PhysEvolve:基于验证器的可执行世界因果推理自进化框架
针对视觉语言模型在动力学与物理因果关系上不可靠的问题,本文提出了 PhysEvolve 框架。该框架通过共享的 VLM 提出可执行的物理世界程序,利用确定性物理引擎冻结并模拟基线及反事实分支(如物体移除、目标坑洞),合成离散任务并通过精确验证反馈更新策略与课程。
推荐理由:该工作提出基于验证器的自进化框架,利用确定性物理引擎生成反事实数据以训练视觉语言模型进行因果推理。
针对视觉语言模型在动力学与物理因果关系上不可靠的问题,本文提出了 PhysEvolve 框架。该框架通过共享的 VLM 提出可执行的物理世界程序,利用确定性物理引擎冻结并模拟基线及反事实分支(如物体移除、目标坑洞),合成离散任务并通过精确验证反馈更新策略与课程。
推荐理由:该工作提出基于验证器的自进化框架,利用确定性物理引擎生成反事实数据以训练视觉语言模型进行因果推理。
Eka Robotics 宣布完成 1.5 亿美元 A 轮融资,由 Andreessen Horowitz 和 FMR 旗下基金领投。该公司基于强化学习构建了视觉 - 力-动作(VFA)基础模型,旨在通过大规模仿真训练让机器人在物理环境中具备泛化能力。
该论文提出 V2-STRep 零样本框架,将生成视频的单一运动转化为可复用的机器人技能。方法利用视觉语言模型提供 2D 图像线索并结合 RGB-D 观测重构 3D 几何与抓取位姿,通过几何规则迁移运动并耦合轨迹优化以适配关节限制。实验在六个真实操作任务上验证了该方法相比基线提升了执行成功率,实现了技能的跨场景可靠转移及对变更部署指令的自适应。
针对气动抓取中优化问题高度非凸且数值目标难以完全表征成功条件的局限,本文提出在解析规划器内引入学习机制。首先从优化后的运动中学习轨迹先验,并通过基于 CEM 的过程进行进化;其次设计执行感知批评器,利用接触、升力和完成结果评估轨迹成功率,其冻结能量可作为可微抓取成本直接塑造轨迹生成。仿真与真实世界实验表明该方法提升了优化的可靠性、轨迹一致性及抓取性能。
FluxVLA Engine 是一个开源的配置驱动型工程平台,旨在将异构的具身策略组件转化为可复现的数据至部署工作流。该平台标准化了数据集、视觉语言与世界模型接口,集成了双臂仿真、自动数据生成及人机协同修正功能,并通过实时分块与加速推理后端支持物理执行。代码已公开于 arXiv 链接,解决了阻碍具身学习算法可靠部署的工程瓶颈。
推荐理由:FluxVLA Engine 提供统一配置驱动平台,整合仿真、数据生成与实时推理接口,解决具身策略从算法到部署的工程碎片化问题。
针对现有行为基础模型仅能执行预定义动作且缺乏环境适应性的问题,论文提出 ReactiveBFM 实时闭环规划控制框架。该方法通过调度前缀采样课程缓解暴露偏差,使生成式规划器从不完美的物理状态中学习误差恢复;引入异步重规划机制解决自回归规划与高频跟踪的延迟失配,结合轨迹分块保证时空流畅执行。
推荐理由:提出 ReactiveBFM 框架,通过前缀采样缓解暴露偏差并解决规划延迟问题,在 Unitree G1 上实现零样本移动目标抓取与高成功率闭环控制。
针对现有仿真 - 现实联合训练依赖静态演示且泛化受限的问题,本文提出一种基于强化学习的联合训练框架。该方法先利用真实与仿真混合数据进行监督微调预热策略,随后在仿真环境中通过强化学习优化并辅以真实数据辅助损失以锚定策略、防止灾难性遗忘。
推荐理由:提出基于强化学习的仿真 - 现实联合训练框架,在真实桌面操作任务上实现成功率提升与数据效率优化。
该论文介绍了一种名为 CENIC 的新型变量步长积分器,旨在解决现有离散时间仿真器在处理接触动力学时面临的精度与速度权衡问题。该方法融合了凸时间步进和误差控制的优点,能在保持与 MuJoCo、Drake 等主流仿真器相当的实时运行速率的同时,提供对精度和收敛性的保证。论文已提交至 IEEE Transactions on Robotics (T-RO),并提供了补充视频材料。
