跳到正文
11月18日周三
  1. 智东西 · 机器人45

    前华为员工创办苏州具身数据公司柏川数据完成5000万元Pre-A轮融资

    苏州物理AI数据基座服务商柏川数据宣布完成5000万元Pre-A轮融资,资金将用于构建“数据采集—山海数据管理平台—真实场景开发验证—高质量数据集”的业务闭环。该公司依托2座实训场与300余种工序渠道,月产能超5万小时,累计交付超20万小时有效数据覆盖12类场景。业务已拓展至欧盟等40余国,计划于2027年突破百万小时交付量并启用海外数据中心。

  2. arXiv · 机器人与计算机视觉72

    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。

  3. arXiv · 机器人与计算机视觉66

    HubEgo-100K 发布:面向具身智能的大规模真实工作场景第一人称视频数据集

    HubEgo-100K v1.0 数据集包含 10,124 小时的高清第一人称视频及同步惯性测量单元数据,由全球贡献者录制。该数据集涵盖多种工作环境与任务类型,旨在解决机器人策略泛化性差的问题。材料提供了数据格式、隐私措施及 datasheet,后续版本将增加基准测试并扩展至 10 万小时。

11月17日周二
  1. arXiv · 机器人与计算机视觉78

    TacBridge:通过跨传感器对应学习统一触觉表征

    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。

11月16日周一
  1. 盖世汽车 · 汽车资讯5

    简智机器人在 CoRL 2026 展出 DAS 2.0 多模态数据采集产品矩阵

    简智机器人在美国奥斯汀举行的 CoRL 2026 大会上展出新一代 DAS 2.0 多模态数据采集产品矩阵,包含 Dex2.0 灵巧手套、Ego 2.0 第一视角设备及腕部相机。系统提供三种数据配置以适配不同任务需求,并将环境观察、手部交互与身体运动纳入同一时间轴和空间参考。简智机器人计划完善采集体系并推进开源建设,为物理 AI 模型训练提供底层支撑。

11月13日周五
  1. arXiv · 机器人与计算机视觉83

    SALA:语义对齐的潜在动作实现具身基础模型的双轴扩展

    针对现有潜在动作模型仅通过视频重建导致表征按外观聚类而非动作的问题,该研究引入 SALA 方法,利用人类与机器人视频的语言描述估计语义相似度并建立跨载体对应关系。

    推荐理由:提出利用语言描述对齐人类与机器人潜在动作,无需配对数据即可统一监督信号。

  2. arXiv · 机器人与计算机视觉56

    VBot Exo2Ego Policy:轻量数据采集与第三人称转第一人称视频生成

    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。

11月11日周三
  1. arXiv · 机器人与计算机视觉65

    从第一人称人类视频到具身智能时代的机器人操作:一种综述

    该论文提出 Ego2Robot 学习框架,旨在利用第一人称人类视频(EHV)中的手物交互数据训练机器人操作策略。文章定义了四种学习范式:显式本体转移、显式动作与任务监督、第一人称视频表示预训练以及潜在动作与动力学建模,并对比了各范式的信息提取方式与额外数据需求。

11月10日周二
  1. arXiv · 机器人与计算机视觉45

    MultiMediate'26 挑战:跨领域、年龄与文化的人机及人际互动参与度估算基准发布

    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。

  2. arXiv · 机器人与计算机视觉73

    演示数据的相对价值:执行时限与操作员混合在行为克隆中的作用

    该论文研究了机器人演示数据集如何结合不同经验的遥操作者数据,提出用“数据倍数”衡量两组演示达到相同成功率所需的数量比。研究基于 robomimic 的 Square 和 Can 任务,对比了标记为 Better(更好)和 Worse(较差)的操作员数据。

  3. arXiv · 机器人与计算机视觉58

    RoboMoCap:面向人形机器人学习的全身运动捕捉数据集

    针对现有第一视角数据集缺乏高精度光学动作捕捉及下肢行为覆盖不足的问题,作者发布了 RoboMoCap 大规模多模态数据集。该数据包含超过 200 小时的记录,由 14 名参与者完成,集成了六个头戴式相机、腕部视觉与惯性传感以及 120Hz 的全身体光学动作捕捉。

11月9日周一
  1. arXiv · 机器人与计算机视觉48

    ToolDex:面向创意物理工具使用的自中心 - 他中心人类演示数据集与基准套件

    ToolDex 是一个大规模自中心 - 他中心人类演示数据集,旨在解决现有基准多基于仿真且缺乏真实世界多样性的问题。该数据集利用同步的自中心相机和八个他中心相机,捕捉人类选择、适应并重新利用物体作为工具的场景,提供高保真多视角观测及手部、工具和变形交互的详细标注。

