rMuscle:面向高效 VLA 推理的机器人肌肉记忆框架
针对具身智能中视觉语言动作模型推理延迟高的问题,本文提出 rMuscle 框架,利用跨执行相似性构建上下文与动作双重缓存机制,复用视觉 token 输出并减少权重访问。实验显示该方案在 RTX 4090 和 Jetson Thor 上实现 1.29-1.42 倍加速,且在 LIBERO、RoboTwin 及物理操作任务中保持原有成功率。
针对具身智能中视觉语言动作模型推理延迟高的问题,本文提出 rMuscle 框架,利用跨执行相似性构建上下文与动作双重缓存机制,复用视觉 token 输出并减少权重访问。实验显示该方案在 RTX 4090 和 Jetson Thor 上实现 1.29-1.42 倍加速,且在 LIBERO、RoboTwin 及物理操作任务中保持原有成功率。
该论文提出一种动作条件化世界模型框架,旨在解决机器人超声检查中导航解剖标志和目标成像平面的难题。针对高质量演示采集困难且显式仿真器构建不易的问题,作者采用两阶段基于模型的训练流程:首先利用潜在条件扩散世界模型预测未来超声观测值;其次使用目标条件时序 Transformer 预测有序探针动作,并利用冻结的世界模型奖励进行微调。
本文介绍 ASPIRE(Agentic Skill Programming through Iterative Robot Exploration),一种在代码即策略范式下自主编写和精炼机器人控制程序的持续学习系统。
推荐理由:提出 ASPIRE 系统,通过闭环执行引擎与技能库实现机器人控制程序的自主编写与迭代优化。
论文提出了 ReStruct 方法,旨在解决部署学习到的机器人策略时的推理时行为引导难题,即在无需重新训练的情况下将策略导向用户偏好。该方法构建于神经自动机策略之上,将其分解为捕捉任务结构的高层状态机骨架和表示残差策略的低层连续控制器。
推荐理由:提出 ReStruct 方法,通过重构任务结构实现推理时行为引导,在仿真与真实世界中均优于现有方法及 VLA 模型。
SafeDojo 是一种基于模型的安全强化学习框架,利用交互式视频世界模型进行在线强化学习。系统使用 ResNet 成功分类器评分预测帧,并通过轻量级安全头从潜在上下文和动作块中预测接触概率,结合拉格朗日约束的 GRPO 平衡任务执行与轨迹安全性。
该论文提出多分辨率触觉感知框架 MiTaS,利用模态特定卷积主干与 Transformer 融合机制,整合 RGB 相机、GelSight Mini 传感器及高频事件驱动 Evetac 传感器的信息。系统性实验在五项接触丰富的操作任务中验证了该方法的有效性,平均成功率为 80%,而纯视觉基线仅为 35.5%。该成果已提交至 CoRL 2026 会议,预印本发布于 arXiv。
推荐理由:该工作提出多分辨率触觉表征框架 MiTaS,融合 RGB、GelSight 与事件相机数据,在五项接触丰富任务中平均成功率达 80%,显著优于纯视觉基线。
论文提出针对视觉语言动作模型(VLA)的高效一步生成策略。研究发现,仅将训练时间步分布偏向噪声端点,即可在 LIBERO、CALVIN 等基准上获得强单步策略;对于开源 VLA 模型,简单替换迭代解码为单次前向传播即可达到与多步解码相当的效果。
推荐理由:研究发现 VLA 因条件 - 目标结构特性,仅需调整时间步分布即可实现高效单步动作生成,无需蒸馏或专用目标。
针对移动机器人在临时障碍物阻塞路径时面临等待过久或过早绕行的效率问题,论文提出 OSCAR 框架。该方法利用障碍物的类别标签,从在线经验中学习条件化的剩余通行时间分布(含右删失观测),并将其集成到时间依赖的图规划器中,动态计算每条受阻边的耐心阈值以平衡等待与绕行策略。
该论文研究异质多团队协作中的动态机器人分配问题,将机器人视为可转移资源,提出基于汉密尔顿法则的利他决策机制及图神经网络策略。模型在消防场景下与精确优化及多步仿真对比,并在包含 15 台机器人的五组物理测试中验证了重分配策略的有效性,所有试验均达到灭火阈值,优于固定团队分配的两次成功。
