FRPR 模型在 HUI360 与 SSUP-A 数据集间测得单向姿态修正增益,几何基线仍具竞争力
针对社会服务机器人跨站点迁移中的交互预判问题,研究提出固定参考姿态残差(FRPR)模型,将 SSUP-A 到 HUI360 的平均精度从 0.277 提升至 0.321。实验显示该架构仅用于测量而非提升预测准确率,简单几何基线及树集成方法表现更优或相当。代码与处理后的数据已公开,论文共 20 页含 5 张图及 1 个表格。
针对社会服务机器人跨站点迁移中的交互预判问题,研究提出固定参考姿态残差(FRPR)模型,将 SSUP-A 到 HUI360 的平均精度从 0.277 提升至 0.321。实验显示该架构仅用于测量而非提升预测准确率,简单几何基线及树集成方法表现更优或相当。代码与处理后的数据已公开,论文共 20 页含 5 张图及 1 个表格。
针对长时任务中多源观测置信度不一及修订频繁的问题,该研究提出 Traceable World State(TWS)中间件无关的语义表示与运行时参考架构。TWS 快照记录实体、关系、观测、置信度及修订元数据,通过不可变更新操作支持确定性重放与防篡改日志验证。
针对大视语模型的幻觉问题,本文提出 AIMS(Adaptive Information Multi-source Steering),一种无需额外训练或前向传播的轻量级框架。该方法利用模型内在的视觉关注倾向及文本上下文贡献,构建紧凑原型并估计与当前查询的亲和力,从而动态确定各头部的引导权重以协调多源信息。实验表明,AIMS 在有效抑制物体幻觉的同时保持了具有竞争力的通用多模态能力。
该研究发布 Hi3D 3.0 系统,其核心几何模型 Twinkle3D 旨在解决图像到 3D 生成中物体特定保真度的挑战。系统通过改进的 DiT 架构将扩散生成扩展至 30 万个几何 token,训练步耗时从约十分钟降至十秒,并实现了 $2048^{3}$ 分辨率下的 watertight 三角形网格生成。
FlyMark 将密钥消息写入 3DGS 文件参数,利用果蝇光感受器几何固定载体方向,在保持位级一致性的同时实现高清洁比特准确率与视觉保真度。该方法仅需锥查询、舍入及多数投票即可提取,无需场景优化或学习解码器,且能在合成与真实场景中清晰分离匹配与非匹配密钥。
论文介绍 SimVLA 端到端框架,该模型完全基于合成仿真数据进行预训练和后训练,无需遥操作即可在真实家庭环境中实现移动操作任务的零样本迁移。研究通过 SimAction 和 SimVQA 数据集提供空间与几何监督,并在 restocking、pouring 等任务上优于依赖 50 次真实演示的策略。材料为 arXiv 预印本,未提及同行评审状态或具体开源代码仓库。
论文提出了 DreamTrue,这是一个支持跨具身、多视角的机器人世界模型,旨在实现高保真的视频预测与物理合理性。针对现有数据集校准不精确及失败交互覆盖不足的问题,该方法将动作轨迹渲染为图像空间条件并进行离线几何校准,同时引入反事实后训练以扩展交互范围。
推荐理由:该工作提出通过几何校准与反事实后训练提升多视角机器人世界模型的行动保真度,在 AgiBot 挑战赛中表现领先。
MirroS团队发布AgentGarten,将可执行的代码环境与实时神经渲染器连接,实现超过30 fps的吞吐。系统通过代码裁决物理规则以避免幻觉,利用神经模型生成逼真视觉反馈,支持智能体在捉迷藏、陪伴小狗等场景中通过自我博弈与复盘手册快速掌握策略。项目提供技术报告、博客及GitHub仓库链接。
推荐理由:MirroS发布AgentGarten,通过代码定义物理规则与神经渲染器实时生成视觉的闭环架构,支持智能体在可执行环境中边玩边进化。
