基于演示的机器人喂食:融合动态运动原语的框架
该论文提出一种基于人类演示的机器人喂食框架,整合了动态运动原语(DMP)的运动规划、基于视觉的场景感知及机器人控制。系统通过动捕记录勺子舀取与投喂轨迹并编码为独立 DMP,利用 RGB-D 相机估计嘴部位置,结合 AprilTag 进行机械臂标定与托盘定位。实验在真实场景中验证了 Kinova Gen3 机械臂执行该集成流程的可行性,证明学习到的勺子动作可在检测到的实验场景中被复现。
该论文提出一种基于人类演示的机器人喂食框架,整合了动态运动原语(DMP)的运动规划、基于视觉的场景感知及机器人控制。系统通过动捕记录勺子舀取与投喂轨迹并编码为独立 DMP,利用 RGB-D 相机估计嘴部位置,结合 AprilTag 进行机械臂标定与托盘定位。实验在真实场景中验证了 Kinova Gen3 机械臂执行该集成流程的可行性,证明学习到的勺子动作可在检测到的实验场景中被复现。
该研究针对自然语言接口下的机器人任务路由问题,对比了三种基于 ChromaDB 的语义检索方法与一个 120B 参数的云端大语言模型基线。实验在 164 个标注提示词上进行,涵盖从单工具到复合指令(需至少三个工具)的不同复杂度。
针对腹腔镜手术中纯强化学习训练视觉策略困难且模仿学习需大量专家演示的挑战,该工作提出一种状态到视觉的策略蒸馏框架。在仿真环境中进行的广泛实验表明,该方法仅需较少专家演示即可从拥有特权观测的状态策略中学习,相比通用强化学习方法能实现更一致稳定的跨任务性能。
论文 TRACE 提出一种面向非结构化森林环境的自主地面机器人导航框架。该方法利用视觉语言模型(VLM)生成的正负自然语言提示置信度图,通过证据融合生成稠密可通行性地图,并提取边界作为软约束融入非线性模型预测控制(NMPC)。实验在真实森林环境中验证了其在杂乱、变形及视觉模糊地形下的平滑导航能力。材料为预印本论文,未提及同行评审状态或具体部署规模。
该论文提出 UniFlowWAM,一种将三维场景流作为独立模态的扩散 Transformer 架构,统一处理视觉语义与 4D 几何信息。模型在 RoboCasa-GR1、LIBERO 及 LIBERO-Plus 等仿真基准上提升成功率,并在真实双臂操作任务中达到 87.0% 平均成功率,优于最强基线。材料为预印本论文,未提及开源代码或具体部署许可。
针对软体衣物操作的高维状态与材料形变挑战,该研究提出一种 Soft-Object World Model,利用 Transformer 骨干在大规模仿真交互数据上训练,通过上下文学习从部分点云历史推断潜在形状与材质线索。
IORA 是一种支持感知的抓取合成框架,旨在解决低自由度机械手在任务特定扰动下实现不规则物体稳固抓取的难题。该方法将手和物体的局部表面区域表示为图,搜索运动学可行的匹配关系,并通过物理仿真验证几何接触可行性。
iAssistADL 平台采用基座驱动的低动量透明机械架构,结合水平面开环力渲染与垂直方向闭环控制的混合策略。实验结果显示水平面阻力矩低于 0.1 Nm,末端执行器出力可达约 10 N,且水平力渲染频率准确至 4 Hz。该预印本论文验证了其在日常活动中补偿震颤和共济失调的潜力,但垂直轴高频性能仍受摩擦限制。
LocoManiLab 提供涵盖数据采集、策略训练至物理部署的统一测试床,支持五类家庭场景下共 234 个原子与组合任务。该测试床基于 51.5 小时模拟遥操作数据,评估了十二种策略及两种策略在五种控制器下的表现,验证了仿真到现实的一致性。
arXiv 论文 ProTrav 针对非结构化地形的可靠通过性估计问题,提出了一种概率地形表示方法。该方法利用稀疏变分高斯过程重建概率高程场,并通过函数空间采样生成具有空间相关性的地形实现,将高程不确定性传播至通过性成本。
论文提出了 TEAR(Task-Evidence Authority Routing for Robotic Manipulation)框架,旨在解决现场部署环境下机器人操控的可靠性问题。
针对人形机器人独立采集的动作难以连续拼接的问题,论文提出 Spatio-Temporal Alignment with a Motion Prior (STAMP) 框架。
论文提出了 ALMA 框架,旨在解决空中平台在机臂交互下质心变化导致的控制难题。该方法利用上下文飞行策略结合动作条件预测来保留历史响应信息,并引入进化过程通过大语言模型分析控制困难以生成新的机臂运动结构进行训练。实验表明,该策略在仿真中将位置均方根误差降低了 24.7%,并能零样本迁移到真实空中机械臂,使周期性机臂运动下的悬停位置误差降低 79.6%。