针对世界模型在分布外状态预测不可靠的问题,本文提出一种推理时的反馈机制,利用执行后的真实观测在线校正预测偏差。该方法引入动作感知引导以优化控制翻译,并在 LIBERO-Plus、Robomimic 及实物操作任务中显著提升了策略性能,将预测误差降低最高达 76.4%。实验证明该机制可即插即用,能改进预训练基础模型 Fast-WAM-Joint 的预测效果而无需更新其参数。
推荐理由:提出推理时反馈机制,无需额外训练即可修正预测误差并提升策略性能。
论文提出 WARPED 框架,旨在利用仅单目 RGB 数据训练视觉运动策略,解决现有方法依赖多视角或深度传感器的限制。系统通过视觉基础模型初始化场景,追踪手与物体交互并重新定位轨迹至机械臂末端执行器,最后利用高斯泼溅技术合成逼真的腕部视角观测以直接训练策略。实验显示,该框架在五项刚性桌面任务和一项连杆物体任务中,成功率与遥操作相当,且数据收集时间减少 4-9 倍。
Safe-Night VLA 是一个多模态操作框架,旨在让机器人在非结构化环境中看到常规传感器无法捕捉的热信号并执行安全操作。该研究将长波红外热感知集成到预训练的视觉语言骨干网络中,使语义推理基于热力学属性;同时通过控制屏障函数在策略执行期间施加确定性工作空间约束以应对分布外条件。
论文提出 ExtremControl 低延迟全身控制框架,通过底层加入缩放速度前馈减少约 70ms 跟踪延迟,并直接在 SE(3) 位姿上操作以避开关节空间重映射。系统支持光学动作捕捉与 VR 追踪,端到端延迟低至 50ms,实现了乒乓球平衡、抛接球等现有遥操作无法完成的任务。
推荐理由:提出 ExtremControl 框架,通过速度前馈与 SE(3) 位姿控制将端到端延迟降至 50ms,支持乒乓球平衡等新任务。
该论文提出 HEHA(分层异构代理探索)框架,解决无人机、轮式及足式等异构机器人在复杂地形下的未知环境探索问题。核心贡献是全局规划算法 RCH,能在遍历性约束下快速求解大规模受限多重哈密顿路径问题,将最大路径长度(makespan)降低 47%,整体探索时间缩短 30%;局部规划器亦考虑异质性以避免重复探索。材料为 arXiv 预印本,未提及同行评审状态或真实部署结果。
AFFORD2ACT 研究仅用稀疏视觉表征进行机器人操作的可行性。该方法利用现成的语言条件化 affordance 模型定位任务相关区域,选取最多 15 个物体关键点和 4 个末端执行器关键点(共 19 个点),并辅以轻量门控机制决定注意力分配。
推荐理由:该工作证明仅用 19 个稀疏关键点即可在六项真实机器人任务中超越 RGB/Dense 基线,平均成功率达 82%,为紧凑状态表示提供了新范式。
针对现有基准未适配农业机器人的问题,作者构建了包含1560个场景的A2A基准,发现长指令导致性能下降。为此设计了STL模块将复杂指令分解为子任务,集成到NavGPT骨干网络提出AgriVLN方法,使成功率从0.33提升至0.47,同时平均导航误差略有增加。
论文介绍 AgiBot World Colosseo 平台,包含超百万条轨迹覆盖 217 个任务及五种部署场景,通过标准化采集管线保证数据质量与多样性。
推荐理由:Agibot World 发布百万级轨迹数据集与 GO-1 通用策略,预训练模型在域内及分布外场景均提升 30% 性能。
该论文提出 CW-WAM,这是一种联合预测视频、运动和接触力矩的世界动作模型。它采用混合运动 - 力控制灵感,包含统一交互模块和成对因果注意力机制,利用长固定长度力矩记忆保留过去交互信息。
推荐理由:该工作提出 CW-WAM 模型,结合接触力矩预测与慢快控制架构,将方柱插入成功率从 25% 提升至 70%,为力敏感操作提供了新的参考。
论文定义多模态具身智能体(MMEA)为耦合多模态任务推理与物理动作的系统,提出PAPAV框架以感知、预测、规划、行动和验证五种功能重新审视该领域。研究指出当前评估过度依赖任务成功,而忽视对预测和验证能力的考察,并分析了从电脑使用转向机器人使用时面临的物理约束挑战。
