具身操作数据金字塔:综述
这篇论文将具身智能的数据生态系统组织为包含真实机器人、UMI 风格、第一/第三人称视角、仿真及通用视觉语言数据的五层金字塔。作者分析了不同数据源在可扩展性与机器人对齐之间的张力,并评估了其在质量、多样性、复用性和物理保真度方面的特征。
这篇论文将具身智能的数据生态系统组织为包含真实机器人、UMI 风格、第一/第三人称视角、仿真及通用视觉语言数据的五层金字塔。作者分析了不同数据源在可扩展性与机器人对齐之间的张力,并评估了其在质量、多样性、复用性和物理保真度方面的特征。
该论文针对机器人控制中扩散模型的随机性作用研究不足的问题,引入每步反事实诊断以测试采样噪声对最终输出的影响。研究发现不同配置下噪声诱导的偏差在下游可能放大、收缩或衰减,据此定义“随机多样性窗口”并应用针对性干预策略。实验显示,利用低影响区域替换 DDPM 步骤为 DDIM 跳步,可将网络评估减少最多 40-60%,时钟时间减少最多 85%,且在保持可行性、成本和多样性方面未发现一致变化。
推荐理由:提出随机多样性窗口诊断方法,揭示去噪过程中噪声影响的时间敏感性,并通过采样干预实现推理加速。
该论文旨在加速生成机器人动作的自回归视觉语言动作模型(VLAs)。针对传统推测解码在机器人控制中因动作 token 冗余导致草案被频繁拒绝的问题,作者提出了 VSpark 方法。
Genesis AI 宣布完成 5 亿美元(约 33.33 亿元)A 轮融资,由 Khosla Ventures、Premji Invest 和 Eclipse 联合领投,英伟达、AMD Ventures 等参投。
蚂蚁灵波举办首届具身大模型挑战赛决赛,15 支队伍在 48 小时内完成数据采集、模型调优及真机部署。冠军团队 TARS(平均年龄 25 岁)选择从零手搓新数据并夺冠;华中科技大学 EVA 队通过递归自我改进方案获二等奖;天津大学 SST 队利用倒放视频标注技术获二等奖。比赛揭示了硬件适配与跨任务泛化的工程挑战,蚂蚁灵波现场发布开发者生态计划以支持模型落地。
论文提出 UNITE 框架,通过共享锚点一比特分解技术将多个具身视觉语言模型(VLM)专家整合为紧凑的混合专家模型。该方法在保持各专家前馈块路由能力的同时,仅用不到 0.6M 参数完成微调,显著降低存储占用。实验显示该模型在导航与三维场景理解基准上优于单一专家及多种静态合并方法,且相对于未压缩 MoE 几乎无损。
推荐理由:提出 UNITE 框架,通过共享锚点一比特分解将多个具身 VLM 专家整合为紧凑混合专家模型,在保持存储效率的同时提升导航与场景理解能力。
针对现有系统仅能实现有限唇部运动或脚本化表情的局限,本文提出 ROSE 框架,整合仿生硬件与跨具身运动表示学习。硬件上构建集成 34 个执行器的 19.5 cm 仿生头部结构;算法上利用 ROSE-VAE 从人、数字人和机器人观测中学习身份无关的共享面部运动隐空间,ROSE-Flow 直接将文本或音频映射为运动轨迹,ROSE-ACT 将其转换为受约束的执行器指令。
推荐理由:提出 ROSE 框架,通过解耦执行器布局与面部动作点实现紧凑头部全脸表达,并构建跨模态运动生成管线。
针对 GelSight、DIGIT 等光学触觉传感器因成像几何和背景差异导致观测不一致的问题,论文提出 TacBridge 框架。该框架利用跨传感器掩码预训练学习时空表征,并在同传感器与跨传感器重建任务上联合训练,实验证明了其跨传感器泛化性与下游感知任务的迁移能力。
推荐理由:提出 TacBridge 框架,通过跨传感器掩码预训练学习统一触觉表征,验证了多传感器间的泛化与任务迁移能力。
论文提出 TRR(Thermal Robot Renderer),这是一个将空间解析的热状态附加到接触对象、并通过接触/传输/分离更新局部热交换的渲染器。材料展示了受控干预如何证明保留热量对后续接触结果的影响,并发布了包含 2,224 个静态 - 动态对的六任务基准数据集(共 4,448 条轨迹)。
