真实机器人数据质量背后的隐藏变量:来自数十万小时数据的教训
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。
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。
论文提出 SR-VLA 框架,解决视觉语言动作(VLA)策略在推理阻塞下一段动作时产生的控制停顿问题。
针对现有记忆增强方法存储成本高且无法显式进化知识的局限,本文提出了 EvoNav 两时间尺度记忆框架。该框架将语义观测、空间关系及任务反馈线索组织为稀疏经验原子,并在慢时间尺度上将类别共现与反馈信号蒸馏为环境特定的结构知识,无需预定义对象 - 房间关系。实验在单目标、序列多楼层及多模态导航任务中验证了有效经验复用与路径效率提升,并成功迁移至真实机器人。
论文介绍 InertialWorld 模型,该模型在自回归生成中利用惯性状态演化机制,避免每步重复重建导致的误差累积。核心组件 Inertial Memory 包含欧拉网格与拉格朗日载体,结合动作条件运动预测下一帧并融合新旧内容。实验涵盖机器人操作、3D 游戏仿真和开放世界导航,性能对标现有基线。代码链接见 arXiv 页面。
推荐理由:提出将惯性作为先验的 InertialWorld,通过欧拉网格与拉格朗日载体结合,解决视频预测中的误差累积问题。
该研究在 MetaWorld 20 任务套件上验证,受控随机选取的 5,000 条记录子集在 20,000 次更新后,其相对于 40,000 条记录池的增益(3.69 个百分点)与任务知情子集基本持平。跨 12 项对比发现,固定预测器在至少一个保留折中表现落后于均值或难度参考,且观测与预训练交互作用符号随种子变化。这项回顾性研究证明,等容量控制、种子级报告及针对性干预会改变对表观迁移增益的解释。
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。
针对腿式机器人因关节电机过热导致运动中断的问题,本文提出一种无需直接观测温度的强化学习方法。通过构建 13 节点集总 RC 热网络模型预测电机温度,设计奖励函数驱动策略降低最高稳态温度。实验在 Unitree Go2 四足机器人上验证,该方法将 5kg 负载下的持续运动时间从 19 分钟(热关机)提升至 174 分钟(电池耗尽),实现了从热受限到电池受限的转变。
TRIDENT 模型通过单一骨干与三个并行解码器,高效完成去雾、深度估计及不确定性评估三项水下视觉任务。实验显示该模型在图像增强和深度估计上显著优于现有方法,且在内存占用与推理时间效率上更优。其联合学习方法展现了稳健的特征匹配能力,并实现了从二维到三维视觉任务的无缝扩展。
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。
RoboTeam 是一个新的仿真基准,用于评估多模态智能体仅凭摄像头图像实时控制 4 到 16 个机械臂完成长周期协作任务的能力。该基准包含 36 项需要多臂协同的长期作业(如传递木材或搭建积木画),且世界不会暂停。
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。
该论文提出一种质心位于髋关节的平面半圆形足 X 型双足机器人,并设计控制系统实现平地稳定极限环步态。数学证明显示摆动腿碰撞前后角速度不变且控制输入积分归零,数值仿真验证了理论有效性及收敛速度与机械能恢复特性。文章已发表于 IEEE ICARM 2023,当前版本修正了图表标签等排版信息。
论文介绍 ReLAP 框架,该框架在冻结的 JEPA 表示空间内耦合局部逆动力学学习与循环多步预测。共享逆动力学模型从相邻观测推断紧凑连续潜在动作,而潜在世界模型递归预测未来 JEPA 特征以鼓励时间连贯的动态。
推荐理由:该工作提出在冻结 JEPA 空间内结合局部逆动力学与循环多步预测的潜在动作预训练框架,并在 LIBERO 基准上取得 SOTA 表现。