11月6日周五
11月5日周四
  1. arXiv · 机器人与计算机视觉82

    Open-HumanWAM:一种用于扩展具身基础模型的开源人类与机器人经验配方

    该研究提出了 Open-HumanScale-50K 数据集及 Open-HumanWAM 模型,这是首个将以第一人称视角的人类视频预训练规模扩展到 5 万小时的完全开放方案。

    推荐理由:原文给出了基于5万小时人类视频预训练的开放配方与实验结果,相关团队可据此复现并验证纯人类数据在机器人策略学习中的缩放规律。

  2. arXiv · 机器人与计算机视觉72

    Diversity-Aware Experience Replay via Statistical Leverage Scores

    针对离线强化学习中回放缓冲区被常规操作主导、罕见关键事件采样不足的问题,本文提出一种无需标签或奖励的统计杠杆分数评分机制。该方法首先筛选长尾特征列以捕捉异常分布,其次放弃重要性权重修正而直接优化重平衡目标,最后将规则应用于相对目标的短轨迹窗口以恢复关系信号。在需绕过障碍物推物体的三关节机械臂实验中,任务成功率从 0.49 提升至 0.69,接近有标签oracle的 0.74 上限。

11月4日周三
  1. arXiv · 机器人与计算机视觉74

    GUILD:面向模仿学习的引导式迭代数据采集方法

    论文提出 GUILD 框架,解决机器人模仿学习中非引导式数据采集效率低的问题。该方法利用视觉语言模型的语义先验生成任务与环境建议,并通过预测数据归因评估采集轨迹对策略性能的影响,形成闭环反馈以指导后续采集。在仿真与真实机器人实验中,GUILD 相比被动采集及经验基线显著提升了样本效率与部署表现。

11月3日周二
  1. arXiv · 机器人与计算机视觉48

    MS-DOTT:面向非道路通过性估计的多模态数据集发布

    MS-DOTT 是一个包含长距三维传感、短距精细感知及 4D 雷达测速的非道路多模态数据集,覆盖正常光照、低照度与无光条件。研究团队利用该数据适配了最先进多传感器融合方法以进行通过性估计,旨在推动非结构化环境下的机器人感知与多传感器融合研发。

  2. arXiv · 机器人与计算机视觉78

    行为图:用于解读机器人部署数据的无监督图结构

    针对机器人部署产生海量高维数据难以分析的痛点,本文提出行为图方法,通过识别相似行为模式、连接时序并关联结果,将策略 rollout 压缩为可解释的有向图。用户研究显示该方法比视频更易分析且能预测任务进度。

    推荐理由:提出行为图方法压缩机器人部署数据,用户测试显示其比视频更易分析且能预测任务进度。

11月2日周一
  1. arXiv · 机器人与计算机视觉68

    Sensorium:用于具身手术 AI 的多模态数据采集与整理开源库

    Sensorium 是一个开源 Python 库,旨在解决具身手术 AI 对可靠多模态数据的依赖问题。该工具利用 ROS 和 ROS2 中间件,支持从可配置的机器人和传感器流中记录、处理、标注及整理数据,并具备面向操作者的数据采集、语义标注及数据集生成功能。

  2. arXiv · 机器人与计算机视觉74

    SACQ:面向超低比特视觉语言动作模型的感知结构代码本量化方法

    针对视觉语言动作(VLA)模型显存占用大且传统后训练量化在超低精度下失效的问题,该研究提出 SACQ 框架。该方法结合感知结构的代码本拟合、基于动作误差增加的混合比特分配及两阶段后量化细化,在 GR00T N1.7 上实现 1.5 比特权重下的平均成功率 93.85%,显存降低 4.83 倍,同时保持推理速度提升。材料为 arXiv 预印本,未提及开源代码或商用许可状态。

  3. 盖世汽车 · 汽车资讯65

    简智机器人完成1亿美元A+轮融资,专注具身智能数据采集

    简智机器人宣布完成1亿美元A+轮融资,由上汽、百度等产业资本参与。公司不造机器人,而是通过自研Gen DAS可穿戴设备(累计订单破万台)和Data Foundation Model构建数据基础设施,将人类操作动作转化为模型训练数据。单季有效数据交付量已达百万小时,团队核心成员来自自动驾驶领域,旨在解决具身智能训练数据稀缺问题。

10月30日周五
  1. arXiv · 机器人与计算机视觉78

    RoboAtom:大规模原子动作监督用于机器人学习

    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。

  2. arXiv · 机器人与计算机视觉47

    QbD-VLA:基于任务成功的视觉语言动作模型混合精度量化方法

    QbD-VLA 提出一种利用短闭环评估中任务成功率来分配权重与激活位宽的混合精度量化方案。实验覆盖四个 VLA 模型及全部 LIBERO 套件,在平均约 4 比特权重和少于 6 比特激活下保持强性能;SIMPLER 增益较小,Franka Research 3 机械臂上仿真优选策略对 X-VLA 无成功率损失但针对$\pi_{0.5}$失效。代码已开源,部署前需真实世界验证。

