跳到正文
10月19日周一
  1. arXiv · 机器人与计算机视觉82

    解析视觉语言动作模型在接触丰富任务中的失效原因与修复方法

    针对视觉语言动作模型(VLA)在处理需要精确物理交互的接触丰富任务时表现不佳的问题,该研究识别了精度失效和力失效两种主要模式,并提出 FACT 方法进行改进。FACT 通过在后期训练增加低噪声采样以优化精细动作预测,并引入结构化力条件引导动作生成。在涵盖近 2,500 次真实世界部署的评估中,该方法在五类接触丰富任务上的平均成功率达到 66%,优于最佳基线方法的 41%。

    推荐理由:该工作通过 FACT 方法在接触丰富任务中将成功率提升至 66%,为理解 VLA 失效模式及改进提供了新视角。

  2. arXiv · 机器人与计算机视觉82

    FELT:从视觉生成触觉信号以支持视觉 - 触觉操作

    FELT 是一个利用现有成对视觉 - 触觉数据学习接触感知表征的框架,通过冻结视觉编码器和独立的查询解码器为下游策略提供生成的触觉图像或接触感知特征。在四项富接触的真实机器人任务实验中,直接融入学习到的接触感知特征使成功率提升 15-22.5 个百分点,证明了该方法无需真实触觉硬件即可提升操作性能。

    推荐理由:该框架利用视觉数据生成触觉表征,在四项真实机器人任务中使成功率提升 15-22.5 个百分点。

  3. arXiv · 机器人与计算机视觉68

    EDAR:面向机器人操作的依赖环境动作表示学习

    该论文提出 EDAR 框架,旨在解决传统方法仅编码动作流结构而忽略环境作用的局限。通过将动作 token 锚定在执行控制结构与预期视觉后果上,该方法鼓励学习空间捕捉交互语义而非单纯命令模式。实验在仿真和真实机器人基准上进行,结果显示 EDAR 能提升下游策略学习性能,尤其在长序列操作任务中表现显著。

  4. arXiv · 机器人与计算机视觉48

    SPACE:基于群体信息素的自适应避撞探索算法

    SPACE 提出一种受蚂蚁觅食启发的共享环境场机制,通过吸引前沿、排斥探索和快速密度场引导数十至数百个地面机器人集群协同。在 HouseExpo 和 KTH 数据集的十六套家居与八处校园场景中,该算法使接触率降低四到十七倍且覆盖时间仅增加约两百分之一,位于经验帕累托前沿并优于贪婪最近前沿规划器。论文已被 IEEE ROBIO 2026 接收,代码与权重暂未提及开放许可。

  5. arXiv · 机器人与计算机视觉82

    Perceptive Behavior Foundation Model:一种将人类运动先验适配至机器人中心地形的感知行为基础模型

    该论文介绍 Perceptive BFM 框架,旨在解决现有运动中心基础策略假设参考动作已物理兼容环境的局限。方法包括开发地形一致参考合成(TCRS)技术,通过足点构建、摆动优化等将人类运动片段转化为符合地形参考;训练盲适应参考教师网络并通过目标帧动作对齐迁移至部署端学生模型;学生模型为身份门控 Transformer 追踪器,利用残差路径保留先验并仅在必要时进行局部修正。

    推荐理由:该预印本提出将人类运动先验适配至机器人地形感知的框架,通过合成地形一致参考与盲适应教师网络实现策略迁移。

  6. arXiv · 机器人与计算机视觉73

    HydroShear:面向触觉仿真到现实强化学习的流体弹性剪切模拟

    针对接触丰富任务的触觉仿真到现实策略迁移问题,本文提出 HydroShear,一种非完整流体弹性触觉模拟器。该方法利用符号距离函数追踪压头在传感器膜上的位移,生成基于物理的力场并建模粘滑转换、路径依赖的力与剪切积累以及完整的 SE(3) 物体 - 传感器交互。

  7. arXiv · 机器人与计算机视觉70

    Blind Precise Assembly:基于本体感知的盲插装配研究

    该研究探索机器人仅通过关节位置、速度和自身动作(无视觉、力或触觉)完成精密装配的可行性。通过在仿真中对随机化的部件、抓持和接触进行强化学习训练,策略成功实现了销钉插入、齿轮啮合和螺母旋入,且能零样本迁移至真实世界,在 73% 的试验中成功插入不同形状和大小的销钉。

