FlashMotion:超快速长周期三维动作生成框架
FlashMotion 是一个针对严格推理预算下的高质量长周期三维动作生成的协同设计框架,涵盖文生动作、音律舞蹈和语音手势任务。该方法通过引入带运动学与动力学一致性约束的三维动作空间 MeanFlow 公式实现少步生成,并采用自适应软掩码机制保证时序连贯;同时设计了轻量级非自回归 BiMamba 架构以优化单步效率。实验表明其在质量与效率上均达到最先进水平。代码已开源。
FlashMotion 是一个针对严格推理预算下的高质量长周期三维动作生成的协同设计框架,涵盖文生动作、音律舞蹈和语音手势任务。该方法通过引入带运动学与动力学一致性约束的三维动作空间 MeanFlow 公式实现少步生成,并采用自适应软掩码机制保证时序连贯;同时设计了轻量级非自回归 BiMamba 架构以优化单步效率。实验表明其在质量与效率上均达到最先进水平。代码已开源。
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。
该论文提出 DeRep 方法,旨在通过结合局部鸟瞰图可达性监督与深度重建来优化视觉表征,以支持在杂乱环境中的端到端导航与避障。研究冻结编码器架构,使用线性策略探针、流匹配模仿学习和 PPO 强化学习等多种下游方法进行对比评估。
该系统在社交机器人 Haru 上实时生成融合节奏与语义的标志性手势,基于 BEAT2 数据集训练。在线用户研究显示,60 名参与者测试中该方法语音 - 手势对齐更强且优于基线。研究预印本已上传 arXiv,代码与数据许可状态待定。
针对多智能体系统中离散决策变量导致的 NP 难组合优化问题,现有基于模型的方法仅适用于连续空间而基于扩散的组合求解器需离线训练。本文提出 Discrete Model-Based Diffusion(Discrete MBD),一种无需训练的采样式优化方法,通过蒙特卡洛采样近似分类反向转移分布直接优化离散变量。
该研究提出一种以紧固件为中心的虚拟拆解框架,从 CAD 衍生装配体中获取状态依赖的拆解知识。实验在包含 54 个组件的 OpenManipulator Chain 夹持器上验证了状态依赖操作,利用可见性与工具可达性评估将候选检查量减少了 51.4%。该方法通过图推理与物理验证生成了转换后的 AND/OR 图,证实了在制造前获取特定产品拆解知识的可行性。
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%。
论文提出 PneuGen 框架,利用大语言模型智能体对软体机器人的几何、形态及驱动参数进行高效搜索与设计。系统包含负责生成设计的代理和负责分析仿真诊断并提出修改建议的评论员代理,结合可复用的物理先验模块响应模型实现自动验证与有限元仿真迭代。
推荐理由:提出利用大语言模型智能体进行软体机器人参数化设计与仿真迭代的框架,在抓取与形变匹配任务中优于传统优化基线。
该研究提出了 Curie's Jarvis 系统,使机械臂能在为人类设计的普通实验台上执行化学实验。系统通过读取打印协议照片、在无固定位置或标记的台面上识别容器、利用四视角摄像头区分外观相同的容器并读取标签,且在每步操作前重新定位目标。
论文提出一种部署适配方法论,用于在主动传感中选择贡献新表面测量的视角。该方法通过从有限本地校准数据中学习传感器返回适配器,在保持预训练预测器固定的情况下估计每个预测表面的测量丢失率,从而优先选择能填补重建间隙的视角。
论文介绍 Latent Barrier Steering (LBS),这是一种用于安全流匹配生成式规划的分层语义到路径框架。现有控制屏障函数滤波器仅局部修复样本,难以应对全局约束阻塞;LBS 先引导生成器潜在变量向更大安全余量的 rollout 演化,再解码并仅对剩余违规应用路径空间二次规划。实验表明该方法在导航和机器人末端执行器规划任务中,既保持安全性又提升目标达成率并减少修正负担。
针对基于学习的去中心化避撞在状态估计不确定性和异构动力学下的可靠性问题,本文提出 DOBB(Dynamic Oriented Bounding Box),将当前状态估计、不确定性及智能体特定响应特性映射为动态方向相关的安全边界。
该论文提出了 RoboACE(Robot Adversarial Co-Evolution)框架,旨在解决固定训练源无法发现新弱点的问题。该方法联合演化课程选择与执行策略,围绕冻结的基础模型进行交替更新:课程模块利用积累的能力证据提出信息丰富的挑战,执行模块则通过可复用的修订扩展能力。
该论文提出 PhysMoE 框架以解决具身视觉语言模型(VLM)在坐标预测任务中的离散化延迟与多接触适配难题。其核心贡献包括共享底层多模态上下文、利用视觉编码器位置嵌入将每个坐标编码为单 Token 以注入空间先验,以及采用可微符号距离场(SDF)监督来适应不规则几何形状。