论文 MeSS 针对现有扩散模型在三维场景生成中难以保证跨视角视觉一致性的问题,提出利用城市网格作为几何先验进行合成。方法包含三个关键阶段:首先使用级联外绘 ControlNet 生成长期一致的稀疏视图;其次通过 AGInpaint 模块传播更密集的中间视图;最后利用 GCAlign 模块全局消除曝光差异等视觉不一致性。
针对轨道拥挤背景下大型非合作载荷的运输需求,该研究提出一种由精确梯度驱动的去中心化双层优化框架。方法将问题分解为内层凸推力分配与外层有效载荷扭矩轨迹搜索,在无需全量非线性规划收敛的情况下快速获得燃料高效解。理论收敛性已确立,且通过包含闭环故障恢复的大规模蒙特卡洛仿真验证了其在航天器群应用中的适用性。
论文提出了 WorldForge V2 方法,旨在解决视频扩散模型在空间任务中相机控制不精确及时空不一致的问题。该方法采用无需训练的引导框架,利用 warped references 迭代优化生成过程,并通过光流分析分离运动控制与外观特征。
推荐理由:提出无需训练的引导框架与轨迹 LoRA,在视频扩散模型中实现精确相机控制并保留生成能力。
针对 AI 编程代理生成的简易游戏画面缺乏细节的问题,本文提出 AnyGameRenderer,这是一个将低质量游戏视频转化为高质量视觉内容的视频到视频生成模型。
针对真实机器人数据稀缺的问题,本文研究如何利用廉价且程序化生成的合成数据为具身智能模型提供有效先验。作者构建了三种模拟机器人控制数学抽象的数据生成管道,将其作为 Transformer 的预训练先验。
针对软体衣物操作的高维状态与材料形变挑战,该研究提出一种 Soft-Object World Model,利用 Transformer 骨干在大规模仿真交互数据上训练,通过上下文学习从部分点云历史推断潜在形状与材质线索。
该论文提出 LAST-V2X 框架,利用大语言模型将自然语言测试描述转化为基于道路几何、V2X 通信语义和车辆行为的可执行场景。框架集成物理交通仿真与空间感知通信建模,通过消息级故障注入评估信息退化对车辆决策的影响,并采用匹配执行区分通信诱导故障与非相关安全违规。实验在多种 CARLA 环境中进行,展示了该框架生成可靠场景、提升故障发现能力以及通过自适应细化优化测试配置的效果。
LocoManiLab 提供涵盖数据采集、策略训练至物理部署的统一测试床,支持五类家庭场景下共 234 个原子与组合任务。该测试床基于 51.5 小时模拟遥操作数据,评估了十二种策略及两种策略在五种控制器下的表现,验证了仿真到现实的一致性。
论文提出了 TEAR(Task-Evidence Authority Routing for Robotic Manipulation)框架,旨在解决现场部署环境下机器人操控的可靠性问题。
论文提出了 ALMA 框架,旨在解决空中平台在机臂交互下质心变化导致的控制难题。该方法利用上下文飞行策略结合动作条件预测来保留历史响应信息,并引入进化过程通过大语言模型分析控制困难以生成新的机臂运动结构进行训练。实验表明,该策略在仿真中将位置均方根误差降低了 24.7%,并能零样本迁移到真实空中机械臂,使周期性机臂运动下的悬停位置误差降低 79.6%。
针对现有机器人建图方法在语义上下文与计算成本间的权衡难题,论文提出 OASIS 统一系统,利用稀疏锚点节点整合多模态表征以支持推理、验证与导航。系统在仿真和真实环境中演示了复杂开放词汇检索、动态环境导航以及在场景变化后对位移物体的重定位能力。材料为预印本,已获 ACM Multimedia 2026 口头报告录用。
推荐理由:提出基于锚点的在线推理系统,在仿真与真实环境中验证了动态场景下的开放词汇检索、导航及物体重定位能力。
