跳到正文
10月30日周五
  1. arXiv · 机器人与计算机视觉83

    Echo:一种通过离线经验扩展视觉强化学习的单阶段框架

    针对视觉强化学习中渲染与推理成本高昂的问题,本文提出了 Echo 方法,这是一种单阶段的离线强化学习框架。该方法利用基于状态的辅助策略进行逆蒸馏,收集无需渲染的低成本经验,并通过共享特权评论器直接改进视觉策略。

    推荐理由:提出单阶段离线强化学习框架,利用逆蒸馏收集无渲染经验以加速视觉策略训练。

  2. arXiv · 机器人与计算机视觉42

    TACOS:地形感知接触监督用于视觉步态规划

    TACOS 提出基于因子图残差的地形感知接触监督,通过硬分量和因果软分量两种变体在两项独立评估中均优于最强基线。该方法在 1716 个标注接触点将严重性排序提升 28%,并在三次户外测试中将视觉预测器排名相关性分别提升 58% 和 25%。真实世界实验中,该模型成功处理泥地植被等非几何地形并绕过倒木,代码已开源供复现。

  3. arXiv · 机器人与计算机视觉58

    DexSuite:面向多臂与灵巧手的全合一灵巧操作仿真框架

    作者发布了基于 Genesis 构建的 DexSuite 全合一仿真框架,集成了 30 个任务、10 种机械臂、12 种末端执行器及标准化环境 API。该框架提供遥操作接口与模拟触觉传感,并定义了包含 16 对任务 - 本体组合的基准,同时开源了来自人类遥操作、脚本专家及学习策略生成的 4,700 个成功仿真集数数据集。

  4. 盖世汽车 · 汽车资讯67

    领益智造 Q3 营收净利创新高,机器人业务进入量产交付期

    领益智造披露 2026 年第三季度报告,Q3 营收约 155.22 亿元、净利润约 11.53 亿元,均创单季新高。公司在物理 AI 领域定位为具身智能硬件制造商,已量产交付人形机器人核心零部件及整机,并在北京等地投建组装产线,同时搭建数据资产平台贯通真机与仿真数据采集流程。

  5. 量子位80

    清华联合无问芯穹、智元提出具身智能群体经验学习新范式

    清华大学联合无问芯穹、智元提出群体经验学习(CEL)新范式,让机器人通过借鉴同伴经验实现自主进化。在96台真实机器人集群中验证了该范式,五项任务成功率均超人类平均水平,且随规模扩大持续提升。系统层面构建了容错异步训练系统,算法层面提出失败引导的经验检索微调方法,打通了从单台能力提升到群体持续进化的产业化链路。

    推荐理由:清华联合无问芯穹、智元提出群体经验学习新范式,在96台机器人集群中验证了规模化落地路径。

  6. Hugging Face Daily Papers58

    CausalWAM:学习世界动作模型中的动作成因

    针对世界动作模型(WAM)难以仅从演示的动作相关潜在变量生成动作的问题,本文提出 CausalWAM 方法。该方法在预训练 WAM 的动作头中增加稀疏路由路径,将导致动作的因果因素与预测依赖分离。理论证明在稀疏约束下,用于生成动作的潜在变量是动作相关变量的可逆函数,且该结构唯一确定(至排列)。实验在合成数据和真实机器人上验证了理论并展示了闭环成功率提升。

  7. Hugging Face Daily Papers78

    RoboArchitect:自动化设计具备持久记忆的机器人代理

    论文 RoboArchitect 展示了一种无需更新模型权重的方法,通过代码模型观察机器人执行过程、诊断失败并迭代优化控制架构(harness)。该方法自动设计了直观的控制策略(如处理卡住的手臂)和持久记忆机制,在多个基准测试中,将通用策略在未见过场景的平均成功率从 9.7% 提升至 43.3%,在未见过任务中从 12.7% 提升至 40.2%。

    推荐理由:该工作提出无需微调即可自动设计机器人代理架构,显著提升了通用策略在未见场景与任务上的成功率。

10月29日周四
  1. 盖世汽车 · 汽车资讯52

    上海人工智能实验室等发布新型可穿戴系统采集的 100 小时人类活动数据集

    来自上海人工智能实验室、浙江大学和上海交通大学的研究人员构建了一个包含 100 小时人类活动数据的新数据集,用于训练人形机器人的移动与操作协同能力。该系统集成了头戴式 GoPro HERO13 摄像机、VIVE Ultimate 追踪器及 MANUS Metagloves 等传感器,能记录佩戴者视角视频、身体动作重建、手指动作和触觉数据。

