国际空间站上对 Astrobee 自由飞行机器人使用基于机器学习的轨迹优化热启动的首次在轨演示。研究提出了一种数据驱动的最优控制方法,训练神经网络学习序列凸规划(SCP)求解的轨迹生成问题结构。
针对徒手牙科手术精度与灵巧性要求高的痛点,研究团队开发了兼容标准临床工具的 FH-HBTS 系统。该系统通过视觉反馈确保主从动作与力对应,并仅依据实测接触力缩放导纳控制器以限制交互力,无需先验环境知识。体外预临床研究在简化条件下验证了系统在提升遥操作自然度、安全性和准确性方面的潜力。
RobustRLlib 是一个开源的统一库和基准平台,旨在解决现有鲁棒强化学习算法复用性差及能力边界不清的问题。该平台集成了 17 种代表性的在线、离线及安全 RL 算法,提供统一的接口以提升复用性;同时构建了涵盖多样化真实世界扰动以及先进类人形与视觉语言动作任务的增强型评测环境。
该研究针对机器人演示中由遥操者决定的动作节奏问题,提出直接从大规模演示数据中学习速度先验分布的方法。给定任务指令、运动路径及图像序列,该方法预测沿路径的执行速度分布,并据此为每个演示定义一致的时钟以消除操作员特异性时间。
本文对比了利用结构化社会与具身推理的 FISER 框架和通过合成叙事及照片级图像进行多模态增强的 CEMIR 方法。在 HandMeThat v2 基准上,针对四个大语言模型(从 Qwen2.5-Omni-3B 到 GPT-5)的评估显示,两者在解决实用歧义方面性能无统计学显著差异。研究结果表明,当任务约束已存在于文本指令中时,源自文本的多模态增强可能无法为结构化推理提供可测量的额外收益。
该研究指出人形机器人的安全过滤器仅在特定参数配置下有效,缺乏通用方法确定这些参数导致部署后可能失效。作者展示了无需额外权限即可通过正常交互利用此漏洞的攻击方式,并开发了自动化工具 SIREN 来识别脆弱目标。实验表明 SIREN 在 SPARK 数据集的所有脆弱场景中均能发现攻击,且能在真实人形机器人上成功诱导碰撞事故。
推荐理由:论文揭示人形机器人安全过滤器存在可被正常交互利用的漏洞,并展示了自动化攻击工具 SIREN 在仿真与真实机器上的有效性。
SandBot 小型足式机器人在松散颗粒介质上表现优异,仅在小参数空间内实现高性能。结合先前引入的机器人运动学模型与新各向异性穿透力定律,可预测其速度并最大化性能。该研究通过系统分析步态参数与肢体 - 地面相互作用,为生物运动及足式设备提供了预测模型与假设验证。
SceneBloom 结合视觉布局采样与合同引导的三维编译,在五种房型中实现了最高视觉质量、物理稳定性且零网格碰撞。其生成的场景分布更接近真实房间,训练出的物体导航策略在独立真实扫描中的成功率优于同等数量真实训练数据。代码已开源。
针对灵巧操作学习中高质量演示采集难的瓶颈,本文提出 DexPort 便携式数据收集接口。该设备利用与部署端相同的手部硬件,避免具身差距,记录指令关节目标与测量关节状态。
论文提出 ViT-H 框架,通过扩散模型直接从单目视频中生成类人参考动作,跳过中间的重构与重定向阶段,并利用运动追踪结果进行偏好优化以提升可执行性。该工作还引入了自回归变体以实现低于 400ms 延迟的实时遥操作。在 Unitree G1 机器人上的实验表明,ViT-H 在运动质量和可执行性方面均优于现有的重建 - 重定向 - 追踪流水线,且模型规模与数据规模的扩展效果良好。
推荐理由:ViT-H 框架通过生成式视频到类人控制范式,利用运动追踪反馈优化生成器,在 Unitree G1 上展现出优于传统流水线的运动质量与可执行性。
该工作提出一种基于光学相干断层扫描(OCT)的数据驱动框架,通过用户演示学习并执行带闭环反馈的软组织形状控制。在 12 种配置与 576 次体模测试中,残差条件化将全量扩散策略的方向性形状均方根误差从 0.748 mm 降至 0.555 mm;体素点云显式策略结合残差在深度与方向控制上分别达 0.534 mm 和 0.443 mm。