SplatLab 是一个针对 3D Gaussian Splatting 领域的自主研究系统,解决了现有系统在模板限制和可执行性上的不足。该系统能根据提示或论文链接复现基线、提出扩展方案并在 Mip-NeRF 360 等数据集上训练消融实验,同时将手稿中的每个数据点绑定到具体的日志运行记录。
推荐理由:该系统实现了端到端的自主科研闭环,能复现基线、提出扩展并绑定实验数据生成手稿。
NVIDIA 扩展了 Cosmos 平台,推出新的训练工具、仿真检查点和 Cosmos Data Factory 蓝图,帮助开发者快速构建用于理解与模拟现实世界的世界模型。
推荐理由:NVIDIA Cosmos 平台新增数据工厂蓝图与训练工具,支持多模态合成数据生成及开源模型适配,旨在加速物理 AI 系统的开发与部署。
AxonSynth 是一个无需手动标注真实训练体积即可训练三维轴突分割模型的域随机化合成数据框架。该框架生成具有方向先验的合成轴突标签,并通过随机化的密度、对比度、偏置场、模糊和噪声进行渲染。
本文介绍 ASPIRE(Agentic Skill Programming through Iterative Robot Exploration),一种在代码即策略范式下自主编写和精炼机器人控制程序的持续学习系统。
推荐理由:提出 ASPIRE 系统,通过闭环执行引擎与技能库实现机器人控制程序的自主编写与迭代优化。
PCLA-Bridge 是一个无需活跃 CARLA 服务器即可运行未修改 CARLA Leaderboard 智能体的工具,支持从任意传感器源到任意控制目标的部署。
推荐理由:PCLA-Bridge 框架允许在不修改 CARLA Leaderboard 模型的情况下,将其跨域部署到 MetaDrive、AWSIM 等仿真引擎及真实数据流中。
论文定义多模态具身智能体(MMEA)为耦合多模态任务推理与物理动作的系统,提出PAPAV框架以感知、预测、规划、行动和验证五种功能重新审视该领域。研究指出当前评估过度依赖任务成功,而忽视对预测和验证能力的考察,并分析了从电脑使用转向机器人使用时面临的物理约束挑战。
针对 VLA 模型在复杂长视界技能学习中面临的延迟信用分配与子任务掌握不平衡问题,本文提出 AtomicRL 框架。该方法引入语义感知策略优化(SAPO)以约束跨任务边界的信用污染,并通过瓶颈自适应目标探索(BATE)动态协调采样与局部探索。
推荐理由:提出 AtomicRL 框架解决长视界操作中的信用分配与瓶颈问题,在仿真及真机部署上均优于 PPO。
该论文提出 RangeNav,这是一个仅含 183k 参数的紧凑 LiDAR 范围图像编码器,完全基于合成数据预训练。模型采用各向异性卷积和圆形填充以处理范围图像的极端宽高比与经线问题。
论文提出了 SpatialDex 框架,旨在从仅含 RGB 的人体视频中学习带有空间上下文的三维双手灵巧操作。该方法通过重建场景几何并估计手部运动,利用手尺寸先验在共享视频级尺度上进行对齐,并将重建的几何信息既作为策略输入也作为预测目标。
该研究提出一种多阶段强化学习方法,为月球重力环境下的四足机器人生成单点端到端控制策略以实现精准跳跃。仿真结果显示落地误差小于机身尺寸,且扭矩与功率需求符合硬件极限;实测验证了该策略在月球重力卸载条件下的垂直跳跃执行能力。
论文提出一种将欧氏距离场(EDF)直接整合进观测空间的强化学习框架,利用其丰富的空间信息简化奖励函数设计,实现了无需人工势场引导的有效避障。该方法在 7 自由度冗余机械臂上验证了从仿真到实体的零样本迁移能力,尽管仅用随机化静态物体训练,策略仍能泛化至未见过的真实环境并稳健地规避动态障碍物。材料为预印本状态,已接受于 IROS 2026。
推荐理由:该工作将欧氏距离场融入 RL 观测空间,在仿真中训练的策略实现了零样本迁移到真实机械臂,且能应对动态障碍物。