  2. Hugging Face Daily Papers73

    高效自适应训练:GUI 智能体的学习位置与 rollout 范围优化

    针对轨迹级 GRPO 训练中重复执行已掌握前缀及低效探索的问题,本文提出两阶段自适应框架。首先利用成功专家轨迹构建可复用中间检查点并基于动作分歧选择关键节点;第一阶段在节点处进行单步强化学习以改善局部决策;第二阶段随任务进展逐步扩展策略责任范围。实验显示该方法在 MobileGym 和 CUA-Gym-Hub 上相比基础 GRPO 减少环境交互 56-61% 并提升性能,相关预印本已公开。

  3. Hugging Face Daily Papers78

    WorldBridge:面向任务泛化的世界动作模型研究

    论文针对具身智能模型的物理环境任务泛化挑战,提出 WorldBridge 架构,通过视频预测与动作桥接实现任务迁移。实验显示,在 RoboTwin 2.0 上仅用分布内监督成功率为 25.07%,加入无标签视频提升至 55.90%,再增加少量带标签演示可达 70.70%。该方法结合视觉记忆与动作强制机制,在多个操作基准测试中达到当前最佳性能。

    推荐理由:该工作提出 WorldBridge 架构,通过视频预测与动作桥接实现任务泛化,在 RoboTwin 2.0 等基准上达到 SOTA。

  4. Hugging Face Daily Papers84

    CaPtain:一种用于后训练代码策略机器人的流水线

    论文介绍 CaPtain,这是一个开源的后训练流水线,旨在将小型开放视觉语言模型(VLM)转化为无需依赖大型闭源模型或预训练 VLA 的代码策略机器人代理。该方法首先通过合成轨迹进行监督微调对齐基座模型,随后应用多回合强化学习,并引入读取仿真特权状态的物理评论家来分配信用。

    推荐理由:该工作提出 CaPtain 流水线,利用物理评论家解决多回合强化学习的信用分配难题,将小模型在仿真与真实机器人上的成功率提升至超越前沿水平。

10月28日周三
  1. arXiv · 机器人与计算机视觉63

    SuperMotion:一种用于文本驱动的人体动作编辑的源保持去噪方法

    该论文提出 SuperMotion 框架,旨在解决现有扩散编辑器在去噪过程中丢失时间细节的问题。该方法通过显式复用源运动并预测保留门控机制,将校正后的估计直接传递给采样后验,从而注入样本级的时间细节。实验表明,SuperMotion 在 MotionFix 数据集上实现了 33.20% 的全池 R@1 编辑准确率,有效减少了时间细节衰减并保留了动作动力学。

  2. arXiv · 机器人与计算机视觉38

    Compact Force Sensor 助力双无人机缆索吊运载荷的张力感知外环控制研究

    针对多无人机协同运输中的稳定性与鲁棒性挑战,该工作提出一种紧凑型定制力传感器及张力感知外环控制架构。通过静态动态测试验证了传感器的线性度等性能,并在位置不确定性的仿真与室内实验中证实了其在抗干扰与协调方面的优势。相关实验视频已公开,论文为 IEEE Robotics and Automation Letters 预印本版本。

  3. arXiv · 机器人与计算机视觉74

    无梯度神经哈密顿 - 雅可比可达性:面向可扩展安全关键控制的框架

    针对高维非线性系统的安全证书合成难题,本文提出一种离散时间神经可达性框架,利用贝尔曼 - 伊萨科斯值传播学习向后可达管与避障管。方法结合方程驱动的自监督与结构化策略学习,通过无梯度值探测构造近似教师动作,将对抗优化转化为监督学习,并利用窗口化时序课程稳定长视界价值传播。

  4. arXiv · 机器人与计算机视觉68

    基于时空高斯过程卡尔曼滤波的多机器人学习型信息路径规划方法

    该论文针对持久目标监控场景下的多机器人信息路径规划问题,提出了一种基于网格的时空高斯过程卡尔曼滤波框架。该方法将匿名目标存在表示为离散工作空间上的单一隐式场,而非每个目标单独建模;通过递归更新融合足印级相机测量值,支持任意视场和范围相关噪声,并利用高斯过程导出的时间进程更新以处理移动目标的不确定性增长。