论文提出了 DreamFAR 世界模型,其动力学模型完全基于大规模机器人遥操作数据从头训练,未使用互联网视频预训练。该架构专为机器人原生数据设计,体积显著小于高性能视频生成模型,在商业 GPU 上运行速度达 10 FPS。实验表明,DreamFAR 在预测长视界未来及理解接触与因果关系方面优于现有模型,并展示了策略评估与混合数据协同训练等应用潜力。
推荐理由:该工作提出无需互联网预训练的机器人原生世界模型,在长时序接触预测上优于现有方法。
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。
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。
蚂蚁灵波举办首届具身大模型挑战赛决赛,15 支队伍在 48 小时内完成数据采集、模型调优及真机部署。冠军团队 TARS(平均年龄 25 岁)选择从零手搓新数据并夺冠;华中科技大学 EVA 队通过递归自我改进方案获二等奖;天津大学 SST 队利用倒放视频标注技术获二等奖。比赛揭示了硬件适配与跨任务泛化的工程挑战,蚂蚁灵波现场发布开发者生态计划以支持模型落地。
该研究通过仅替换首模型排名精英集为环境排名精英集的固定状态干预,使 Walker/Cheetah 任务中选定序列的实现追踪成本在所有 12 个种子单元均降低。跨 32 项任务的 52 个冻结 TD-MPC2 检查点对比显示,在改进显著的 10 个检查点上平均收益为 67.8 分(95% CI [31.9, 103.6]),其余 42 个仅提升 0.2 分。
针对多步环境交互中单点错误导致状态改变且经验丢失的问题,提出 Rollback-Induced Reflection (RIR) 框架。该方法将可靠恢复定义为联合决定干预时机、恢复位置及保留信息的边界控制问题,在回滚至选定先验状态的同时,蒸馏废弃轨迹中的可复用知识以指导后续决策。实验表明,该结构化反思记忆与选择性回滚机制能提升多个 LLM 骨干网络在长程基准任务上的平均性能。
本文针对传统偏好学习中教师作为被动预言家的局限,提出利用二阶心理理论(ToM-2)让学习者主动生成理解陈述来修正教师的知识模型。研究在仿真环境中对比了不同教学策略,发现当存在多教师交替导致的模型漂移时,ToM-2 方法能有效减少漂移并恢复学习效率优势。该工作包含人类受试者实验,结果显示 ToM-2 陈述能提升学习者的最终对齐度。
该研究提出参数依赖线性矩阵不等式(LMI)框架,解决受乘性车轮滑移影响的非完整移动机器人轨迹跟踪问题。在 Kanayama 坐标下,该方法在半全局球域(σ_bar = 0.10)内实现指数衰减与 H-无穷范数增益优化,并在±50% 滑移比工况下较固定增益基线保持稳健性。论文包含 23 页、18 幅图及 50 个参考文献,预印本已上传 arXiv。
arXiv 论文介绍了一种名为 ODEWorld 的新方法,利用物理时间流(PT-Flow)构建基于常微分方程的连续潜在世界模型。该方法在压缩的潜在空间内将未来预测重构为 ODE 求解器的时间积分,有效解决了表示坍塌问题,支持任意时序分辨率、回溯预测及丰富的规划导向信息。实验表明其在视频生成和机器人控制任务中表现优异。
推荐理由:该工作提出基于 ODE 的连续时间世界模型,解决了离散模型的表示坍塌问题并支持任意时序分辨率与回溯预测。
该研究提出了一种针对未知洋流下欠驱动非最小相位水下滑翔机的三维轨迹跟踪观测器辅助控制架构。RE MUS 仿真在三种轨迹和四种洋流场景下,将有效顺航扰动降低 89-96%,平移残差减少约 99%,均方根跟踪误差从 4.04 m 降至 0.24 m。论文包含 31 页及 15 幅图,已上传至 arXiv 并收录于 Ocean Engineering 期刊。
该研究提出迭代最佳响应(IBR)策略,解决无人机在通信受限与不确定环境下的城市级包裹配送任务分配问题。实验显示,相比最早截止期优先、匈牙利算法及随机冲突基线分配,IBR 在满通与稀疏通信下均实现具有竞争力的完成率且计算耗时更低。论文包含 8 页正文与 6 张图表,代码与权重暂未提及开放许可。