该论文针对流匹配(Flow matching)在视觉语言动作(VLA)机器人策略中的应用,提出并验证了单步动作生成的有效性。研究发现,只要模型训练充分且容量足够,单步推理的效果与多步采样基本一致,后者并未带来一致的显著优势。
针对现有轻量级 VLA 模型在受限算力下多任务能力不足的问题,该研究提出 SmolVLA-MoE 框架,将稀疏混合专家结构引入动作专家的 FFN 层。通过共享专家与可调节权重平衡预训练能力继承与任务特异性专长,推理时仅激活单个专家 FFN(总激活参数约 500M),同时存储约 800M 参数。
该研究提出一种图像到操作的管道,在机器人手术中同步生成变形缝线的实时三维重建并执行安全优化的连续操作。针对无固定位姿且自由度无限的柔性线体,该方法通过持续追踪接触点解决了构型预测难题。论文提交于 arXiv,旨在缓解外科医生在长时间缝合任务中的时间与精神负担。
针对视觉语言动作(VLA)模型在与其他机器人或人类协作方面的能力不足问题,本文提出 Co^2Gen 框架。该框架利用去中心化协同规划方法生成可执行的多机器人协作计划,进而产生协作演示数据用于微调 VLA 模型。实验表明,基于该方法生成的数据进行微调的模型,在执行去中心化协作任务时的表现与使用人类遥操作数据微调的模型相当。
推荐理由:提出无需遥操作的协同规划框架,生成数据微调 VLA 模型效果媲美人类演示。
论文提出了 GlobMP(Global Motion Planning)算法,这是一种基于梯度投影的连续时间规划方法,旨在同时满足避障约束和保持轨迹接近学习策略提出的初始路径。
推荐理由:提出 GlobMP 算法,在连续时间框架下解决多机器人避障与轨迹平滑优化问题。
CMAR-search 提出一种基于常识与记忆增强的推理新框架,通过构建功能三维场景图实现宏观区域与微观容器的分层规划。该方法在仿真及真实世界实验中显著超越最先进基线,有效解决了开放布局环境中物体重定位及动态适应难题。论文已发表于 ICRA 2026,代码与数据许可状态待进一步确认。
论文提出 PATH-Net 框架,解决地面车辆遥操作中忽视操作员速度与风险偏好的问题。该方法融合视觉几何鸟瞰特征与短时历史状态,利用最大熵逆强化学习和稀疏速度监督优化建议。实验显示在 225 条轨迹上,激进与保守策略的修改豪斯多夫距离分别为 0.17m 和 0.15m,NASA-TLX 负荷评分从 34.7 降至 22.2。材料为预印本,未提及同行评审状态或开源代码。
针对现有机器人建图方法在语义上下文与计算成本间的权衡难题,论文提出 OASIS 统一系统,利用稀疏锚点节点整合多模态表征以支持推理、验证与导航。系统在仿真和真实环境中演示了复杂开放词汇检索、动态环境导航以及在场景变化后对位移物体的重定位能力。材料为预印本,已获 ACM Multimedia 2026 口头报告录用。
推荐理由:提出基于锚点的在线推理系统,在仿真与真实环境中验证了动态场景下的开放词汇检索、导航及物体重定位能力。
针对具身智能体在长程规划与快速闭环决策间的矛盾,本文提出 CARE 框架,通过轻量级评论模型监控执行可靠性并动态触发向云端强模型的升级控制。该架构利用共享交接内存保持上下文,避免逐步切换带来的中断。实验表明,CARE 在多个基准测试中将任务成功率提升 6.3-18.3 个百分点,同时将动作间延迟中位数降低 28.8-82.6%,接近或超越纯云端方案的效果。
该研究提出一种名为 STR 的方法,利用时空偏好将人类演示转化为全身控制与操作轨迹。通过视觉语言模型选择关键信号与身体部位,并在关键帧分配额外求解迭代次数及更高交互权重,同时引入力学感知接触锚定优化物体表面接触位置。
Motion Diffusion Models 生成的轨迹常违反物理约束,限制其在仿真与控制中的应用。本文提出 PhysibleMDM 框架,通过在推理时优化扩散噪声(无需重训)来促进物理可行性。
该论文通过预注册实验对比了将具身智能体的经验嵌入策略权重与作为外部检索缓冲器的效果。结果显示,将冻结的检索缓冲器附加到固定学生权重上比仅行动控制提升 34 个百分点,显著优于将记忆蒸馏进权重的方案(后者因统计功效不足被撤回)。研究结论建议采用外部化记忆架构,即保留独立缓冲器而非将其参数化入模型权重。
推荐理由:预注册研究表明将记忆外置并作为检索缓冲器使用时,比嵌入权重更能提升具身智能体在视觉条件化任务上的表现。
该系统在 CT 孔道内无需患者屏气或手动置针,即可执行自主呼吸门控穿刺并检测呼吸异常。实验验证了系统跟踪预测呼吸周期及识别异常的能力,旨在缩短手术时间、降低患者不适与辐射暴露。
该综述回顾了触觉感知在灵巧操作中的发展,涵盖力学驱动的接触信号解释与数据驱动的模仿学习、强化学习及视觉语言动作模型等进展。文章分析了从基础传感原理到未来可扩展系统的开放挑战,共 30 页,为构建鲁棒机器人系统提供理论参考。