  5. arXiv · 机器人与计算机视觉65

    基于时序触觉编码与人机协作的机器人双手交接研究

    针对视觉难以区分明确取物意图与偶然接触的挑战,该研究提出一种多模态方法,耦合视觉语言动作(VLA)模型与顺应控制器以降低交互力。系统通过 RGB 图像、时序触觉反馈和本体感觉进行微调,并在人体受试者研究中证明其优于无触觉或无控制的基线方案。

  6. arXiv · 机器人与计算机视觉58

    LOPAL:基于不完美演示的局部感知主动学习

    针对人类演示质量不一致的问题,论文提出 LOPAL 方法,利用高斯混合模型编码轨迹及其局部质量评估,并通过共享自主机制在数据缺失区域请求用户修正。该方法在仿真与真实世界管道检测实验中均有效,实现了最高 27.31% 的性能提升并减少了数据采集努力。材料已接受 IEEE RAL 发表,预印本链接为 arXiv:2606.16888。

  7. arXiv · 机器人与计算机视觉85

    FTP-1:一种面向多种触觉传感器的通用触觉基础策略

    FTP-1 是首个通用的触觉基础策略,旨在解决现有触觉策略依赖固定本体和传感器的问题。该模型通过异构编码器将图像、阵列及状态信号投影为统一的形态感知潜在 token,并由共享触觉 Transformer 专家联合建模。

    推荐理由:FTP-1 是首个跨传感器触觉基础策略,在 26 个数据源预训练后,未见过的传感器也能提升接触丰富操作的成功率。

  8. arXiv · 机器人与计算机视觉85

    视频世界模型的潜变量为何与动作相关:预测优于重建

    论文研究了不同预训练信号如何诱导视频世界模型潜变量中的动作相关结构。研究通过统一的逆动力学探针评估发现,时序视频预训练主要驱动了动作相关性,而像素重建保真度并非关键;具有强解码质量的模型可能表现出近零的动作恢复能力。此外,逆动力学监督显著提升了模型对视觉扰动的鲁棒性。该工作已接受至 CoRL 2026。

    推荐理由:该研究通过统一探针评估发现,视频预训练带来的时序预测结构是驱动潜在空间动作相关性的核心因素,而非像素重建保真度。

  9. arXiv · 机器人与计算机视觉72

    Goal2Pixel:将目标定位到像素以实现视觉语言导航

    针对连续环境中的视觉语言导航任务,本文提出 Goal2Pixel 方法,将导航重构为可见可通行像素的定位问题,利用图像平面作为统一空间接口替代低层动作预测。该方法引入 ViKeyMem 记忆机制和坐标感知辅助损失,在无需外部数据的情况下,于 R2R-CE 和 RxR-CE 基准上达到具有竞争力的最先进水平,单集 VLM 调用次数减少至原来的六分之一且成功率提升显著。

  10. arXiv · 机器人与计算机视觉78

    RePO-VLA:面向视觉语言动作模型的恢复驱动策略优化

    针对长视野接触型操作中仅模仿成功样本监督不足的难题,该研究提出 RePO-VLA 框架,通过恢复感知初始化、进度感知语义价值函数及价值条件化微调等技术,将对抗性成功率从 20% 提升至平均 75%。材料介绍了 Failure-Recovery Benchmark (FRBench) 基准测试,并在仿真与真实世界双臂任务中验证了该方法的有效性。

    推荐理由:RePO-VLA 框架通过区分成功、恢复与失败轨迹,利用价值条件化微调提升 VLA 模型的鲁棒性。

  11. arXiv · 机器人与计算机视觉62

    S3KF:用于全景 3D 多目标跟踪的球形状态空间卡尔曼滤波

    论文提出了 S3KF 框架,利用旋转激光雷达和四鱼眼相机构建几何一致的单位球面状态表示,融合全景检测与激光雷达深度进行多模态跟踪。研究建立了基于穿戴式定位设备的地图真值生成管线以支持量化评估。在自采集真实序列实验中,该方法实现了分米级平面跟踪精度、优于 2D 全景基线的身份连续性以及 Jetson AGX Orin 平台的实时车载运行能力。