论文介绍 Backtrack 机制,通过仅增加 0.48-0.88% 参数的小头检测失败并回溯重试,无需演示或重训即可提升冻结 VLA 的鲁棒性。在 LIBERO 长程任务上,该方法使 SmolVLA、π0.5 和 π0-FAST 三个模型的失败率分别降低 19-48%,成功率最高提升 7.4 个百分点;在 MetaWorld 测试中所有配置均优于无辅助策略。
研究探讨联邦学习结合分布式机器人经验与本地人类干预的交叉点,指出共享更新可能抑制罕见安全干预或导致不安全响应。文章主张在分享多模态修正时需保留上下文与不确定性,部署前须在接收机器人的闭环中评估候选更新,并同步评估关键证据泄露风险。作者提供反例与可证伪的评估议程,而非实验结果,强调人类交互期间仍需即时、可读的防御行为。
针对机器人操作中现有进度标注稀疏且依赖主观判断的问题,作者提出动作感知量化方法,将长程轨迹分解为物体级子任务并分配加权动作信用。研究构建了 800 小时以上的训练视频数据集及包含近两万帧人工校准评估的 LOOM 基准。
Conditional Neural Processes 通过引入隐藏层注意力机制,在动作序列观测早期即涌现出鲁棒的目标表征。该工作评估了模型在机器人自监督通用学习中的潜力,并作为 IROS2023 认知机器人世界模型研讨会的海报展示。相关代码与论文预印本已公开,为具身智能领域提供了新的自监督学习范式。
论文提出一种自然语言策略接口,利用本地大语言模型将操作员的文本指令转换为 JSON 格式的策略(含目的地、空间约束及时间事件条件),并通过确定性检查与三个成本图适配器将其投射到 ROS 2 Nav2 现有导航栈而不修改规划器或控制器。
OWLS 是一种无需任务特定训练、地形标注或持久地图的零样本漫游车导航方法。该方法利用视觉语言模型对单目相机图像中的每个像素进行可通行性评分,将这些语义分数投影到地面并通过形态学操作适配平台,进而生成最小时间规划器的速度场。研究在室内及非道路物理漫游车上进行了评估,并在模拟火星与月球漫游器上测试了 200 个程序化生成的地形,同时验证了在真实行星影像上的表现。
推荐理由:论文提出利用视觉语言模型的语义评分构建速度场,实现无需训练与标注的零样本漫游车导航。
该论文提出 UAV SwarmAgent,这是一个分层多智能体系统,操作员仅需用一句自然语言描述任务,地面站代理即通过代码生成为每架无人机规划路线。系统在仿真环境中对 4 类事故场景和 3 种基础模型进行测试,成功定位了 255 次任务中的 244 次(成功率 95.7%)。研究还发现增加无人机数量带来的速度提升存在上限(1.52 倍),并讨论了误报问题及后续用户研究的必要性。
推荐理由:该工作提出通过代码生成与视觉语言推理实现多无人机任务分配,仿真显示定位成功率达 95.7% 且扩展性符合阿姆达尔定律。
HGWM 耦合了 LLM 生成的房间锚点先验与持久化的空间语义记忆,采用两阶段机制(粗粒度视觉语义评分与细粒度符号兼容性测量)结合 LLM 方向推荐进行本地动作选择。
推荐理由:该工作提出分层图引导的世界模型,在仿真环境中实现零样本物体导航,提供了具体的成功率与路径效率指标及消融分析。
Yonghyeon Lee 通过人机协作编写并发布 Optimization, Optimal Control, and Reinforcement Learning for Robotics v1 预印本讲义。该资料聚焦优化、最优控制及强化学习的数学联系与实际应用,目前不含任何图表或图形。作为初步版本,后续计划进行修订、纠错与内容扩展。
