跳到正文
10月24日周六
  1. Hugging Face Daily Papers73

    Trajectory2Gym:基于决策的可组合交互合成用于工具使用代理

    该研究指出成功的工具使用轨迹未必能提供有效的监督信号,可能遗漏多步依赖或包含决策时不可见的动作。为此提出 Trajectory2Gym 方法,通过构建围绕未充分支持的可组合结构的可执行交互,仅从已实现执行中的 grounded decisions 推导监督信号。该方法在五个 Qwen3 规模上均提升了 Tau1、Tau2 和 BFCL 基准的平均表现,尤其在状态依赖和多轮交互任务中增益显著。

  2. Hugging Face Daily Papers83

    EnvLunch:将环境作为交互学习的免费午餐

    针对智能体数据分析需大量标注任务的痛点,该方法提出 EnvLunch 阶段,利用可执行环境的丰富交互结构生成无标注任务,让模型仅凭最终观测恢复等效轨迹。实验显示,该预热策略使模型在各类下游训练预算下平均超越基线超 9 个点,且仅需少量标签即可达到基线需 8 至 32 倍数据量的准确率。

    推荐理由:该预印本提出利用可执行环境本身作为无标注任务来源,在下游强化学习前进行免标签预热训练,显著降低对人工标注数据的依赖。

  3. IEEE Spectrum · Robotics78

    IEEE Spectrum 视频周五:四足机器人自主解决巨型魔方

    IEEE Spectrum Robotics 发布“视频周五”栏目,精选了包括 ETH Zurich 团队展示的四足机器人利用 Reflex 框架自主解决巨型魔方在内的多项具身智能成果。内容还涵盖了 KAIST 人形机器人的全身操控、生物混合机器人及 SuperMimic 等仿真加速技术,旨在呈现当前机器人在视觉反应与全身控制领域的最新进展。

    推荐理由:该视频合集展示了四足机器人自主解巨型魔方等全身操控能力,为评估具身智能在复杂动态任务中的进展提供了直观参考。

10月23日周五
  1. 智东西 · 机器人28

    字节跳动 Seed Model 团队招募机器人工程师推进具身智能量产

    字节跳动官网及 BOSS 直聘显示,其 Seed Model 团队新增十个机器人岗位,覆盖本体设计、底层控制与数据评测等方向。招聘强调推动样机从“能跑 Demo"走向“能稳定交付”,要求候选人具备跨团队协作及复杂系统拆解能力。此举标志着字节在推出 GR-3 模型及 ByteMini 后,进一步加速具身智能的量产与商业化落地进程。

  2. arXiv · 机器人与计算机视觉75

    V2-STRep:基于视觉语言模型的生成视频结构化任务表示用于可复用的机器人技能获取

    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。

  3. arXiv · 机器人与计算机视觉65

    气动抓取的先验进化与任务对齐方法研究

    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。

  4. arXiv · 机器人与计算机视觉72

    利用触觉感知学习大型物体的双臂协作灵巧抓取

    针对现有双臂协作抓取研究多局限于仿真且依赖完整3D物体模型的难题,该工作提出了一种包含多模态数据集、基于DDPM的关节级抓取配置生成模块及融合运动规划与在线优化的执行策略的真实世界框架。实验在双臂机器人上验证了该方法对未见几何形状和姿态物体的高成功率,消融研究确认了各组件贡献。材料已接受至2026年IEEE/RSJ IROS会议。

  5. arXiv · 机器人与计算机视觉48

    《机器人自主性原理》预印本发布:构建统一框架 bridging 经典机器人与现代物理 AI,附 Jupyter 实操代码

    这本由斯坦福教学背景构建的书籍预印本,旨在为自动驾驶、具身智能及空间探索等领域的从业者提供统一的自主栈概念框架。全书涵盖计算机视觉与系统控制等核心主题,并配套大量 Jupyter Notebook 帮助读者建立从理论到部署的实践直觉。该资源面向学生、工程师及研究人员开放,是进入快速增长的机器人领域的重要基础教材。

  6. arXiv · 机器人与计算机视觉72

    基于在线惯性估计与凸接触力优化的双臂箱体操作

    针对物体质量与质心未知的情况,该研究提出一种摩擦感知的双臂箱体操作框架。系统结合在线惯性估计模块(从接触力矩估算质量与质心)与凸接触力优化模块(在椭球摩擦约束下通过二阶锥规划计算可行接触力),并包含离线轨迹精炼阶段以减少非期望接触。实验表明,该方法能在不同质心配置下保持稳定的摩擦接触并完成物体提升。