openJiuwen(由华为2012实验室等联合构建)发布并开源了企业级AgentOS,旨在解决多智能体协同、经验沉淀及算力效率等企业应用难题。该平台具备多智能体原生协作、自演进优化技能与算力亲和运行底座三大核心能力,通过插件化架构连接上层应用与底层资源。
针对真实物体超出训练分布或网格损坏导致仿真策略迁移困难的问题,该研究提出 USDCraft 框架,利用预训练大模型生成可执行代码来重构带关节的 3D 资产。方法包含将源网格转换为区分观测表面与未知空间的度量文本描述,以及迭代几何重检查以定位差异并保留未观测区域。
NVIDIA 开发者利用 GPT-6 Astra 等前沿模型结合 Omniverse 库,通过自然语言指令构建可编辑的 3D 资产、测试机器人拆解及数字孪生场景。实验涵盖使用 Houdini 与 Isaac Sim 生成动画、在 Onshape 中配置 CAD 模型以及分析燃气轮机工况,实现了从概念到仿真应用的快速转化。
正行创新在第22届亚太零售商大会暨展览会(APRCE 2026)上正式发布面向零售开放场景的Physical AI解决方案,包含双足人形机器人H1、搬运理货轮臂式机器人C1及统一管理平台M1。
AWS 今日推出开源物理 AI 工具链,旨在解决将训练好的模型转化为可在现实世界可靠运行的系统的难题。该工具链整合了 AWS SageMaker、IoT Greengrass 与 NVIDIA Isaac Sim、Isaac Lab、GR00T 及 Cosmos 等组件,支持合成数据生成、模型训练、仿真验证及边缘部署的端到端工作流。
推荐理由:AWS 整合自身服务与 NVIDIA 软件栈,发布开源物理 AI 工具链以打通从合成数据生成到边缘部署的全流程。
正行创新发布面向零售场景的Physical AI解决方案,核心包括参数量23亿的SLM-0.5世界动作模型、STEAM强化学习后训练体系及Rpent智能体。公司推出双足人形机器人H1和轮式双臂机器人C1,分别承担交互巡检与搬运理货任务。
据彭博社报道,前字节跳动实习生田柯宇创办的世界模型公司已获得五源资本、IDG 资本等近 3000 万美元(约合 2.01 亿元人民币)投资,投后估值达 2 亿美元。
北京具身智能企业灵生科技宣布完成亿元级A轮融资,投资方包括华方资本、道禾元启等。该公司定位为具身智能基础设施服务商,自主研发了RUDA机器人统一系统架构,构建了“数据采集—模型训练—机器人执行—反馈回流”的自进化闭环。
论文提出 Faster-WAM,主张将计算容量集中于视频世界模型,仅使用单层轻量级动作专家进行预测。该方法通过 Transformer Dock 技术融合各层表征,在 LIBERO 和 RoboTwin~2.0 基准上实现了与 Fast-WAM 相当的控制性能,同时推理速度提升约 3.7 倍,且在分布偏移下表现出更强的泛化能力。
针对现有AI系统多为单次处理且遗漏几何细节的问题,本文介绍CADReasoner,一种能利用输入形状与预测形状的几何差异进行迭代优化的模型。该模型输出可运行的CadQuery Python程序,并将渲染网格反馈至下一步;融合多视图渲染图与点云作为互补模态;提出扫描仿真协议以弥合真实感差距。
论文提出了 Visible Touch 方法,通过将接触信号直接暴露在与场景相同的空间帧中,使任何基于图像的预训练策略(如 VLA)无需架构修改即可利用触觉信息。
推荐理由:该研究提出将接触信息融入视觉动作策略的新方法,并开源了低成本磁感应传感器与 CAD 模具流程。
针对现有视觉语言动作模型(VLAs)泛化能力受限及缺乏显式空间推理的问题,本文提出 Agentic Scene Policies(ASP)框架。该框架通过场景智能体工具接口,利用部件级功能特性将场景理解与机器人技能统一在单一动作空间中,支持如拔充电器、开抽屉等零样本交互。实验表明,ASP 在零样本设置下表现优于领先的 VLAs,并展示了处理房间级查询的扩展性。