论文提出了 CAFE 框架,旨在解决场景驱动机器人自主性中从观察中选择任务并执行的问题。该系统在预定义的清洁、安全和存储/整理类别下运行,不依赖实例特定的目标或动作序列。
Maze Runner 是一个开源的自主导航栈,旨在解决稀疏重复几何下的定位、狭窄走廊规划及估计或地图错误时的安全控制问题。该栈在 Gazebo 仿真环境中驱动 Husarion ROSbot XL(配备 2D LiDAR),通过 RANSAC 和总体最小二乘法从扫描中提取带不确定性的墙体线,并分别用于基于地图的扩展卡尔曼滤波定位和在线构建地图的 EKF SLAM。
推荐理由:该工作提出了基于线特征定位与控制屏障函数的自主迷宫导航栈,在仿真中实现了厘米级定位与实时规划控制。
论文 ExRL 指出利用现有强化学习方法适配高维度的长动作片段策略往往需要大量在线交互数据,难以在实际机器人场景中应用。作者提出将适应过程从优化动作本身转向优化每个预测动作片段的执行时长,从而在保持低维度优化空间的同时提升表达力。该方法通过轻量级适配器结合离线强化学习算法训练,在仿真基准和真实机器人任务中实现了多样化的长片段策略的样本高效自适应,且仅需极少的任务特定超参数调整。
加拿大二手车评估机构 Canadian Black Book 分析师 Daniel Ross 预测,中国品牌将在 2030 年前向当地投放 18 款电动车型。其中奇瑞计划于明年推出配备防冻门把手、加热方向盘及优化电池的中型高端跨界车 Jaecoo ET,以适配多伦多等严酷冬季环境。
成都人形机器人创新中心于 11 月 11 日发布第五代贡嘎人形机器人,该机型搭载自研一体化具身智能系统,在场景感知、时空记忆、因果推理规划及动作世界模型等核心模块完成迭代。其物理时空记忆引擎统一存储空间坐标与物体状态,支持跨时长长程家庭任务;整套架构针对非结构化环境打磨,赋予机器人在复杂场景中自主执行长程任务、异常恢复及持续自适应的能力。
英伟达在CoRL 2026会议推出开源世界—动作模型GR00T 2系列,包含主打泛化能力的GR00T 2和强调速度的Turbo版本。该模型基于40万小时人类视频训练,支持跨本体迁移、少样本适应及视觉引导规划,在多项灵巧操作与长程任务中取得高成功率。英伟达宣布将全栈开源模型权重、仿真流程SimFoundry、智能体框架ASPIRE及相关硬件设计图纸,旨在降低机器人开发门槛并推动技术落地。
禾赛科技公布2026年第三季度未经审计财务数据,营收10.7亿元,连续六个季度GAAP盈利。其中战略增长业务(SGI)营收9,051万元,环比增长101.4%。
推荐理由:禾赛公布三季报,机器人动力模组出货超3.5万套并进入NVIDIA Isaac GR00T方案,同时发布Kosmo世界数据引擎。
MIT CSAIL 和卡内基梅隆大学研究人员提出了名为 Workspace Models 的新方法,旨在解决现有基于 AI Agent 的机器人在处理长历史视觉数据时存在的延迟高、计算成本大及反应慢的问题。
推荐理由:MIT CSAIL 与卡内基梅隆大学提出 Workspace Models,通过离线大模型蒸馏轻量化模块解决机器人长时记忆延迟问题。
Dynamic Creatures 宣布与 Hasbro 旗下 AI 工作室 Sixth Wall Studio 达成合作,旨在通过机器人赋予 Hasbro 角色实体生命。
NVIDIA 发布了新的 AI 基础模型 GR00T 2(世界 - 动作模型),旨在通过从视频中转移人类运动来减少遥操作训练。该系统利用扩散模型预测未来视觉,从而将人类手部动作迁移至不同形态的机械臂。
Google DeepMind 发布了 Gemini Robotics 2.5 视觉语言动作模型,该模型与 Apptronik Apollo 2 机器人及奔驰产线合作进行了试点测试。
同一新闻,精选展示《DeepMind 发布 Gemini Robotics 2.5 视觉语言动作模型,奔驰工厂测试成功率达 96%》
Google DeepMind 正式发布 Gemini Robotics 2.5,这是其目前最强大的视觉语言动作(VLA)模型,旨在提升机器人学习速度与广度。该模型在超过 200 项任务测试中,相比基线成功率高出 30% 至 100%,完成任务速度快 20% 至 30%。
推荐理由:原文介绍了 Gemini Robotics 2.5 在任务广度、可靠性与安全方面的提升,并披露了与奔驰产线合作的实测数据及 ASIMOV-Jailbreak 基准。
蚂蚁灵波开源触觉预训练基础模型 LingBot-Touch 及其轻量版 Tiny,旨在解决原始触觉信号导致动作模型性能下降的问题。该模型将磁、视、压阻三类传感器数据统一编码为触觉 Token,支持跨硬件与传感器布局的泛化。