  8. arXiv · 机器人与计算机视觉62

    MOSS:一种具备可变几何折纸轮的跨地形两栖机器人系统

    该研究提出了 MOSS 系统,这是一种紧凑型两栖机器人平台,采用 3D 打印的折纸轮和曲柄机构实现轮宽、直径及鳍片方向的同步切换。收缩构型在坚实地面滚动更高效,而展开构型在软土、沙地和水域中表现更好,将运输成本降低最多 29%。系统在土壤、泥沙、水和跨地形过渡测试中均成功完成形态变化与连续运动,证明了自适应几何结构对复杂环境的有效适应性。

  9. arXiv · 机器人与计算机视觉61

    Not All Actions Contribute Equally: Learning Precise Progress Estimation from Imprecise Demonstrations

    该论文提出 PRIME 方法,旨在解决机器人操作中难以准确评估任务进度的问题。现有方法常错误地将人类操作失误视为有效进展,而 PRIME 通过构建连接不同轨迹状态的加权图,利用空间距离和视觉一致性编码转换成本,以最短路径搜索近似成功状态的距离。

  10. arXiv · 机器人与计算机视觉78

    TransNav:面向静态与动态四旋翼避障的基于 Transformer 的端到端导航方法

    针对复杂环境中四旋翼同时应对密集静态障碍物和移动障碍物的挑战,本文提出 TransNav 方法。该方法采用基于 patch 的点云编码方案融合局部特征与全局上下文,将感知与导航集成于单一架构并直接预测有限时域的动作序列。

    推荐理由:提出基于 Transformer 的端到端导航方法,结合点云编码与无监督学习策略,在静态及动态环境中实现四旋翼避障。

  11. arXiv · 机器人与计算机视觉60

    基于基础模型的 3D 场景图用于移动操作研究

    该论文提出将 FOUND-IT 几何与语义基础模型集成至移动操作平台,以构建实时、任务驱动的开放集 3D 场景图。通过严格的在机实验评估了该系统在物体变化检测、多会话建图、可导航路径确定及直接抓取支持等任务中的有效性。材料指出尽管传统机器人建图技术已有广泛演示,但将此类新型空间记忆整合到完整自主性管道仍需基础与系统层面的突破。代码已开源于 GitHub。

  12. arXiv · 机器人与计算机视觉78

    Embodiment-Aware Planning for Heterogeneous Bimanual Manipulation

    该论文研究如何利用异构双臂系统(配备吸盘和平行夹爪)协同完成单一末端执行器难以胜任的复杂操作任务。作者提出了一种感知驱动的规划框架,将执行过程建模为有限时域优化问题,在每一阶段动态决策单臂操作或双臂协作交接,并联合推理抓握可行性、运动约束及跨抓爪兼容性。实验基于双 Franka FR3 平台进行,结果表明该方法显著提升了原本无法通过单抓爪执行的任务的可行性和可靠性。

    推荐理由:原文提出了一种针对异构双臂操作的感知驱动规划方法,通过联合优化臂轨迹分配与抓握切换策略,在双 Franka 平台上验证了其在复杂任务中的可行性提升。

  13. arXiv · 机器人与计算机视觉55

    基于强化学习的地形自适应全身控制:一种四足操作机器人的方法

    针对非结构化环境中的移动操作任务,本文提出了一种结合混合任务表示与任务优先全身学习的强化学习框架,旨在协调运动与操作并保持任务一致的末端执行器行为。研究团队开发了轻量级四足操作机器人平台进行验证。实验结果显示,该方法在坡度高达 30 度、楼梯及可变形地形等复杂场景中成功部署,证明了所学习策略在真实环境中的可行性及全身协调对地形自适应的重要性。

  14. arXiv · 机器人与计算机视觉78

    无眼亦无忧:触觉对盲操拨珠的贡献研究

    Ayush Deshmukh 等人提出了一种结合传感器对齐、触觉校准及新型域随机化的框架,在 Shadow Dexterous Hand Lite 上实现了无需视觉的连续拨珠旋转。物理实验完成单次连续 225 次(112.5 圈)180°旋转,速度约 0.36 转/秒,刷新了该任务的硬件基准并明确了触觉感知的关键区域贡献。