针对部分可观测环境下的序列决策难题,本文提出 ASTEROID 框架,利用学生 - 教师监督学习架构实现高效的测试时探索。该方法让学生先收集同策略上下文,再由特权专家提供条件化动作标签,使学生学会在不确定时搜索、揭示隐藏状态后利用。
推荐理由:提出 ASTEROID 框架,通过不对称同策略蒸馏让学生在部分可观测环境下学会测试时探索,仿真转现实成功率提升 40%。
针对 VLA 模型在复杂长视界技能学习中面临的延迟信用分配与子任务掌握不平衡问题,本文提出 AtomicRL 框架。该方法引入语义感知策略优化(SAPO)以约束跨任务边界的信用污染,并通过瓶颈自适应目标探索(BATE)动态协调采样与局部探索。
推荐理由:提出 AtomicRL 框架解决长视界操作中的信用分配与瓶颈问题,在仿真及真机部署上均优于 PPO。
该研究在模拟 Unitree G1 上训练策略,发现地球训练的模型在月球平坦刚性地面生存率为 0.64 至 0.75,而月球训练策略无法站立于地球。粗糙地形训练将地球和月球的综合瓦片生存率分别提升至 0.98 和 0.99,且重力随机化策略在关键测试单元的平均生存率至少为 0.84(地球)和 0.96(月球)。所有结果均为基于接触模型与土壤刚度的仿真预测。
论文提出了 RISE 方法,旨在让人形机器人在跌倒后根据场景和任务需求灵活选择恢复姿势与路径。该方法通过学习恢复词汇表连接意图与动作,并利用视觉扩散规划器预测未来状态以引导运动生成。实验在仿真中展示了多样化的恢复策略、地形适应及无需重训练的测试时导向能力,并在宇树 G1 机器人上进行了实物演示。材料为预印本版本,仅包含摘要信息。
推荐理由:该工作提出 RISE 方法,利用视觉扩散规划器在推理阶段引导人形机器人跌倒恢复策略,支持任务目标导向的多样化动作生成。
该报告提出统一闭环操作框架,评估 GPT-6 Astra、Gemini-4 Argon 等六款前沿大模型在 LIBERO-10 基准上的机器人操作能力。实验涵盖三种推理努力水平共 18 种配置和 1800 个评测集次,结果显示 GPT-6 Astra 成功率最高为 44%,Gemini-4 Argon 为 43%。
论文提出了 SP-HLM 框架,旨在解决人形机器人全身操控中高层策略与底层控制的接口问题。该框架采用稀疏姿态驱动机制,结合任务关键的五个体位与学习得到的潜在运动先验来表征空间意图和全身协调。
推荐理由:该工作提出稀疏姿态驱动的人形机器人全身控制框架,通过解耦任务意图与运动协调,在仿真及真机实验中提升了人形机器人的运动跟踪与操作成功率。
TARSphere 是一个面向物理与社会约束的具身智能全栈框架,包含运行策略的物理仿真器、事件驱动状态机及冻结多模态大语言模型(MLLM)执行脑。该框架构建了涵盖 30 个室内场景共 360 集任务的 TARSphere-Bench 基准,评估了导航报告与取放交付任务在感知鲁棒性、人类协作等五方面的表现。实验显示通用 MLLM 可超越具身模型但难以处理任务更新与人机交互,且执行安全需独立评估。
论文提出了 DONIC,这是首个联合训练于不同操作类别和人类运动源的双手通用追踪器,并发布了包含 1,575 序列的 BiHOI 数据集。该方法结合近端策略优化与行为克隆,利用对象中心奖励和 Clip-Centered Advantages 等技术,使单一策略能在异构参考下学习协同操作。
推荐理由:论文提出 DONIC 模型与 BiHOI 数据集,解决双手协同操作难题,在未见轨迹上成功率显著超越现有基线。
该研究提出一种主动感知框架,让高自由度移动机器人在导航时利用手眼相机检查不确定或关键区域。系统通过分层任务模型预测控制统一导航、地图维护与主动感知闭环,在真实测试中相比被动或非任务感知基线提升了地图一致性并降低了导航风险。仿真与实机序列验证了其对半静态场景变化的响应能力。
针对优化重定向管道和未来帧条件引入的计算延迟问题,本文提出 HuMiT 系统,其统一跟踪策略仅需当前帧的根高度、速度及四个稀疏关键点 SE(3) 姿态作为紧凑参考目标。实验显示该系统在头戴设备流与策略输出间实现约 20ms 通信推理延迟,跨不同运动类型的光流延迟中位数为 65ms。研究在宇树 G1 人形机器人上验证了系统,展示了接住抛球等秒级反应能力及协调的行走操作能力。