推荐理由:提出结合显式3D场景表示与运动规划的模块化策略,在零样本设置下超越主流VLA模型。
NeRFifyMesh 提出新流程,通过采样网格几何与纹理人工生成地面真值点辐射场,无需相机采样或多视图渲染即可将现有网格转为 NeRF。基准测试显示该方法渲染质量与基线相当,并支持构建统一 NeRF 场景及提取几何进行碰撞仿真。论文已接受至 IROS2026,代码与数据许可状态待注册。
FedSSMCoOp 提出一种基于 SSM 编码器的联邦少样本图像分类框架,在无需外部大语言模型对齐特征的前提下实现多模态学习与隐私保护。该方案利用 Vision Mamba 和 Cross Mamba 模块优化软提示更新,相比基线平均轻量 1.96 倍且性能稳定。对应脚本即将发布,适用于数据受限的医疗影像等跨机构场景。
针对近距操作和相机遮挡场景下末端执行器定位不准的问题,该工作提出 MILD 数据集(含真实世界与仿真序列)及 AprilVINS 方法。MILD 包含来自 Insta360 X5 等设备的 86 个传感器序列,覆盖 15 次重复桌面任务;AprilVINS 结合鱼眼视觉惯性估计与局部 AprilTag 几何,在无需预测绘标贴地图的情况下实现毫米级定位精度。
论文介绍 SkillCycle 框架,旨在解决智能体内部化外部技能后原有规则变得冗余或不足的问题。该框架通过技能内化与规则修订之间的反馈循环,交替进行固定技能库的策略学习与冻结策略的规则修订。
SPLATIFY 是一个多智能体框架,旨在解决 3D 高斯泼溅(3DGS)研究复现难的问题。它通过上下文无关语法、架构元素和知识驱动改进等五项创新,将无公开代码的论文转化为基于 gsplat 的可训练实现。
Light Origins 近日正式发布通用具身基础大模型 Light-O1,面向全球科研机构开放 API 并提供开源权重(Light-O1-Preview)。
该论文提出 Long-WAM 框架,旨在解决实时机器人控制中视觉历史过长导致延迟的问题。核心发现是视频基础模型采用自回归(AR)预训练能更有效地利用长历史上下文。
推荐理由:该工作提出 Long-WAM 框架,通过自回归预训练显著延长因果世界 - 动作模型的上下文窗口,在真实机器人上实现长视界动态操作的高成功率与实时部署。
该论文提出一种将大语言模型(LLM)视为预言机的抽象计算架构,通过扩展两栈下推自动机来统一工作流与智能体两种范式。作者设计了名为 ArchNights 的扩展 RISC-V 指令集架构及类 Linux 操作系统原型,该系统在 gem5 仿真器上运行,旨在将智能体系统设计为标准的计算机系统。材料仅提供了理论构建、仿真实现计划及开源意向,未包含真实硬件部署或实测性能数据。
Noitom Robotics 发布了 HiPHI,这是一个包含 617.5 小时全身人体运动和 245.7 小时同步物体轨迹及网格的人机物交互动作捕捉数据集。
针对现有图像到 3D 生成模型无法独立控制颜色与纹理转移的局限,本文提出 DiDE,这是首个无需训练的 Disen3D 框架。该方法利用潜在空间的过完备性,通过专用分支处理内容、纹理和颜色参考图,并在自注意力层无干扰地组合风格信号以保留几何结构。在作者新构建的多参考基准 Disen3D-Bench 上的实验表明,DiDE 在色彩保真度、纹理转移和内容保持方面均优于现有 2D 及 3D 风格化基线。
LEADer 框架利用像素级不确定性动态调节先验强度并量化采样稳定性以加速收敛。理论证明其严格满足数据一致性且具备确定性误差界,实验显示该方法在多个最先进扩散图像复原基线上提升性能并显著降低采样时间。代码已开源,论文被 ACM Multimedia 2026 口头录用。