    推荐理由:该研究在 Shadow Dexterous Hand Lite 上实现了无需视觉的连续拨珠旋转,验证了触觉校准与仿真域随机化对跨越 Sim-to-Real 鸿沟的有效性。

  15. arXiv · 机器人与计算机视觉68

    Look Before You Act:通过观测对齐数据适应桥接主动感知与视觉语言动作模型

    论文针对机器人操作杂乱物体时主动相机运动导致初始观测状态分布偏移的问题,提出 ActiveAlign 框架。该方法利用学习到的视点模块生成相机轨迹,离线通过闭环对齐将轨迹终点连接至现有演示并保留成功续集进行微调;部署时仅需在 VLA 策略前加入该模块而不修改架构。

  16. arXiv · 机器人与计算机视觉84

    LAW:统一语言、动作与世界建模以服务于代理物理智能

    论文提出了 LAW 框架,通过语义子任务进度将语言推理、动作生成和世界建模统一起来。其混合专家视觉语言模型负责规划剩余子任务并融合世界动作模型的提议,同时异步评估执行状态;世界动作模型利用 Transformer 专家混合架构进行视频与动作联合建模。

    推荐理由:该工作提出 LAW 框架,在 RoboTwin 基准上达到 95.56% 成功率并开源 OpenWAM-alpha,展示了语言推理、动作生成与世界建模的统一路径。

  17. arXiv · 机器人与计算机视觉78

    LY-GWM-RoboCasa-Human300:基于图动力学模型的预测引导动作选择技术报告

    该技术报告介绍了 LY-GWM-RoboCasa-Human300 策略,该策略结合了经 Human300 微调的 GR00T-N1.5 动作生成器、动作条件化的图动力学模型以及学习到的二元状态奖励评分器。

    推荐理由:该报告提出结合人类动作微调与图动力学模型的预测引导策略,在 RoboCasa 基准上实现了优于历史基线的成功率提升。

  18. arXiv · 机器人与计算机视觉74

    GRASP:面向双臂机器人操作的全球 - 本地表示对齐与空间 - 物理 grounding

    该论文针对直接回归关节空间的 VLA 模型在训练目标上与任务成功不匹配的问题,提出 GRASP 框架。方法包括利用可微前向运动学映射隐式动作估计的流匹配损失以监督 TCP 姿态,以及蒸馏自冻结 DINOv3 教师的全局预测查询组与由 Grounding DINO 监督的局部交互查询。仿真与真实机器人实验表明,该框架在长视界双臂任务中表现优异,且在强视觉随机化场景下蒸馏分支更具优势。

  19. arXiv · 机器人与计算机视觉83

    VLA-Fabric:面向可组合多臂 VLA 智能体的交互学习

    针对多臂协同操作需求,本文提出 VLA-Fabric,在保留各臂局部感知与动作所有权的同时,通过策略间显式交互实现协调。研究系统分析了交互发生位置、同伴信息聚合方式及学习机制,并在不同架构中验证了该原则的通用性。在仿真与物理实验中,由三支或四支手臂组成的团队在所有四项物理任务上,全量交互模式相比独立训练策略将成功率提升了 16% 至 40%。

    推荐理由:该文提出 VLA-Fabric,通过策略间显式交互提升多臂协作成功率,物理实验显示效果优于独立训练。

  20. arXiv · 机器人与计算机视觉66

    Robotic Spatiotemporal Editing:基于掩码动作重建的统一可控动作生成接口

    论文提出 MAP(Masked Action Space)接口,将时空控制参考统一为动作补全问题。Inpainting Policy(IP)结合进度引导对齐与多掩码训练,在 ManiSkill 和 LIBERO-10 上平均任务成功率分别为 92.67% 和 64.67%,world 实验显示位置误差 44.3 mm、旋转误差 7°。

  21. arXiv · 机器人与计算机视觉58

    GR-VIP:基于几何表示条件的精确视觉运动策略

    针对学习型移动机器人控制难以兼顾终端位置与航向对齐的挑战,本文提出了 GR-VIP 方法。该方法利用预训练的相对相机位姿估计编码器,不直接使用最终回归结果,而是对动作预测进行密集关系特征的条件化,以保留细粒度的跨视图信息用于从演示中学习修正动作。