推荐理由:提出仅需稀疏参考目标的低延迟全身遥操作策略,在 Unitree G1 上实现约 20ms 通信推理延迟与 65ms 光流延迟。
论文介绍 GeoMem-VLA 框架,通过专用几何 token 和冻结的几何基础模型监督,将三维场景理解内化为可更新的时序记忆以支持动作生成。该方法在 LIBERO 基准上平均成功率为 98.9%,在 RoboTwin 干净/随机化设置下分别为 91.10% / 91.24%,并在五个真实世界任务中达到 78.0% 的平均成功率。材料为 arXiv 预印本,未提及同行评审状态或开源代码仓库。
该论文提出 RangeNav,这是一个仅含 183k 参数的紧凑 LiDAR 范围图像编码器,完全基于合成数据预训练。模型采用各向异性卷积和圆形填充以处理范围图像的极端宽高比与经线问题。
Spacetime Splines 模型通过联合估计共享贝塞尔曲线,独立适配空间几何与时间进程复杂度。仿真实验验证了其在部分演示下的路径区间恢复精度及鲁棒性提升。该方法在物理人体模型辅助的翻身任务中实现了在线重定时与同步能力。
针对物理 AI 中零样本泛化难题,研究指出依赖少数团队采集的数据虽具体量但缺乏多样性。论文提出将零样本泛化定义为对部署分布的覆盖度,并构建结合多模态对齐、生成式增强和噪声标签学习的共享潜在空间。同时提议建立基于标准机器人 Origami 的开发者社区以获取多样化数据,最后给出了连接真实机器人零样本成功率与数据多样性的可测试假设及评估协议。
论文 OMAR 针对家庭整理等无明确指令的开放任务,提出一种结合视觉语言模型与大语言模型的推理管线。系统首先利用分割、深度及多视图关联对未知物体进行标签与属性(内容、包装类型) grounding,随后由 LLM 推断货架潜在组织并生成场景一致的放置排名,最后经几何运动学可行性检查执行。
论文提出一种名为 Post-hoc Epistemic Uncertainty 的方法,通过为单策略模型附加无需梯度更新的核方差头来估计认识论不确定性。该方法在 SmolVLA 上验证了其在任务相关性、主动学习演示获取及向更强监督者转介方面的有效性,且推理速度比双策略集成快约 50 倍。
推荐理由:提出无需训练即可附加的单策略后验不确定性头,在 LIBERO-10 上媲美双策略集成效果并大幅降低计算成本。
论文提出了 SpatialDex 框架,旨在从仅含 RGB 的人体视频中学习带有空间上下文的三维双手灵巧操作。该方法通过重建场景几何并估计手部运动,利用手尺寸先验在共享视频级尺度上进行对齐,并将重建的几何信息既作为策略输入也作为预测目标。
针对多模态大语言模型缺乏可靠物理交互规划能力的问题,该研究提出 CausGround 框架,将交互经验蒸馏为可复用的以动作为中心的因果知识。该方法识别动作的前置条件与效果,并将其组织在因子化的世界状态表示中,支持基于当前观测的逆向推理与正向推理以进行多步规划。
AirPlayground 是一个用于训练和评估空中导航策略的统一基准。研究团队构建了 94 个具有对齐碰撞几何的真实感 3D Gaussian Splatting 环境,涵盖室内、城市户外及植被场景。
论文 FlowVLA 针对稳态倒水过程中视觉与姿态变化不明显导致决策困难的问题,提出将电机动作生成与物理完成度估计分离的框架。共享动作专家负责接近、倾倒和返回,目标无关的估计器融合视觉、关节、腕部力矩及循环力信念历史以估算转移质量,控制器据此触发返回。
该论文探讨如何将数字代理中的递归自我改进(RSI)机制迁移至物理世界,重点分析在部分观测、昂贵试错及不可逆后果下实现系统自优化的条件。作者梳理了现有研究在操作任务中支持的行为改进与流程优化成果,指出当前物理领域尚未完全隔离出由递归带来的增益。文章据此提出评估原则并指明未来研究方向,旨在建立机器人在反复试验中安全提升自身改进能力的理论框架。
推荐理由:文章提出将递归自我改进机制引入物理世界的评估原则与研究路径,为机器人能力与生成过程的协同进化提供理论框架。