推荐理由:TRR 引擎引入热力学状态模拟,生成带热历史的 RGBT 基准数据集与工程工作流,旨在提升机器人接触安全选择率并加速仿真到现实迁移。
论文介绍 RoboKit,这是一个基于 GPU 并行多种子求解器的高性能通用工具包,旨在加速机器人学习中的并行可微分优化。材料指出其在七个任务上比特定任务基线快 2-60 倍,利用混合表示法在 2.97 秒内优化了 4096 次抓取,并将优化成本转化为策略蒸馏和强化学习的训练优势,使蒸馏策略精度相当时速度快 9-240 倍。
深圳具身智能公司鹰瞰智翼宣布完成由商汤国香资本独家投资的数千万元人民币 Pre-B 轮融资。资金将用于下一代具备约 15 个自由度的“白鹰”扑翼机器人及 Vortrix 流体仿真引擎研发,并推进 Eagle X 量产爬坡与欧洲、日本市场拓展。
深圳鹰瞰智翼近日完成数千万元 Pre-B 轮融资,由商汤国香资本独家投资。资金将用于下一代扑翼机器人整机与 Vortrix 流体仿真引擎研发、产线建设及海外拓展。其首款消费级产品 Eagle X 已于 9 月在 IFA 2026 全球首秀并进入量产爬坡阶段,同时推进具备约 15 个自由度的“白鹰”下一代产品研发。
蚂蚁灵波发起具身大模型挑战赛,15支战队基于开源模型LingBot-VLA 2.0和松灵COBOT MAGIC机器人在48小时内完成三项真机任务。比赛暴露了仿真到现实差距、数据覆盖不足及物理环境不确定性等挑战。
IEEE RAS 软体机器人技术委员会将于 2026 年 12 月 20 日举办 Soft Robotics Day,通过线上及墨西哥、瑞士、印度等多地混合现场形式开展系列演讲与辩论。活动面向全球社区开放,特别招募学生担任演讲者分享研究成果并连接同行。具体在线详情及 Zoom 链接将随后公布。
针对现有传输模型未标准化策略接口导致难以跨机器人复用的问题,本文提出在上游映射层引入身体对齐的虚拟关节空间。该方案使策略动作与观测遵循统一解剖学约定,并通过确定性运动学层将虚拟目标映射到原生坐标,保持底层控制栈不变。实验在三种不同腿部轴布局的人形机器人及宇树 G1 硬件上验证,证明该方法能准确跟踪、保持足部对齐且训练稳定,并将航向漂移降低近六倍。
推荐理由:提出身体对齐虚拟关节空间,在三种不同构型人形机器人上复用同一强化学习策略,显著降低航向漂移。
Talk to Act 发布了一个合成生成的多轮对话数据集,旨在评估无需特定微调的小参数语言模型(270M 至 8B)在机器人场景下的意图提取与动作规划能力。实验表明,这些紧凑模型在本地部署环境下即可实现合理的任务性能,为构建高效的人机交互系统提供了实用基线。
深圳具身智能公司星尘智能发布了面向多机器人协同操作的模型框架CoMind(Be My Eye)。该框架通过去中心化的主动共享与任务关键信息的精选压缩,让机器人在独立决策的同时交换对任务有用的信息。
针对语言引导无人机导航长期侧重长程规划而忽视短距物体相对飞行的空白,该工作提出 Flying-on-a-Word 任务及 UAV-Flow 数据集,包含 30,692 条真实专家轨迹和 10,109 条仿真轨迹。团队开发 FlowVLA 模型,利用 Tail-Aware GRPO 方法进行在线后训练,在仿真基准上平均成功率达 93.16%,并在室内外实物场景中验证了物体相对指令的稳健执行能力。
推荐理由:该工作提出语言引导无人机飞行新基准与框架,通过混合真实与仿真数据训练 VLA 模型,在仿真中成功率提升至 93.16% 并验证了实物执行能力。