作者提出了一个基于 GPU 的求解器,用于解决轨迹规划问题。该方法采用多射击动力学表述和增广拉格朗日法处理约束,并开发了两类针对树稀疏结构的内层 LQR 求解器以利用不同级别的并行性。数值结果表明,与高性能 CPU 求解器相比,该方案在大规模问题上具有更优的性能。
该论文研究了模拟空气曲棍球防守任务,发现即使在没有追踪冰球的临时情况下,控制仍需依赖记忆。研究将 DreamerV3 教师模型蒸馏为具有 64 维状态的紧凑循环策略,结合对角线线性循环与可选的秩 k 非线性创新,而观测编码器和动作头保持非线性。
针对家庭环境服务机器人部署难题,研究提出基于商用 XR 笔的增强现实控制界面,并对比了运动控制器、手势及 RViz 基线。10 人实验显示运动控制器在感知工作量和可用性上得分最佳且接近计算机基线,而手势操作导致显著更高工作量;XR 笔虽任务选择时间最短但受头显切换至手部追踪问题影响未达统计显著性。该研究已获准于 2027 年日本神户 IEEE/SICE 系统集成国际研讨会展示。
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。
OpenRoIS 是一个由社区驱动的开源中间件,实现了 OMG 标准化的 Robotic Interaction Service (RoIS) Framework 2.0。
论文介绍 Navi-Agent,这是一个零样本连续环境视觉语言导航(VLN-CE)智能体。它从视觉观测和运动历史构建无坐标的空间状态,以导航拓扑图组织节点与边,支持基于观测的近似自定位、任务进度验证及视觉重访恢复。实验表明该方法在几何受限基准中达到最先进水平,且性能可与依赖几何定位的方法竞争。材料为 arXiv 预印本,未提及同行评审或具体部署结果。
针对当前视觉语言动作(VLA)模型在密集视觉输入下易受视觉捷径干扰而偏离人类目标的问题,论文提出 HINT 框架。该框架借鉴人类操作原理,仅在模式转换时进行稀疏语义推理以解决子任务与目标,随后通过多视图定位和视觉跟踪维持承诺。
针对低空无特征海床导致的尺度模糊与惯性 -DVL 融合无法修正漂移的问题,该研究提出将物理交互作为几何约束的接触辅助因子图定位框架。实验在水箱、港口及仿真环境中验证,该方法相比滤波导航和无接触图方案显著降低轨迹漂移并提升物体复访精度。系统支持在线初始化,利用吸盘操作器接触事件构建高置信度因子以隐式实现闭环,无需外观识别即可稳定估计状态。
该数值研究针对平面三自由度、三缆索下肢康复机器人模型,评估了围绕名义计算力矩控制的有界深度确定性策略梯度残差修正效果。在典型综合不确定性与扰动工况下,笛卡尔均方根误差从 0.0221419 m 降至 0.0128462 m(约降低 42%),但另一圆形参考轨迹中关节限位违规样本数却由 44 增至 101。
Jingwen Li 等人在 arXiv 发表论文《Communication in modular robotic motor control: Bilateral controllers under realistic constraints》,在双机械臂肌肉骨骼模拟器中对比了单体控制器与引入可学习延迟通信通道的双侧模块化架构。
Siliang Lu 撤回的论文提出一种结合物理预测安全过滤器的课程学习控制器,旨在解决状态基车辆控制任务中传统方法参数校准繁重及学习法缺乏安全保证的问题。研究在 Python-CarSim 平台上验证了该方法在不同机动下的改进效果与可扩展性,但因贡献不足未进一步投稿期刊或会议。
论文提出 MoRAE 方法,利用预训练的 Motion-JEPA 编码器预测隐藏关节轨迹并压缩其冻结特征,构建适合流变换器的紧凑潜空间。该方法在 HumanML3D 和 KIT-ML 数据集上实现了最先进的 FID 分数,同时保持了接近真实运动的检索式文本一致性和多样性。材料为 arXiv 预印本版本,未提及同行评审状态或开源代码仓库。