  7. arXiv · 机器人与计算机视觉78

    HEX:面向跨具身全身操作的人体对齐专家

    HEX 是一个针对全尺寸双足人形机器人的状态中心化框架,旨在通过全身协同控制实现复杂操作。该模型引入人体对齐的通用状态表示以支持异构机身的可扩展学习,并采用混合专家统一本体感觉预测器来建模全身协调与时序运动动力学。

    推荐理由:提出 HEX 框架,利用人体对齐状态表示与专家混合预测器解决全尺寸双足机器人全身协调操作难题。

  8. arXiv · 机器人与计算机视觉48

    多旋翼无人机全向辐射图近似方法研究

    该方法通过识别球谐函数系数,将非完整多旋翼无人机的信号功率增益解耦为独立的全向辐射图。校准轨迹在无障碍物高度提供训练与测试样本,仿真验证了新颖的近似效果,真实世界实测均方根预测误差低于 5dB。研究共提交三个版本,当前 v3 版包含 6 页正文及 9 幅图表,旨在支持高效的通信感知机器人任务。

  9. arXiv · 机器人与计算机视觉82

    超越模仿:面向 VLA 模型的强化学习驱动仿真 - 现实联合训练

    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。

  10. arXiv · 机器人与计算机视觉58

    多层压电聚合物致动器用于昆虫级软体机器人

    针对陶瓷致动器脆性大、应变低的局限,本文提出利用聚偏二氟乙烯(PVDF)作为合规替代材料,并展示了一种新型制造工艺以制造多层 PVDF 致动器。研究通过第一性原理模型与实验验证了力随层数线性或超线性增加而位移立方级下降的权衡关系,证明在堆叠中使用更薄层可提升比功率密度。

  11. arXiv · 机器人与计算机视觉35

    频谱群机器人框架实现基于局部交互的竞技场形状分类

    频谱群机器人框架通过严格局部交互使机器人模拟扩散过程,仅需估算单个拉普拉斯特征值即可在 Kilobots 和 Pogobots 平台上对受限环境进行一次性形状分类。实验验证了该方法在真实噪声与稀疏连接条件下的可靠性,并揭示了群体规模与交互半径间的缩放定律以确保鲁棒估计。

  12. arXiv · 机器人与计算机视觉75

    Inside-JEPA:从预测到潜在世界模型中的关系定位

    Hossein Resani 和 Javen Qinfeng Shi 提出 Inside-JEPA,一种在 JEPA 潜在状态中嵌入有序实体对关系通道的架构。研究通过逆动力学损失在无标签条件下 grounding 这些通道,并在 Something-Something V2、RH20T 机器人集以及使用现成检测跟踪的五个关系上验证了性能提升。

  13. arXiv · 机器人与计算机视觉15

    Navigating human-robot interaction challenges in private and residential aged care homes

    该章节探讨机器人系统与 ambient intelligence 如何在 cluttered 和 dynamic 的养老环境中增强老年人照护,重点解决低数字素养人群的无障碍交互与隐私信任问题。评估指标涵盖每日误报率、故障恢复时间及系统长期可靠性,旨在支持符合 AI 监管要求的规模化部署。

  14. arXiv · 机器人与计算机视觉12

    SandBot 在颗粒介质上的运动对堆积分数与肢体频率敏感依赖研究

    六足机器人 SandBot(2.3 kg)在 1 mm 罂粟籽床上奔跑时,标准步态参数速度仅为硬地水平的百分之一。通过经验调整控制参数,其最高速度恢复至 30 cm/s,且性能对堆积分数φ和肢体频率ω高度敏感。研究提出了旋转行走模式的运动学模型,揭示了从行走到慢速游泳的相变机制及颗粒介质物理理解的必要性。

  15. arXiv · 机器人与计算机视觉83

    Sensorimotor Alignment:具身策略成功的柏拉图代理

    针对机器人基础模型评估成本高的问题,本文提出 Sensorimotor Alignment(S^2),一种无需训练的离线指标,用于衡量模型感官表征与物理运动几何结构的对齐程度。研究发现 S^2 与下游机器人任务成功率呈正相关,可作为低成本代理优先筛选模型或识别有潜力的视觉语言模型骨干网络。该工作将柏拉图表示假设扩展至具身智能领域,为理解模型成功原因提供表征层面的解释。