Ning Zhou 和 Edmund Hunt 在 arXiv 上发布论文,提出将集群视为动态能力而非固定类别,构建可在中心式规划与去中心化自组织间切换的统一控制框架。该框架允许系统在条件允许可用时利用中心式优化的最优性,而在环境压力下优雅降级为去中心化集群以维持鲁棒性和适应性。
该研究针对超声成像高度依赖操作者的问题,提出一种解剖锚定的模仿学习框架,结合外部视觉定位与力反馈实现自主超声扫描。系统在未见参与者上对肾脏、胆囊和肝脏标准切面采集及桡动脉扫查的任务成功率分别达到 96%、94%、88% 和 94%,相比微调后的 pi_0 模型在腹部任务上的成功率提升 10-42 个百分点。
论文介绍了 CoCarry 数据集及配套的 Contact-Support-Structured Retargeting 方法,旨在解决双具身智能体在协同搬运中保持个体运动合理性与跨主体、主体 - 物体关系一致性的难题。
针对强化学习中奖励函数设计成本高及 LLM 方法存在采样不足和反馈利用有限的问题,提出 $R^2E$ 框架。该框架通过明确的角色分工(探索者、守护者、演化者)结合动态调度策略与全局精英池机制,实现从广泛探索到聚焦开发的渐进式搜索并提升训练稳定性。在多项机器人任务上的实验验证了该方法的有效性。
Graphs of Trajectory Bundles (GTB) 方法结合采样规划与轨迹优化,为具有非线性及黑盒动力学的系统构建轨迹包图以解决最短路径问题。该方法能处理高度非线性、不稳定且含复杂碰撞约束的系统动力学,在顶点处捕捉局部动态并满足安全限制。论文提交至 arXiv,当前处于预印本状态,代码与权重暂未提及开放许可。
论文 LogLook 针对无需任务特定训练的前沿视觉语言模型,提出一种结合执行日志与选择性观察的记忆机制。该方法在保持记录的同时让模型自主决定查看位置,仅在预期变化处返回帧并快速浏览演示部分。实验显示,LogLook 在 RoboMME 基准测试集上解决了 93.5% 的任务,相比仅用笔记的记忆方式减少了 43% 的 token 消耗和一半以上的图像使用量,且因记忆或观察导致的失败率显著降低。
论文介绍 DynaSlots,一种无需动作标签的预训练框架,将点云帧分解为时间一致的局部槽位并在该粒度建模动力学,而非传统的全局场景级压缩。该方法通过时序传播模块保持槽位一致性,利用逆动力学提取潜在动作,并结合扩散模型预测未来状态以学习邻近与运动关系。
该论文提出 MAST-VLA(Multi-skill Adaptation with Skill-conditioned experts and Trajectory-affordance priors),一种用于机器人操作的双条件框架。
针对在独立 CPU MuJoCo 环境中测试的 24 关节类人机器人,训练时引入 0-50 ms 延迟随机化将 40 ms 恒定延迟下的生存率从平均 15% 提升至 95%,并将延迟裕度扩展至 50-70 ms。
研究在 Unitree Go2 四足机器人搭载 AgileX Piper 机械臂上,通过调整模型变体、动作视界及演示规范,成功实现了闭环行走操作。扩大演示覆盖范围使未见末端执行器误差降低 30%,引入推等次要技能增加了新行为模式而未降级基线性能。真实世界实验验证了数据集构成对复杂行走操作成败的影响,确立了从桌面到移动机器人的部署管线。
论文介绍 RoboCode,该方法通过共享软门控原语接口学习动作空间中的可复用模式,将动作块表示为多个学习到的原语的软组合而非单一离散码。在五个 ManiSkill 任务实验中,其平均重建 MSE 为 0.0187,代码激活分析显示跨任务的结构性复用,且在所有评估任务上达到最高或并列的闭环成功率(平均 75.6%),优于 ACT(68.8%)和 Diffusion Policy(41.6%)。
推荐理由:该工作提出软门控原语接口,在五个任务上实现平均 75.6% 成功率并揭示代码复用结构。