针对人形强化学习奖励函数设计难、易过拟合或失稳的问题,本文提出 MPBRS 方法,通过势能差引导探索且不改变最优策略。该方法在九个人形机器人上验证了仅需关节映射和默认姿态等元数据即可实现统一配置,相比标准塑形具有更一致的缩放行为和更低调参敏感性。
本文介绍了一种名为 FRED(Future REpresentation learning via self-Distillation with temporal context)的框架,旨在提升世界动作模型(WAMs)中未来视频表征的质量。
Alpha 是一个针对 LLM 驱动具身操作的仿真故障注入与鲁棒性评估框架,通过向感知、执行和规划层注入校准后的故障来揭示失效根源。在包含 150 个回合的平衡矩阵中,确定性脚本预言家以 64.0% 成功率完胜仅得 44.0% 的 Llama-3 智能体,且排除了规划器输出损坏后两者物理表现完全一致。
星忆智能近日完成由顺禧基金领投及凌云光等跟投的数千万元种子轮连续融资,资金将投向核心算法、真实世界多模态数据基础设施建设及商业化能力提升。公司依托自研 EgoKit 采集系统与 HBR Engine 引擎,攻克遮挡与高速运动难题,实现人手—物体交互场景下的毫米级三维手部姿态解析与自动化标注。
HoloBoxing 提出了一种利用预训练全身控制器学习类人机器人拳击的简单配方。该方法将可复用的运动技能与任务决策分离,由紧凑规划器请求目标点,冻结控制器处理关节执行,并通过模仿初始化与强化学习结合优化交互行为。实验表明,在复用表示拟合和单卡任务运行的基础上,仅需约七分钟额外训练即可实现模拟拳击实验中的行为评估,无需重新学习全身控制。
Hugging Face Daily Papers 转述了一篇 arXiv 论文,介绍 RynnUnify 这一 16B 参数规模的统一具身模型。该模型结合视频语言推理实现长视界视觉规划与物理预测,并通过强化学习扩展智能体能力以推断未观测状态,同时开发世界 - 动作扩展将理解转化为机器人控制。
推荐理由:该预印本介绍了 RynnUnify 统一具身模型,展示了其在视觉规划、物理预测及机器人控制上的实验结果与基准。
Dream Labs 宣布完成 9000 万美元种子轮融资并推出 Dream API,其旗舰模型 Dream-1 宣称无需额外数据即可跨硬件控制机器人执行抓取、折叠等任务。公司通过云端运行模型并提供微调服务,支持开发者连接带夹爪的机器人直接调用,同时开放 Playground 供在线测试。
为了解决大语言模型难以在文本空间中准确表征多个可能伙伴状态的问题,该研究提出 ToM2Vec 方法,利用固定预算的连续推理令牌学习抽象思维理论。训练时通过匹配伙伴的实际思想进行监督,测试时生成的令牌作为智能体思考与行动的条件器。
推荐理由:该文提出连续思维向量方法,在多智能体协作中通过潜在空间推理提升对伙伴状态的抽象理解与泛化能力。
蔚来资本牛总会企业辉羲智能近日宣布 Pre-B+ 及 B 轮融资完成,2026 年内累计股权融资规模突破 25 亿元。资金将用于新一代具身智能大算力芯片研发、规模化交付与产业生态建设。公司推出基于通用可编程架构的高性能 AI SoC“光至 R1
在2026年第三季度财报电话会上,马斯克确认Optimus早期生产启动并规划百万台产能,但承认AI、机电设计及可靠性问题仍需一年甚至更久解决。文章指出,单纯扩大制造规模无法保证训练效率,灵巧手的硬件成熟度与工业场景的持续运行要求存在矛盾。
该研究提出了一种针对随机神经控制屏障函数的可验证安全合成方法,涵盖平滑激活与 ReLU 两种情况。团队在倒立摆、Darboux 及单icycle模型三个案例中验证了框架有效性,其中平滑情形无需验证即可生成,而 ReLU 情形采用闭环验证策略。
论文提出开源平台 PolyUMI 和 VisTA 策略,解决机器人模仿学习中触觉与听觉信号缺失问题。PolyUMI 采用无线手持夹爪同步采集腕部相机、光学触觉、接触音频和本体感知数据,且传感手指可直接移植至机器人末端执行器以保留几何一致性。
论文提出 BAS-VLA 框架,旨在解决视觉语言动作(VLA)模型难以区分应保留行为的外观变化与需调整行为的语义变化的问题。该框架在冻结基座模型上构建以‘破坏性’为中心的校准核心,并辅以选择性证据门控机制来修正外观诱导的漂移。实验显示,BAS-VLA 将任务切换成功率从 2.3% 提升至 68.5%,同时在保持风格不变的外观偏移下将成功率从 42% 提升至 70%,且未降低原始性能。
推荐理由:提出 BAS-VLA 框架解决 VLA 模型在外观变化与语义变化下的策略漂移问题,显著提升任务切换成功率。