    推荐理由:提出无需训练的离线指标 S^2,通过感知表征与物理运动几何的对齐程度预测机器人任务成功率。

  16. arXiv · 机器人与计算机视觉48

    基于根轨迹扩展谐波函数法实现多机器人协同路径规划

    该方法通过共形映射将平面障碍物环境转化为圆域,利用广义根轨迹(GRL)生成 N 个可互换机器人与目标的无碰撞协同路径。在两个多边形工作空间及含十机十障场景中,实验对比显示其优于独立谐波规划与人工势场法,且能确保机器人闭环同步到达指定时间。代码已公开,论文为提交至 Automatica 的扩展版本。

  17. arXiv · 机器人与计算机视觉58

    DiffDreamer:耦合世界模型与可微分仿真的敏捷四旋翼控制

    论文提出了 DiffDreamer 框架,旨在解决四旋翼动态门竞速等任务中外部运动预测与高频控制的挑战。该方法将学习到的世界模型(捕捉外部动力学和历史特征)与可微分仿真器(传播机器人显式物理状态)紧密耦合,并将演员目标分解为基于评论家的非可微任务奖励路径和基于仿真的可微运动奖励路径。

  18. arXiv · 机器人与计算机视觉58

    Progress Probes P^2:面向视觉语言动作模型的轻量级运行时监控方法

    针对视觉语言动作模型在执行任务时易出错且难以持续人工监督的问题,本文提出利用模型内部激活值进行进度监测的新思路。研究通过在演示数据上训练线性探针来估计执行进度,并在偏离预期进度时发出警报。实验在开源 VLA 模型 pi_0.5 及模拟与真实操作任务中表明,该方法在故障检测效果上与基于外部视觉语言模型的监督方法相当甚至更优,且无需依赖外部基础模型或失败数据训练。

  19. arXiv · 机器人与计算机视觉82

    基于注意力机制接触的类人机器人移动性研究

    该论文提出一种结合数据驱动运动先验与强化学习的混合框架,旨在解决类人机器人在复杂地形中的全身协调控制难题。核心方法包括一个自监督的、基于注意力的接触规划器用于预测未来身体与环境交互,以及一个接触条件化的跟踪器将计划转化为协调动作。

    推荐理由:提出利用运动数据作为训练先验的强化学习框架,通过自监督接触规划器与跟踪器实现人形机器人在复杂地形的稳健移动。

  20. arXiv · 机器人与计算机视觉55

    Echo:面向视觉语言动作模型的耦合动作与任务状态信号去噪方法

    论文提出 Echo 框架,旨在解决视觉语言动作模型(VLA)中任务完成与失败识别的问题。该方法无需帧级进度标注,将停止和失败信号作为动作块的两个维度进行联合去噪,以区分执行中、成功完成和失败三种状态。通过控制信号与动作的交互并加速信号去噪,使后续动作生成能基于更清洁的状态估计。实验表明,Echo 在真实世界操作任务中能准确预测状态并提升策略性能。

  21. arXiv · 机器人与计算机视觉72

    Dispersive Tree Agreements for Multi-Robot Coordination

    该论文提出了名为 WarpWeaver 的分布式实时规划算法,旨在解决非线性系统的多机器人协同最优控制问题。研究将原有的单机器人分散式树搜索框架扩展至多机器人团队,通过局部约束替代互耦并采用分散式列生成进行空间租金协商,从而在准静态状态下认证近优解。

  22. arXiv · 机器人与计算机视觉48

    SCOPE:基于计划纠错优化的场景图构建框架用于机器人长周期规划数据集生成

    针对大语言模型微调受限于高质量数据集稀缺及现有方法同质化问题,研究提出 SCOPE 自动化框架。该框架引入计划反馈纠错管线,利用规划器执行失败信号修正场景图逻辑不一致性以确保物理可行性。实验显示,基于 SCOPE 数据微调的下游任务与运动规划模型,成功率较使用 DELTA 生成数据的基线提升绝对值 12.33%。

  23. arXiv · 机器人与计算机视觉78

    一种用于可扩展跨会话室内导航的稀疏拓扑度量图

    该论文提出稀疏拓扑度量图作为室内环境的高效结构表示,通过节点编码局部 3D 几何、边捕获可通行连通性,利用学习到的图匹配网络在跨会话中建立稳定对应。实验显示该方法在 Gibson 数据集上达到 77.1% 的成功率,在 3D-FRONT 场景变化下为 40.0%,内存占用比点级表示减少两个数量级以上,支持跨会话对齐与目标导向导航。