  22. arXiv · 机器人与计算机视觉73

    MambaAct:用于流匹配视觉语言动作模型的紧凑 Mamba 动作专家

    针对流匹配类视觉语言动作模型(如π0.5)推理成本高的问题,该研究提出用紧凑的 Mamba 动作专家替换原有的 Transformer 结构。通过引入轻量级上下文压缩器处理视觉语言条件信号,该方法在 LIBERO 基准测试中将去噪延迟降低 64.8%,真实部署中降低 58.8%,并在三个独立微调种子下将平均成功率提升 1.08 个百分点。代码与模型权重已公开。

  23. arXiv · 机器人与计算机视觉65

    Ego2Contact:基于人类第一视角视频预测接触以支持富接触机器人操作

    论文 Ego2Contact 提出一种视觉 - 触觉先验学习方法,将人类交互中习得的触觉预测能力迁移到机器人手上。该方法融合时间场景上下文与手部局部视觉特征,推断双手机械触觉场,并通过解剖区域对应关系适配不同机器人的触觉布局。实验表明,该模型在人类数据上优于现有预测器,且在机器人数据适应后表现更佳;其生成的触觉输入可用于仿真强化学习与真实机器人策略训练,在仿真环境中能恢复部分真值触觉感知的收益。

  24. arXiv · 机器人与计算机视觉58

    DefFlow:利用 3D 点流实现目标导向的变形物体操作

    论文介绍 DefFlow 框架,用于将变形物体操纵至广泛的 3D 构型。该方法通过联合预测机器人与变形物体的目标条件 3D 点流,同时捕捉抓取决策与连续运动,在绳、颗粒介质和布料等设置上优于仅预测机器人动作或基线方法。研究展示了使用真实点云观测和未见过的目标构型在真实机器人上的部署结果。

  25. arXiv · 机器人与计算机视觉58

    广义坐标下的力与运动同时控制研究

    论文提出一种基于高斯最小约束原理的机器人控制框架,将力与运动同时控制在广义坐标(关节空间)下建模为二次规划问题。该方法在 MuJoCo 仿真环境中验证了理论解能产生准确的受控动力学,能够同时维持期望接触力、最小化轨迹跟踪误差并满足碰撞避免等不等式约束。材料为预印本,已提交至 IEEE ICRA 2027,包含 8 页正文与 5 张图表。

  26. arXiv · 机器人与计算机视觉73

    PASS-VLN:一种考虑通行性的局部指令视觉语言导航基准与模型

    现有视觉语言导航基准多假设指令可执行且聚焦长程任务,忽视受限于机器人身体宽度的局部通行与避撞问题。本文提出 PASS-VLN 基准与模型,在固定场景、指令及参考路线下,通过改变机器人身体宽度来评估目标可达性:当通道可行时完成指令,遇阻挡则停止。

  27. arXiv · 机器人与计算机视觉65

    面向果柄的草莓采摘:低成本遥操作机械臂上的模仿学习

    针对草莓果柄细小且易损的采摘难题,作者提出一种视觉运动模仿学习流程,通过收集人类遥操作演示训练基于 Transformer 的动作分块策略,并在 Jetson AGX Orin 边缘平台上实现 15Hz 自主部署。该策略在 130 次演示上实现了从 2.84 到 0.091 的损失收敛。作者已开源数据集、模型权重及完整代码配置供农业机器人社区复现。

  28. arXiv · 机器人与计算机视觉44

    Shape-Aware Neural Time Fields 用于刚体运动与操作规划

    Shape-Aware Neural Time Fields 提出一种物理信息神经网络框架,学习可复用的刚体运动代价场以解决平移旋转几何约束耦合难题。在二维三维规划及物体推挤任务中,该方法相比物理信息神经基线显著提升成功率与推理效率,且规划时间低于经典采样法。闭环实验验证了在执行偏差和外部扰动下,快速重规划能实现自适应的任务执行。

