蓝虫具身发布Mantis Ultra旗舰机器人,单臂负载15kg并支持自主换电
西安创企蓝虫具身于2026年11月发布第三代旗舰机器人Mantis Ultra,单臂末端最大负载达15kg,采用十字交叉并联腕关节与独角仙关节实现全身力控。该机器人配备四轮底盘、腰部旋转关节及自主换电系统,搭载“蜘蛛感知”多传感器融合方案并适配VLA模型。产品依托春茧本体、量子遥操作、虫洞模型训练及蜂巢云端四大平台体系,旨在承接工业现场高负载、连续作业任务。
西安创企蓝虫具身于2026年11月发布第三代旗舰机器人Mantis Ultra,单臂末端最大负载达15kg,采用十字交叉并联腕关节与独角仙关节实现全身力控。该机器人配备四轮底盘、腰部旋转关节及自主换电系统,搭载“蜘蛛感知”多传感器融合方案并适配VLA模型。产品依托春茧本体、量子遥操作、虫洞模型训练及蜂巢云端四大平台体系,旨在承接工业现场高负载、连续作业任务。
美国具身智能公司Genesis AI完成5亿美元A轮融资,投后估值约35亿美元。投资方包括NVIDIA、AMD、Eric Schmidt等。Genesis定位为全栈玩家,拥有自研物理仿真引擎Genesis World(Pearson相关系数0.8996)、数据手套采集百万小时多模态数据及通用模型GENE-26.5。
论文介绍 Orchestra 智能体框架,将多模态指令分解为有序子任务并跟踪完成状态,利用独立训练的进度评估器决定何时推进。在 RMBench-Compose 基准上平均成功长度为 7.35 个子任务,优于 HarnessVLA;在四个真实世界多步任务中相比基线提升 25%。代码与项目页面已公开。
针对单目视频演示到人形机器人运动迁移的形态失配问题,本文提出直接动态重定向(DDR)方法。该方法在物理仿真器中利用基于采样的模型预测控制求解器,直接在任务空间追踪人体关键点,无需接触标注或中间几何重定向步骤。
推荐理由:提出直接动态重定向方法,在仿真中实现零样本迁移至不同尺寸实体机器人,并开源代码与数据集。
论文介绍 VDCS 基准与 ACO-MoE 方法,通过混合专家路由修复图像内容以应对天气、噪声等退化。在八个任务中,ACO-MoE 将 DreamerV3 的平均回报从 562 恢复至 730;在机械臂部署中,该方法将运动模糊和暗光下的成功率从最高 10% 提升至 75%-95%。代码与论文为预印本状态。
该论文提出一种完全基于合成数据的系统,用于训练通用的手物跟踪控制器,无需人类演示。核心贡献包括 HOG 高效数据生成器和 HOT 跟踪器,后者通过强化学习和交互模仿学习实现从仿真到物理的迁移。方法支持多种物体形状和手部形态,并能在不同仿真器间迁移。评估显示该系统能让灵巧手处理包含物体重排和敏捷内部转向的挑战性长序列任务,旨在解决灵巧操作的数据瓶颈问题。
论文介绍AuditEmboted框架,在固定时长等待期间独立变化保持参考和等待持续时间,同时冻结恢复执行器。实验显示,在1秒等待且注册腕部参考时,受保护完成次数从6/40变为34/40;而在仅位置保持下则相反。
该研究提出基于模型反馈线性化的几何鲁棒数据驱动预测控制(DDPC),用于全驱动机械臂轨迹跟踪。仿真在含重力平面 2R 机械臂上验证,相比双积分 MPC 提升跟踪精度但增加扭矩消耗,性能相对 DeePC 取决于参考轨迹。论文已提交至 2027 年瑞典斯德哥尔摩学习动力学与控制会议,暂未开源代码或权重。
TCP4D 是一个统一模型,利用共享的 4D 场景表示从单目视频和初始 2D 查询中直接恢复度量 TCP 姿态、夹爪状态及场景几何。生成器基于同一表示采样局部特征并结合机器人观测与语言指令预测未来 TCP 状态。
PAIR 是一个基于 Matter 协议构建的智能家居仿真环境,包含 84 个智能设备资产及 340 个人类演示数据。在由 1,200 次评估组成的基准测试中,两种微调后的视觉语言动作模型(VLA)策略均未完成任何任务,超过 90% 的失败案例停滞于导航或操作环节。研究团队表示将在发表时开放代码与数据。
论文介绍了 Magflow,这是一个完全可微分的 GPU 并行仿真器,专门用于模拟具有六自由度的工业级磁悬浮系统。研究团队利用该工具训练了首个纯基于物理仿真的神经网络控制器,并展示了其能零样本迁移到真实硬件,在 4 kHz 频率下满足硬实时约束,甚至实现了传统手工设计无法支持的拓扑结构控制。
针对变形线性物体(DLO)在视觉遮挡下难以精确估计形状的问题,该研究提出无需视觉感知的触觉本体感知方案。作者引入物理信息视觉 Transformer 框架,利用高解析度触觉印记捕捉边界条件与接触梯度,通过自注意力机制和物理加权损失函数确保预测几何符合物体的物理流形。