HALO 是一种针对全身体移动操作的人机对齐数据采集系统,通过保留直接物理反馈与天然运动能力解决现有接口在感知、动作对齐及操作员移动性上的权衡难题。相比 Mobile ALOHA 和 VR 遥操作,HALO 将演示采集速度提升最高 2.9 倍,同时在六阶段长视界任务中保持相当或更高的成功率。经部署对齐处理策略训练后,系统在涉及重复协调基座与手臂运动的复杂操作中达到 73.3% 的成功率。
论文提出 VBot Exo2Ego Policy 模型,将第三人称视频转化为选定演员的第一人称观察视角,以扩充第一人称操作数据。系统包含支持双视角同步采集的轻量级流程,利用预训练扩散 Transformer 结合几何引导与语义掩码监督优化手物交互保真度。
该论文概述了 Hibikino-Musashi@Home 2026 团队在 RoboCup@Home 2026 比赛中开发的集成技术。
推荐理由:原文概述了 RoboCup@Home 2026 团队的集成技术方案,涵盖无训练目标识别、语义建图及低功耗时序处理模型。
RoboCup Rescue Robot League 推出 SPARC 竞赛,采用 Unitree A2-W 作为标准机器人平台,旨在让更广泛的研究社区能专注于灾难响应场景下的自主导航、感知、操作及具身智能研究。
本文介绍了一个集成两个 LeRobot SO-101 机械臂、TurtleBot 4 底盘及 LeRobot-ROS 2 软件栈的低成本移动双臂平台,并以长周期的马桶清洁为案例研究。
推荐理由:该研究在低成本移动双臂平台上评估了多种 VLA 模型,发现 $ ext{ extpi}_0$ 表现最佳,而增强变体未见提升。
论文介绍了 XInfer,这是一个在生产环境中部署的视觉语言动作模型服务系统,旨在降低大规模机器人部署的推理基础设施成本。该系统通过协调异构计算与机器人执行的响应需求,在利用并行性的同时管理干扰,从而在保证时间关键反馈的前提下提升 GPU 效率。
开源跨膝假肢旁路装置在无需鞋垫或侧向偏移约束下,仅经 10 分钟熟悉即可让受试者无扶手行走。实验显示单腿支撑时间缩短至 27%(对侧为 45%),摆动期膝关节最大屈曲角从 61°降至 36%,髋关节活动范围增至 51°,为下肢假肢研究提供有效工具。
继 2019 至 2026 年成功举办后,IEEE RAS 多机器人系统技术委员会将于 2027 年 8 月 4 日至 10 日在捷克布拉格举办夏季学校。活动聚焦合作无人机与地面机器人系统,旨在推动多机群协同理论及最后一天自主微型航空器机队的实地实验落地。该活动主要面向线下参与以强化学生 networking,同时为受旅行限制地区的学生提供虚拟参会选项。
北京人形机器人创新中心“慧思开物”应用商店近日迎来关键更新,正式落地固定点位展演场景闭环能力。此次更新将机器人应用分发的颗粒度从单一技能升级为整套场景方案,实现了从素材入库、内容编排、应用分发到机器人执行的全链路闭环。
Grid Robotics 团队发布预印本论文,提出“具身智能体(agentic robotics)”新范式及 Embodied System 2 概念,主张利用基础模型与具身 harness 构建闭环决策核心。文章定义了从感知到策略适应的完整操作循环,并提出了评估框架以衡量模型能力与系统性能,同时规划了通往持续自主的研究路线图。材料为预印本状态,未报告真实部署结果或具体实验数据。
Viam Launchpad 推出为期六个月的密集孵化项目,为创始人提供技术工具、使用额度及纽约办公空间,助其快速完成从概念到商业安装的转化。该计划依托东北地区的机器人实验室与硬件资源,帮助如 RoboBuilt 等团队跳过基础驱动配置,专注于核心任务并加速获取种子轮资金前的商业化部署。
元戎启行 CEO 周光提出“几年后全无人驾驶可能不是自动驾驶公司”的判断,文章据此分析具身智能领域本体公司与“脑公司”的博弈。目前宇树、智元、优必选等本体厂商均在自研或适配模型以掌握真机数据回流;而 Physical Intelligence、Skild AI 等纯脑公司面临上游通用模型挤压与下游本体自研的双重压力,需证明跨本体迁移能力并找到收费入口。真正的分水岭在于谁能掌握真实世界的数据复利。