  29. arXiv · 机器人与计算机视觉42

    FCTS:基于失败引导的课程树搜索用于足式跑酷训练

    FCTS 框架利用局部穿越失败自动生成地形课程,将四足机器人在中等难度地形的成功率从 28.4% 提升至 85.8%,在困难地形从 14.9% 提至 44.7%。该方法基于扫描的真实施工现场构建地形,经硬件实验证实策略可成功迁移到真实世界。目前论文处于审稿中,项目页含视频演示。

  30. arXiv · 机器人与计算机视觉38

    Mothership:两层级自动驾驶垃圾收集系统用于行人校园

    Mothership 提出一种两级自动驾驶垃圾收集系统,由电动压缩卡车搭载两台低速人行道机器人 RoboCarts 协同作业。仿真显示双车配置在每公顷 20-29 个垃圾桶密度下运行,三至四辆车需配合 80 米宽停靠点才能达到每小时处理 35-49 个垃圾桶的吞吐量。该系统通过分离卡车道路行驶与机器人人行道搬运职责,将对接公差放宽至标准自动举升器的正负 100 毫米捕获窗口。

  31. The Robot Report28

    如何选择机器人臂与移动机器人的 BLDC 电机

    选择机器人用无刷直流(BLDC)电机需从机械系统出发,而非仅看控制器目录。工业关节侧重可控扭矩、低速平滑度及热性能,而移动底盘更关注效率、牵引力及多通道同步。文章详细对比了六步换向、正弦波控制与矢量控制(FOC),指出 FOC 在需要低速平稳运动或快速响应时更具优势,并提供了包含齿轮比与损耗的功率估算公式供工程参考。

10月17日周六
  1. 量子位62

    深辰凯动发布通用物理运动平台及羽毛球机器人

    深辰凯动发布通用物理运动平台,其羽毛球机器人在约0.5毫秒内识别来球、挥拍速度达每秒30米,并创下1452拍的吉尼斯世界纪录。该平台由可复用硬件与自研机器人大脑构成,旨在验证高速动态场景下的感知预测与协同执行能力,未来可扩展至物流分拣与人机混行等真实物理任务。

  2. 量子位35

    EIR 完成超 1 亿元 Pre-A 轮融资,推出售价 9.8 万元起的“爱湫”情感交互机器人

    四川具身人形机器人科技有限公司(EIR)近日完成超 1 亿元 Pre-A 轮融资,资金将用于迭代研发其标志性产品“爱湫”。该机器人采用独创的 3D 超短焦投影面部方案,售价 9.8 万元起,旨在通过软硬一体全栈自研实现从样机到万台级量产的跨越。公司核心团队来自电子科技大学,依托德阳基地预计于 2026 年年底投产,推动产品进入家庭消费市场。

10月16日周五
  1. arXiv · 机器人与计算机视觉23

    IKMo:基于轨迹姿态条件运动扩散模型的图像关键帧动作生成框架

    IKMo 是一个融合 TPMDM 与 VLM 多智能体系统的整体框架,旨在解决未对齐 2D 参考图与全局轨迹间的几何约束冲突。该方法在 HumanML3D 和 KIT-ML 数据集上实现了异构轨迹与关键帧姿态约束下的动作生成新最先进水平。论文已接受 ICME 2026 Spotlight,代码与权重开放许可状态待原文进一步确认。

  2. arXiv · 机器人与计算机视觉72

    LoopWAM:基于部署回放的闭环通用策略改进方法

    针对仅依赖专家演示无法从真实部署中提升的问题,本文提出 LoopWAM,一种直接学习全质量谱(成功、次优与失败)的闭环世界 - 动作模型。该方法通过源相关噪声采样统一行为学习与条件动作的世界建模,利用质量引导和质量加权监督保留多质量视频监督并调节动作模仿。

  3. arXiv · 机器人与计算机视觉75

    One-Shot Learning for Double-Shot Latte Art:利用动态运动原形适配协作机器人倒液技能

    该研究提出一种针对双份拿铁拉花的单演示学习系统,将一次咖啡师演示分割为五个功能阶段,分别编码为独立的笛卡尔动态运动原形(CDMP)。相比单一 CDMP 基线,分阶段编码使过渡端点误差降低 3.2-4.5 倍,艺术笔触形状误差降低 2.7 倍,并在倒液阶段将壶身倾斜角控制在 1 度 RMS 以下。