    推荐理由:提出稀疏拓扑度量图方法,在跨会话室内导航任务中实现高成功率并大幅降低内存消耗。

  24. arXiv · 机器人与计算机视觉82

    FastHarness:面向视觉语言动作策略的经验驱动审查调度

    论文介绍 FastHarness,一种经验驱动的机器人执行框架,用于自适应调度 GPT-6 Astra 对{π}0.5 策略的监督。该方法通过阶段记忆和已审查结果减少审查频率,并在发现错误时聚焦于纠错;验证恢复后继续常规执行并保留失败经验以指导未来干预。

    推荐理由:FastHarness 提出经验驱动的审查调度机制,在不训练模型前提下将 GPT-6 Astra 监督的 Token 使用量平均降低 57.2%,并在四项仿真任务中将成功率从 80% 提升至 97.19%。

  25. arXiv · 机器人与计算机视觉84

    FocusVLA:面向视觉语言动作模型的意图引导动态视图路由方法

    针对现有视觉语言动作模型过度依赖腕部视角、缺乏跨任务阶段全局与局部观察自适应协调的问题,论文提出 FocusVLA 框架。该方法通过历史动作预测未来交互意图并指导动态视图路由,在不修改核心架构的前提下适配现有 VLA 系统。

    推荐理由:提出 FocusVLA 框架,利用未来意图引导动态视图路由,在 RoboTwin 2.0 及真实场景中显著提升 VLA 模型成功率。

  26. arXiv · 机器人与计算机视觉83

    概率能量建模统一了多样化的群体控制

    arXiv 发布了一篇关于机器人集群控制的预印本论文,提出利用概率能量建模作为统一表示来协调多样化任务。该方法将基本群体行为编码为可复用的能量项,通过轻量级策略门控组合去中心化策略而无需重新训练。实验在无人机集群上验证了该框架在六个任务类别、10 至 100 个智能体以及两种硬件平台上的零样本泛化能力,仿真成功率达 96% 至 100%,且物理部署证实了对真实平台和无序环境的迁移效果。

    推荐理由:该预印本提出概率能量建模统一框架,支持多任务零样本迁移与跨平台部署。

  27. arXiv · 机器人与计算机视觉72

    PiHand:面向物理策略学习的潜在手物交互先验框架

    论文介绍 PiHand 框架,通过训练专家策略蒸馏出统一的手物交互先验,并在潜在空间进行有界残差探索以解决灵巧操作任务。该方法在 GRAB 和 DexYCB 数据集上实现了跨物体与轨迹的泛化,并能迁移至抓取和双手交接等未见过的任务,且各项指标均优于基线。作者将发布处理后的数据与模型检查点。

  28. arXiv · 机器人与计算机视觉53

    未见区域中的多专家扩散规划器:是路由还是自适应?

    该论文研究了在未见地图中扩散轨迹规划器的适应性问题,对比了共享适配器与领域特定专家适配器的不同配置。实验显示,在三个真实世界保留地图上,八种测试时路由方案均无法超越静态默认策略(即每场景使用同一专家),即使拥有选择最佳专家的预言机也仅能减少 0.9 米的平均横向偏移。

  29. arXiv · 机器人与计算机视觉59

    AstroBench:面向空间机器人自由浮动抓取的基准测试与开放数据集发布

    AstroBench 是一个针对固定基座机械臂在太空舱内进行自由浮动物体抓取与操作任务的开源基准。该基准整合了基于 MELFI 硬件的样本存储任务和基于 Robotic Refueling Mission 的加注服务任务,提供九个任务定义及 29 种目标组合,并包含经过元数据过滤的 Objaverse 资产库(8,414 个实例)和五种舱内视觉上下文。

  30. arXiv · 机器人与计算机视觉38

    MPRF 模型通过多模态残差融合预测机器人内镜导航中的操作员撤退行为

    MPRF 因果模型结合电磁追踪与内窥镜视频,在 150 例结肠假人实验中实现 0.580±0.007 AUPRC,优于最强降维基线。完整多模态历史提供主要排序优势,残差项为原始融合带来小幅不确定的增量提升。该研究为操作员控制下的导航行为辅助奠定基础。

  31. arXiv · 机器人与计算机视觉72

    基于演示的机器人喂食:融合动态运动原语的框架

    该论文提出一种基于人类演示的机器人喂食框架,整合了动态运动原语(DMP)的运动规划、基于视觉的场景感知及机器人控制。系统通过动捕记录勺子舀取与投喂轨迹并编码为独立 DMP,利用 RGB-D 相机估计嘴部位置,结合 AprilTag 进行机械臂标定与托盘定位。实验在真实场景中验证了 Kinova Gen3 机械臂执行该集成流程的可行性,证明学习到的勺子动作可在检测到的实验场景中被复现。