该论文提出 PRISM 框架,将传感器噪声解耦为感知失效与测量不准两种模态,利用视觉基础模型特征作为先验进行物理推理。针对失效区域稀疏问题,采用分层正样本优先监督策略。基准测试显示该方法在噪声深度合成中达到最先进保真度,下游机器人实验平均成功率提升至 92.1%,显著优于单一黑盒基线。
针对自动驾驶感知领域高质量标注数据稀缺及合成视频拟真度不足的问题,本文提出 NeuralSRender 框架。该框架基于预训练视频扩散 Transformer(DiT),利用轻量级投影器注入 G-Buffer 中的几何与材质先验,并通过 LoRA 实现参数高效适配。
论文提出 SMR,一种基于语义条件的流式神经运动重定向方法。该方法将人类动作转换为机器人感知的任务空间目标,利用在仿真中受接触、动力学和执行器约束的物理专家直接跟踪这些目标,并训练单因果 Transformer 对执行后的状态轨迹进行建模。实验表明,相比直接优化和物理修正基线,该方法在保持语义保真度和物理有效性的同时,实现了更优的闭环控制性能。
推荐理由:提出 SMR 方法,利用语义条件物理专家在仿真中生成符合动力学约束的运动轨迹,并通过因果 Transformer 实现流式重定向。
该文介绍 SimPT(Simulation-based Post-Training),一个集成策略 rollout、修正数据采集、策略训练及独立评估的自动化仿真框架,旨在解决人类在环后训练中监督成本高和重复实机评估受限的问题。
针对变视野体积扫描中的单样本地标定位挑战,本文提出 UNIVERS 框架,利用器官形状模板合成多样化伪数据并应用语义布局、视觉外观及空间姿态的随机化策略。结合跨域判别性体素级对比学习,该方法迫使网络忽略领域偏差,从而在任意视野的多模态体积扫描中实现肾上腺等不规则内分泌器官的单样本定位。实验在三个具有挑战性的数据集上验证了其在跨模态场景下优于最先进方法的效果。
Gonzalo Gomez-Nogales 等人发布了 Pair-Free Coarse-to-Real Video Generation 模型,该方法通过 DINO-R2C 模型在图像特征空间学习从真实到粗糙图像的映射,利用现有编辑与三维重建工具构建图像对进行监督,从而摆脱了对成对视频数据的依赖。
论文介绍 GGraph,这是一个开源的 GPU 加速图库,旨在为自主移动机器人提供稀疏的空间表示以支持规划与强化学习。现有图库多针对单机器人或固定图设计且依赖 CPU,限制了可扩展性。
HyperDrone 是一个专注于高性能批量渲染的四旋翼模拟器,其渲染速度比现有最先进方案快 20 倍以上。该系统结合优化的多旋翼动力学与 HyperLux 光追引擎,支持 Nvidia OptiX、Vulkan、Apple Metal 和 WebGPU 后端,完全在 GPU 上运行。
推荐理由:HyperDrone 结合多旋翼动力学与 HyperLux 光追引擎,在消费级 GPU 上实现百万帧每秒的渲染速度,支持将纯仿真训练的视觉策略迁移至真实四旋翼。
针对移动操作器需适应物体及空间环境的挑战,本文提出 COWBOY 框架,利用向量化环境感知全身控制器处理千种场景下的到达与避障,再训练局部 RL 专家进行物体交互,最终蒸馏为单一视觉策略以控制移动基座、机械臂、灵巧手和主动相机。该策略能从点云观测自动适应场景几何并执行操作。材料为预印本论文,未报告真实机器人部署结果或具体性能指标。
该论文提出 HorizonComposer 方法,旨在解决通用指令引导视频编辑器在处理自动驾驶场景时破坏交通语义和产生时序震荡的问题。研究构建了混合数据集以平衡基础结构与外观信号,利用离线强化学习的优势条件化进行训练,并引入思考帧机制来缓解时序冲击。实验表明该方法在内容保留和时序一致性上优于现有方法,并能提升下游道路线分割与多目标检测性能。