10月29日周四
  1. 量子位50

    威卡发布具身智能赋能工程机械高质量数据集

    威卡移动控制于 2026 年 10 月在徐州人工智能大会发布覆盖 3600 万帧、含 12 类场景的挖掘机作业数据集,打通视觉激光位姿力馈手柄输入五维数据同步对齐链路。该开源数据集旨在解决真实数据稀缺痛点,依托威卡三十年智控硬件积淀为具身智能模型训练提供高质量物理世界数据底座。

  2. 盖世汽车 · 汽车资讯52

    上海人工智能实验室等发布新型可穿戴系统采集的 100 小时人类活动数据集

    来自上海人工智能实验室、浙江大学和上海交通大学的研究人员构建了一个包含 100 小时人类活动数据的新数据集,用于训练人形机器人的移动与操作协同能力。该系统集成了头戴式 GoPro HERO13 摄像机、VIVE Ultimate 追踪器及 MANUS Metagloves 等传感器,能记录佩戴者视角视频、身体动作重建、手指动作和触觉数据。

10月28日周三
  1. arXiv · 机器人与计算机视觉82

    OmniBrain-0:一种用于具身智能的统一代理模型

    论文介绍 OmniBrain-0,这是一个轻量级统一具身代理模型,旨在协调操作与导航任务。该模型采用共享高层决策架构,结合任务理解、规划及反馈驱动恢复机制。研究提出渐进式训练框架,整合具身预训练、领域专用代理蒸馏及多教师在线策略蒸馏(MOPD),并将 Rubric-Guided Recursive Self-Improvement 数据飞轮引入以持续优化专家模型。

    推荐理由:报告提出 OmniBrain-0 统一代理架构,通过渐进式训练与递归自我改进机制整合多模态能力。

  2. 智东西 · 机器人38

    江苏具身智能公司艾利特机器人宣布完成 2 亿元新一轮融资

    江苏具身智能公司艾利特机器人今日宣布完成由建信股权领投的 2 亿元新一轮融资,资金将用于开拓光通信、AI服务器等场景及扩充产能。该公司自研元启Primo工业大模型并融合视觉 - 语言 - 动作能力,协作机器人系列覆盖 5/6 轴构型且负载达 3~30kg。其产品已进入全球 50 多个国家和地区,2025 年出口销量占比达 33%,上半年海外增幅约 170%。

10月27日周二
  1. arXiv · 机器人与计算机视觉78

    Guardian:利用视觉语言模型检测机器人规划与执行错误

    针对机器人操作失败检测中高质量失败数据稀缺的问题,本文提出自动框架在仿真与现实环境中生成多样化规划与执行失败轨迹,构建 GuardianFail-36k 大规模推理数据集。基于此训练的多视角推理 VLM(Guardian)在三类未见现实基准上达到最先进水平,并与先进 LLM 操作策略集成后显著提升任务成功率。代码、数据及模型已开源。

    推荐理由:提出自动框架生成多样化机器人规划与执行失败数据,构建大规模推理数据集并训练多视角 VLM 以统一验证规划与执行。

  2. arXiv · 机器人与计算机视觉73

    AGQ:面向视觉语言动作模型的行动引导超低比特量化

    针对视觉语言动作模型(VLA)部署于内存受限车载平台的挑战,本文提出 AGQ 方法,结合动作敏感性与权重恢复成本代理来分配矩阵位宽。该方法通过通道校准补偿量化误差、保持矩阵内统一位宽以维持布局规则性,并利用基于位的分组无损编码减少驻留存储及块级恢复限制临时缓冲区。

10月26日周一
  1. arXiv · 机器人与计算机视觉57

    TTT in VLA Models: Exploring Training with Human Demonstrations

    该论文记录了在 InternVLA-A1 和 Pi0.5 上集成测试时训练(TTT)的实验配置与观察结果,指出在当前规模下该方法未能实现基于演示的持续目标选择。研究考察了记忆转移、截断反向传播及对比正则化等设置,发现较短序列或全轨迹梯度连通性并未显著提升对演示的响应能力;当演示简化为单帧提示时,真实机器人执行仍表现出对固定位置杯子的偏好。材料提供了实现细节与训练配置以支持进一步检查与复现。

  2. 盖世汽车 · 汽车资讯75

    简智机器人开源Gen-HumanWholeBody 600小时全身操作数据集

    简智机器人正式开源Gen-HumanWholeBody数据集,包含600小时高精度全身移动操作数据,覆盖16976个场景和1281种人类技能。该数据集采用第一视角Ego视觉方案采集,利用自研数据基础模型(DFM)将原始行为转化为结构化数据,实现了多模态统一对齐,可直接投入机器人策略训练。