Auriga Robotics 团队在沙希德贝赫什提大学开发了名为@Work 的移动操作机器人,专为提升工业环境中重复或危险任务的效率而设计。该平台采用四轮麦克纳姆轮驱动与五自由度机械臂,结合 ESP32 微控制器、NVIDIA Jetson Orin NX 处理器及 Hector SLAM、YOLO 等软件栈实现自主导航与物体处理。
LISST(Lyapunov-Inspired Sustained Stabilization)是一种学习框架,通过协调平衡恢复与抑制机器人自身修正引发的支撑运动,解决刚性假设在机械响应支撑上的不足。该策略仅依赖本体感知,利用物理监督将表征关联至机器人与支撑行为,并通过可微模型回滚指导关节级策略学习。真实世界实验表明,LISST 能在与动态响应支撑的持续交互中维持平衡并限制残余振荡。
针对机器人演示数据中关节标签受限问题,该方法利用校准的正向运动学为不同本体提供工具空间目标监督。实验在三个骨干网络和两个仿真器上验证了策略学习效果,成功实现了跨机器人的技能组合迁移。
本文提出了一种加速设计流程,通过将商用被动背部外骨骼 Laevo Flex 改装为主动系统 Levio(集成 CubeMars AK10-9 执行器、IMU 和力传感器)。
论文介绍 Body Schema Policy (BSP),一种将身体图式构建为视觉与动作接口的模仿学习策略,其潜在身体图式在机器人运动学树上放置关节和连杆 token,利用学习到的螺旋运动传递特征。
推荐理由:提出将身体图式作为视觉与动作接口的模仿学习策略,在仿真及真实机器人上以极少参数实现高效全身位姿控制。
针对四足机械臂因执行器不确定性和几何误差导致的末端轨迹跟踪难题,本文提出一种结合末端惯性反馈的强化学习框架。实验表明,该方法在保持机身姿态和支撑构型不变的情况下,相比仅依赖本体感知或名义模型的基线,将基于动作捕捉的均方根误差分别降低了 17.3%、28.0%,并在轨迹层面揭示了名义运动学重建与实测末端位置间的显著差异。
针对生成式策略缺乏任务进展保证的问题,本文引入基于物理仿真的推理时优化框架,评估候选动作片段并搜索满足任务收敛条件的运动。该方法结合区间 Lipschitz 约束与径向分位带限制源分布,支持欧氏及姿态值黎曼流匹配策略。在 PushT 和立方体堆叠任务中,成功率分别从 31.3% 提升至 88.5%,从 77.0% 提升至 86.0%;同时显著降低最大损失并减少分布外动作比例。
Anchored Path Matching(APM)通过监督端点与短过渡预测,在 RoboTwin 2.0 上实现一步生成即支持多步联合推理。该方法在 Clean 演示集上将闭环成功率较基线提升 2.0 个百分点,视频 PSNR 从 30.169 升至 32.317 dB。真实机器人实验中,APM 相比八步教师模型将控制周期延迟降低 21.3 倍。
现有代理操作系统将预训练的视觉语言动作策略视为不透明的语言原语,在指令或场景扰动下无法调整行为。本文提出 InteractVLA 框架,通过双向几何接口使预训练流式 VLA 成为可被几何引导和检查的工具:正向利用测试时几何引导将末端执行器目标转化为输入梯度,反向暴露动作片段与相机重投影以诊断空间差异并修正后续调用。
推荐理由:提出 InteractVLA 框架,通过双向几何接口将预训练 VLA 转化为可交互工具,实现测试时几何引导与递归自我改进。
论文介绍 Progress Predicts Policy (PPP),该方法通过学习语言条件的标量场并利用其微分诱导命令,结合共享世界模型读取动作梯度以生成连续或离散动作控制。实验表明,在无需额外标注的情况下,仅拟合演示进度值即可实现优于行为克隆的策略性能,适用于仿真与真实机器人操作任务。
推荐理由:该工作提出通过语言条件标量场学习混合策略,无需独立动作头或迭代搜索,在仿真与真实机器人操作中优于行为克隆。
该研究报道了在 Unitree G1 上实现的完整自主人形跑步系统,该系统参加了 2026 年世界人形机器人运动会的 100 米、400 米和 1500 米项目。
该研究报告了 25 台双臂机器人的运动学、遥操作控制及真实机器人微调实验结果。研究发现,位置可达性会高估方向感知任务覆盖率;并行化身体部位控制可将任务完成时间减少 43-53%;主动搜索演示能将臂选择准确率从 50% 提升至 100%;推理时校准错误会导致所有试验失败;策略仍保留约 90% 的无效绕行路径长度。报告建议在大规模采集前评估有效工作空间、控制效率及运动质量,以消除系统诱导的补偿行为。
论文介绍 Heave-Ho 框架,旨在解决人形机器人长程协作中的全身交互、长期规划与同步难题。该框架在底层利用多智能体后训练适配物理耦合交互,在高层训练视觉语言规划器并设计基于语音的领导者 - 跟随者协调机制,实现无需网络通信的去中心化执行。