李飞飞在CoRL 2026会议上介绍World Labs新发布的Atlas模型,这是一个用于生成与重建的统一世界模型。该模型采用多模态自回归扩散Transformer架构,能在多图输入下进行稠密重建、零像素条件下进行纯生成,以及少量视图下的稀疏重建。
论文提出了 Sequential Approximate MPC (Seq-AMPC),这是一种无标签的循环框架,利用共享参数生成完整控制序列。该方法通过已知动力学直接训练策略,并引入基于安全滤波器的阶段成本依赖接受容差,以在存在神经近似误差时保持递归可行性和渐近收敛性。
推荐理由:提出无需专家演示的 Seq-AMPC 框架,在四类基准上实现接近 NMPC 的成本比与高采纳率。
针对人形机器人在听到音乐片段前必须承诺动作、且需延续已执行动作的挑战,论文提出 AHEADance 框架。该框架利用 ListenAhead 模块结合已听音乐的冻结模型预测与未来音乐预报来对齐节拍,并通过 Commit Forcing 训练从自身已承诺片段进行延续,将低活跃度从 83.5% 降至 10.3%。
在第六届国际神经康复会议上,研究者组织了一场包含 5 名中风患者及照护者的参与式设计工作坊,利用双钻模型与旅程地图引导团队从学科假设转向基于真实体验的优先事项。该过程成功将狭窄目标转化为具体任务方案,并将宽泛目标扩展为具备感官反馈或刺激功能的设备概念,获得了参与者的高度满意。所有工具与协议均已公开共享,为未来在神经康复技术开发中早期纳入生活体验专家奠定了实践基础。
针对资源受限平台上视觉语言动作(VLA)模型的自回归生成延迟问题,本文提出了 Zora 软硬件协同设计框架。该方法利用轻量级检索增强生成(RAG)草案模型结合机器人动力学替代昂贵的神经网络草案模型,并通过运动学引导的动作接受策略与 KV-cache 共享注意力机制降低批验证开销。
MultiMediate'26 挑战扩展评估域至包含 PInSoRo 数据集的儿童 - 儿童与儿童 - 机器人玩耍会话,引入 NoXi、NoXi-J、MPIIGI 及 PInSoRo 数据集并公开基线代码。该工作通过多模态特征提取,实现了跨领域、年龄范围和文化背景的参与度估算基准,为辅助 AI 系统建模提供透明环境。
KR A1 是一款整合个性化语音合成、上下文对话及情感感知响应生成的人形机器人交互原型,旨在探索心理健康护理应用。系统架构采用本地部署的 Qwen2.5-3B-Instruct 模型处理自然语言,结合 OpenVoice v2 实现零样本说话人自适应语音合成,并利用 InsightFace 进行人脸识别与 FAISS 向量检索支持个性化互动。
Compass 1 是首个统一语言理解与视频生成的具身导航基础模型,通过引入历史表征机制整合稀疏关键帧与显式地图以保留长时空上下文。该模型基于单目 RGB 视频训练,涵盖超 500 小时真实交互与超 2000 小时标注网络视频数据,支持从轮式机器人到无人机等多种载体。
推荐理由:Compass 1 是首个统一语言理解与视频生成的具身导航基础模型,通过历史表征实现近两分钟视觉回溯,在开放世界导航任务中成功率达 79.4%。
该研究提出将退役的边缘计算模块(如 32 GB Jetson AGX Xavier)通过重新产品设计转化为多语言服务机器人,实现了在设备端运行五种 AI 服务和七种语言的语音链。
EmbodiedIntentBench 提出了一套用于评估移动机器人任务中意图驱动运行时适应性的基准,通过结构化契约涵盖覆盖、时效证据及资源约束。在多阶段仓库研究中,87.5% 召回率配置仅完成 1/16 任务而低召回率配置完成 14 个,且忽略执行导致的观测损失会逆转策略优劣排序。