  12. arXiv · 机器人与计算机视觉42

    RAPID 机器人智能拆解平台:开源电动电池回收仿真与协作研究

    RAPID 机器人智能拆解平台通过集成龙门机械臂、RGB-D 感知及自动螺母工具,在真实场景下实现电动电池包的一键螺丝拆卸。实验对比显示,示教姿态策略成功率达 97%(耗时 24 分钟),视觉伺服为 83%(36 分钟),而基于 GPT-4o-mini 和 Qwen 3.5 的智能体在结构化工具接口下任务完成率达 100%,自动 ROS 服务发现失败率为 43.3%。

  13. arXiv · 机器人与计算机视觉72

    MO-Playground:面向机器人的大规模并行化多目标强化学习

    论文提出了 MO-Playground 和 MORLAX,旨在解决现有多目标强化学习算法无法有效利用大规模并行化的问题。MORLAX 是 GPU 原生的新算法,配合可 pip 安装的 MO-Playground 环境库,能在几分钟内近似帕累托集,相比传统 CPU 方法快 26-271 倍,相比先前的 GPU 方法快 19 倍,同时学习出更优的帕累托前沿超体积。

  14. arXiv · 机器人与计算机视觉45

    RPT*:复杂环境目标搜索中的概率终端全局规划算法

    针对复杂环境中目标搜索问题,研究提出 RPT* 算法解决含概率终端的哈密顿路径难题,通过动态规划规避历史依赖并保证解的最优性。构建分层自主搜索系统 HATS,结合贝叶斯滤波或自主探索,在仿真与真实机器人实验中均实现比基线更快的平均寻靶速度。

  15. arXiv · 机器人与计算机视觉72

    基于人类演示的双手操作:语义几何任务表示从演示到机器人动作规划

    针对双手操作中动作顺序、物体参与及交互几何关系变化显著的挑战,该研究提出一种基于消息传递神经网络编码器与 Transformer 解码器的语义几何图表示方法。该方法在时序场景图上学习解耦的动作无关表示,通过条件于动作上下文预测未来动作、关联物体及其运动历史。

  16. arXiv · 机器人与计算机视觉65

    CLEAR-IR:一种在无可见光下利用主动红外传感重建清晰图像的机器人感知框架

    CLEAR-IR 是一个用于在黑暗环境中实现鲁棒机器人感知的新型框架。它通过双流架构从带有发射器图案的红外输入中重建出干净的、类似 RGB 风格的图像,从而解决被动增强方法因物理缺乏传感器信号而失效的问题。评估显示,该框架在物体检测、ArUco 标记检测和视觉 SLAM 任务上表现可靠,适用于从光照良好到完全黑暗的各种条件。

  17. arXiv · 机器人与计算机视觉68

    四元数近似网络:用于增强图像分类与定向物体检测

    本文介绍了一种名为四元数近似网络的全新深度学习框架,该框架利用四元数代数实现旋转等变性的图像分类和物体检测。不同于传统完全在四元数域运行的神经网络,该方法通过哈密顿积分解将四元数卷积近似为实值运算,并引入独立四元数批量归一化以保障训练稳定性。

  18. arXiv · 机器人与计算机视觉73

    ThinkWorld:基于世界想象的链式动力学推理强化学习框架

    针对 VLA 模型泛化受限于动作标注数据的不足,本文提出 ThinkWorld 框架,将动作思考表示为连接当前与未来状态的离散运动序列(Chain-of-Dynamics)。该方法先利用带标注演示初始化,再通过预测未来状态并与观测结果匹配进行强化学习,使无标注视频能提供直接监督。实验在仿真和真实机器人上验证了有效的人机经验迁移及对新任务环境的泛化能力。

  19. arXiv · 机器人与计算机视觉78

    基于学习的安全滤波器的灵巧手内手持物体姿态到达研究

    针对多指灵巧手的内手持物体姿态调整任务,本文提出了一种无需人类数据即可在仿真中训练的策略配方,涵盖多样化重置、生成抓握数据集及自适应摩擦课程。通过系统辨识,该策略可零样本迁移至真实 LEAP 机械手,仅需手腕深度相机或动作捕捉即可实现。

    推荐理由:本文提出无需人类数据的灵巧手策略训练配方,并通过学习到的残差安全滤波器将物体掉落率降低 75%,同时保持高成功率。