该方法提出基于预训练 GOCL 模块的场景无关物体代码本,在无需额外掩码预处理或多视图对齐的情况下,直接监督 3D Gaussians 的身份特征。此方案将无监督物体中心学习引入 3DGS,实现了跨场景的泛化能力,适用于机器人交互、场景理解及跨场景迁移等下游任务。论文已发表于 CVPR 2026 第三场多视图监督 3D 学习研讨会(3DMV),对应 arXiv:2604.09045v2。
该研究演示了基于 ROS 2 耦合 NVIDIA Isaac Sim 与 NVIDIA Sionna 的实时闭环仿真框架,利用 GPU 光追在~16ms(约 60 Hz)刷新覆盖图。
PhoneBot 是一种低成本、开源的人形机器人平台,其核心创新在于将商用智能手机作为主要的感知与计算单元,利用手机集成的 IMU、摄像头和无线连接能力替代传统昂贵的传感器系统。
针对语音、快速交互及协作挑战,提出用于探索人机口语对话工件(如澄清请求、打断、具身信号)的可扩展基准。该工作引入满足机器人口语对话技术需求的 Retico 实时通信框架以支持基准运行。研究愿景涵盖将基准扩展至其他重要的人机互动方面,相关成果已接受并将在 IROS 2026 Workshop on Human-Robot Dialogue 展示。
针对通用剪枝标准不适用于闭环动作行为的问题,本文提出 Loss-Conditioned Activation-Moment (LCAM) 剪枝算法。该方法无需恢复训练或仿真 rollout,通过行归一化权重贡献、校准演示中的激活矩以及输出方向对动作预测损失的敏感度来排序连接,并设计自递归粗到细的稀疏度分配流程。
推荐理由:提出无需重训的 LCAM 剪枝算法,在 LIBERO 与 OpenVLA 上验证了高稀疏度下的策略性能保持能力。
该工作介绍了基于 JAX 的可微仿真器 Crazyflow,利用 XLA JIT 编译将物理与控制统一为单一可微计算图,实现加速硬件上的大规模并行化且保持建模精度。系统集成了高保真超宽带(UWB)和惯性测量单元(IMU)模拟管道及全状态扩展卡尔曼滤波(EKF),支持在真实退化状态下对控制器进行大规模并行评估,显著提升了训练速度并服务于下一代空中机器人研究。
推荐理由:该工作提出基于 JAX 的可微仿真器 Crazyflow,支持大规模并行训练强化学习智能体,并集成了高保真 UWB 与 IMU 模拟及扩展卡尔曼滤波,为空中机器人研究提供基础工具。
论文 CoRE 研究单策略去中心化协作,即所有机器人运行同一策略且无身份标签或互通信。该方法从多任务演示中学习协作角色专家,利用外观与几何信息提供局部交互证据,并通过查询条件交叉注意力实现可适应预测路径。训练阶段使用动作 - 专家对齐损失监督专家选择。在仿真基准中表现最佳,物理实验显示其对伙伴延迟和减速具有鲁棒性。
推荐理由:该工作提出单策略去中心化协作框架,在仿真与物理实验中均验证了多机器人互补行为的有效性。
针对跨异构机器人复用能力仍需大量人工适配的问题,本文提出 Silicon Language 框架,将机器人视为自身能力演化的主体。该框架包含边缘代理、硅基传输协议和知识库三层基础设施,支持编码经验包、检索同侪包、翻译传感器执行器接口及本地独立审查。
论文提出了 BiGym 2.0,这是针对宇树 Unitree G1 机器人的家庭操作基准套件,包含 20 个任务和每个任务 60 次原生 VR 演示。研究在统一全身控制器下对比了视觉语言动作微调、模仿学习、演示驱动强化学习和冷启动编码代理,发现微调方法在九项任务平均表现最佳,而代理开发程序在所有演示驱动强化学习基线上均占优。材料开源了环境、演示和评估轨迹,并指出跨工作区堆叠等挑战仍待解决。