推荐理由:提出去中心化多个人形协作框架,通过视觉语言规划与语音协调机制实现无需网络通信的长程协同。
ALERT 是一种通用且轻量级的流水线,用于将人类感知与主动避让能力集成至预训练的全身运动追踪策略中。仿真与现实实验表明,该方法在保留原有动作能力的同时实现了局部无碰撞执行及参考轨迹的快速恢复。该研究作为预印本发布于 arXiv,代码与权重开放许可状态待进一步确认。
针对分层软组织下表面成分变化导致控制器滞后问题,该方法利用轻预载下的低幅激励通过触觉通道区分肌肉与骨质组织。执行阶段采用力与触觉驱动的分配律,使指尖压力瞬时均衡并将接触面积设为可控变量。研究在三位受试者曲面上验证了力跟踪与压力均匀性,相关代码与数据待注册。
HandUMI 是一种佩戴式手部接口,利用可更换指尖匹配机械手夹爪,配合 Quest/PICO 控制器追踪手部及编码器测量开合度,实现无需机器人的双手演示采集。
该论文介绍 DailyBrick 系统,这是一个多阶段代理系统,能够根据用户请求生成 LEGO 模型及其逐块组装指令,支持人类搭建和机器人执行。系统通过版本化构建 SDK 将语义子部件决策编译为规范操作,并利用外部 Meta-Reviewer 代理回放、检查生成包以验证模型与过程,识别失败并路由至修复或技能更新。
ALOHA Lightning(Flash ALOHA)是一个用于学习快速且精准机器人操作的新系统。该系统利用运动学示教在可反向驱动的双手平台上直观收集接近人类速度的演示数据,并通过测试时动作平滑与视觉数据分布对齐技术实现流畅的高速执行。针对每个任务仅需 50 次演示,即可让机器人在接近人类速度的情况下自主完成抛接球、折叠短裤、插入电池和擦桌子等双手操作任务,成功率超过 80%。
该论文提出 PriDex 框架,旨在解决利用人类视频训练机器人双手灵巧操作的难题。PriDex 在仿真环境中通过强化学习将人类视频转化为可执行的机器人演示,保留任务相关的交互结构并再生符合机器人本体行为的动作。
论文提出了 FlowRRT,这是一种针对离散地形单足跳跃的激动力学规划器。该方法将多起点 MPPI 专家离线收集的可行动作集通过条件流匹配蒸馏为生成采样器,以解决传统方法在狭窄不连通动作空间中的局限性。
推荐理由:提出将 MPPI 专家蒸馏为生成采样器的 FlowRRT,在单足跳跃任务上实现更短规划时间与更高成功率。
该研究团队为 UR5/UR5e 机械臂开发了开源 da Vinci X/Xi 器械模块,通过五电机与电外科中介器实现运动控制及能量激活记录。 bench 测试验证了六次踏板按压的完整事件捕获,ex vivo 演示涵盖脾脏凝固与胆囊离断等任务。光学追踪校准将芬斯特双极钳俯仰增益优化至接近理想值,模块支持腹腔镜手术中的动作、视频及电外科指令时序记录。
Genesis AI 宣布完成 5 亿美元(约 33 亿元)A 轮融资,投后估值达 35 亿美元(约 233 亿元)。本轮由 Premji Invest、Khosla Ventures 等领投,英伟达 NVentures、AMD 风投等跟投。
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。
蓝点触控近日完成数亿元D3轮融资,本轮由洪泰基金、奥普特等14家机构联合投资。公司计划将资金用于新一代机器人力传感器产品研发、产能扩充及全球化市场布局。其核心产品为机器视觉核心软硬件产品及工业人形机器人用末端和关节力传感器,具备0.1%FS精度与高频响应能力。
Eureka Robotics 推出基于数百万零件预训练超模型的物理 AI 系统,支持零样本抓取与边缘计算本地推理。该系统兼容多品牌机械臂并具备容器化离线更新能力,可将工厂部署周期从数月缩短至数天,同时保障数据控制权与低延迟运行。
海康机器人在 CeMAT 展会发布明智系列单体智能机器人,将感知、决策与执行集成于本体,实现最快 30 分钟投产。该产品面向汽车、锂电等行业的局部工序搬运,约九成场景无需额外工程介入即可直接上线使用。此前该系列已在汽配零部件车间等中小制造企业开展试点,部分客户在单点验证后主动扩大应用范围。
文章探讨了人形机器人“大小脑”(感知决策与运动控制)计算平台的架构选择趋势。中科慧灵等厂商坚持采用AMD双处理器实现物理隔离,以保障实时性、资源独立与安全降级;而维他动力、星尘智能及优必选则推动单SoC算控融合方案,旨在缩短数据路径、减少硬件冗余并降低开发复杂度。
针对 VLA 策略在长视野执行中因物理条件未达成而盲目推进导致任务失败的问题,本文提出 CommitFlow 闭环执行框架。该框架冻结基策略,通过语义承诺监控(SCM)比对阶段要求与当前状态证据以阻止违规动作,利用边界流(BoundaryFlow)生成基于当前状态的局部修正,并通过关系增益校准(RGC)选择满足约束的最小修正强度。