推荐理由:蚂蚁灵波开源触觉预训练基础模型 LingBot-Touch,通过统一编码解决多传感器数据异构难题,显著提升机器人精细操作成功率。
openJiuwen推出TTSE(Two-Track Self-Evolution)框架,借鉴认知科学将Agent经验分为FACT环境事实与TIP条件式技巧双轨。
论文提出 GeoWind2Plan 框架,解决城市低空飞行中建筑重塑风场导致的路径规划能耗依赖问题。该框架将建筑几何转化为参考风场帧,利用局部几何条件化的神经算子快速预测任务相关的三维风片并拼接成局部风场,随后基于物理驱动的无人机能量模型优化可行路径与速度剖面。
推荐理由:该框架在仅用背景风与建筑几何的条件下,实现约 3 秒的走廊局部三维风场预测,相比 CFD 快数千倍,且规划出的轨迹在 CFD 评估下显著降低能耗。
MemTransfer 是一个具身决策基准,旨在评估记忆表示在条件变化时的泛化能力。该研究在模拟仓库环境中构建了 100 个导航案例,涵盖十种任务类型,并基于专家演示提供历史数据。
论文提出 CitySTAR,这是一个无需训练的框架,旨在解决复杂场景中从自然语言到城市级点云的 3D 定位问题。该方法将描述语义组织为跨模态约束,利用 CodeLLM 工具生成多模态证据构建场景图,并通过双超图建模目标上下文拓扑及双向验证实现结构消歧。
针对生物结构几何不完整、局部厚度未知及关键内部边界难以确定的挑战,本文提出一种状态自适应的自主铣削框架。该框架利用通用解剖先验提供保守的全局引导,并通过语义引导配准和混合视觉 - 力校准转化为机器人可执行指令;在接近不确定边界时,机器人主动探测结构并利用相对刚度变化估计边界状态与分离性。分层实验在生物替代物和体内小鼠颅窗制作中验证了准确的解剖先验迁移、可靠的边界适应及生物结构的自主精密铣削能力。
针对几何保真度、顺应性、结构完整性及气密性的多重挑战,研究评估了热缩成型、硅胶铸造、粉末/液体增材制造及熔融沉积建模(FDM)等工艺路线。结果显示 FDM 因缺陷可通过工艺优化逐步降低而成为最灵活方案,且气密性不仅取决于壁厚还受挤出路径架构影响。该成果确立了基于执行器架构与制造约束兼容性的实用设计制造方法,为开发复杂柔性软体气动致动器提供指导。
该研究提出 AgenticRobotics 架构,利用大语言模型控制器驱动一次性工作流来管理机器人策略的训练与改进过程。系统核心在于将机器人策略和硬件视为需质量度量、记录及版本失效管理的工具,以应对训练管道和数据收集的频繁失败。实验显示,在单一线程上,该机制实现了极低的人工误晋升率(0.001),具备任意时刻停止下的有效决策能力,并能通过签名验证器检测所有类型的工件篡改行为。
针对地中海温室狭窄通道与金属干扰导致的通信瓶颈,该研究提出基于 ROS 2 边缘计算、MQTT 及 FIWARE 云平台的混合架构。系统在仿真环境及真实温室场景中验证了其在恶劣网络条件下维持持久连接与数据完整性的能力。该方法消除了信息孤岛,为低层机器人控制与高层 IoT 决策的协同提供了可扩展的去中心化解决方案。
RoverDevKit 是专为月球微型漫游车概念设计打造的开源工具包,其评估器耦合了轮土模型与质量、太阳能及热生存等底层模型。该工具能在单核笔记本上于 1 分钟内完成 3000 次任务评估,用于绘制距离、质量与坡度能力的权衡曲线。在 mare 和 polar 等任务中,能量存储或坡面牵引力成为主要限制因素,且轮土模型复现了独立数据集的实测数据。
EffiNav 通过融合深度信息与视觉语言实现高效物体目标导航,在 Habitat Matterport 3D 和 OVON 仿真基准及真实机器人场景中表现优异。该模型在成功率(SR)和路径加权成功率(SPL)两项指标上匹配或超越近期基线,有效解决了探索效率与泛化性问题。作者因机构署名错误已撤回论文,计划数月后重新提交修正版本。
针对大规模无标签视频与有限真实交互数据训练潜在策略时,现有行为克隆方法易导致多模态动作分布坍缩的问题,本文提出 Latent Action Flow Policy(LAFP)。
推荐理由:提出利用流匹配保持潜在动作结构的方法,在模仿学习任务中平均成功率提升 8.2%。
针对手持或可穿戴设备中力觉与触觉融合受限于成本、尺寸及机械兼容性的问题,作者提出了 AetheRock 臂戴装置,集成改进的低成本 GelSlim-Mini 指尖传感器与指腹电阻压力传感器。
SENTINEL 是一个无需训练或标注的可靠性评估框架,通过结合几何扫描统计与 RGB-D 相机深度一致性,为仅含距离信息的 LiDAR 生成每帧可靠性评分。当评分低于阈值时,系统自动丢弃受玻璃、镜面等干扰的脏数据并回退至轮速计,防止 SLAM 静默损坏。