多工具选择:比较语义检索与大语言模型
该研究针对自然语言接口下的机器人任务路由问题,对比了三种基于 ChromaDB 的语义检索方法与一个 120B 参数的云端大语言模型基线。实验在 164 个标注提示词上进行,涵盖从单工具到复合指令(需至少三个工具)的不同复杂度。
该研究针对自然语言接口下的机器人任务路由问题,对比了三种基于 ChromaDB 的语义检索方法与一个 120B 参数的云端大语言模型基线。实验在 164 个标注提示词上进行,涵盖从单工具到复合指令(需至少三个工具)的不同复杂度。
针对腹腔镜手术中纯强化学习训练视觉策略困难且模仿学习需大量专家演示的挑战,该工作提出一种状态到视觉的策略蒸馏框架。在仿真环境中进行的广泛实验表明,该方法仅需较少专家演示即可从拥有特权观测的状态策略中学习,相比通用强化学习方法能实现更一致稳定的跨任务性能。
论文 TRACE 提出一种面向非结构化森林环境的自主地面机器人导航框架。该方法利用视觉语言模型(VLM)生成的正负自然语言提示置信度图,通过证据融合生成稠密可通行性地图,并提取边界作为软约束融入非线性模型预测控制(NMPC)。实验在真实森林环境中验证了其在杂乱、变形及视觉模糊地形下的平滑导航能力。材料为预印本论文,未提及同行评审状态或具体部署规模。
该论文提出 UniFlowWAM,一种将三维场景流作为独立模态的扩散 Transformer 架构,统一处理视觉语义与 4D 几何信息。模型在 RoboCasa-GR1、LIBERO 及 LIBERO-Plus 等仿真基准上提升成功率,并在真实双臂操作任务中达到 87.0% 平均成功率,优于最强基线。材料为预印本论文,未提及开源代码或具体部署许可。
IORA 是一种支持感知的抓取合成框架,旨在解决低自由度机械手在任务特定扰动下实现不规则物体稳固抓取的难题。该方法将手和物体的局部表面区域表示为图,搜索运动学可行的匹配关系,并通过物理仿真验证几何接触可行性。
iAssistADL 平台采用基座驱动的低动量透明机械架构,结合水平面开环力渲染与垂直方向闭环控制的混合策略。实验结果显示水平面阻力矩低于 0.1 Nm,末端执行器出力可达约 10 N,且水平力渲染频率准确至 4 Hz。该预印本论文验证了其在日常活动中补偿震颤和共济失调的潜力,但垂直轴高频性能仍受摩擦限制。
arXiv 论文 ProTrav 针对非结构化地形的可靠通过性估计问题,提出了一种概率地形表示方法。该方法利用稀疏变分高斯过程重建概率高程场,并通过函数空间采样生成具有空间相关性的地形实现,将高程不确定性传播至通过性成本。
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。
针对人形机器人独立采集的动作难以连续拼接的问题,论文提出 Spatio-Temporal Alignment with a Motion Prior (STAMP) 框架。
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%。
该论文针对流匹配(Flow matching)在视觉语言动作(VLA)机器人策略中的应用,提出并验证了单步动作生成的有效性。研究发现,只要模型训练充分且容量足够,单步推理的效果与多步采样基本一致,后者并未带来一致的显著优势。
针对现有轻量级 VLA 模型在受限算力下多任务能力不足的问题,该研究提出 SmolVLA-MoE 框架,将稀疏混合专家结构引入动作专家的 FFN 层。通过共享专家与可调节权重平衡预训练能力继承与任务特异性专长,推理时仅激活单个专家 FFN(总激活参数约 500M),同时存储约 800M 参数。
针对视觉语言动作(VLA)模型在与其他机器人或人类协作方面的能力不足问题,本文提出 Co^2Gen 框架。该框架利用去中心化协同规划方法生成可执行的多机器人协作计划,进而产生协作演示数据用于微调 VLA 模型。实验表明,基于该方法生成的数据进行微调的模型,在执行去中心化协作任务时的表现与使用人类遥操作数据微调的模型相当。
推荐理由:提出无需遥操作的协同规划框架,生成数据微调 VLA 模型效果媲美人类演示。
论文提出了 GlobMP(Global Motion Planning)算法,这是一种基于梯度投影的连续时间规划方法,旨在同时满足避障约束和保持轨迹接近学习策略提出的初始路径。
推荐理由:提出 GlobMP 算法,在连续时间框架下解决多机器人避障与轨迹平滑优化问题。
CMAR-search 提出一种基于常识与记忆增强的推理新框架,通过构建功能三维场景图实现宏观区域与微观容器的分层规划。该方法在仿真及真实世界实验中显著超越最先进基线,有效解决了开放布局环境中物体重定位及动态适应难题。论文已发表于 ICRA 2026,代码与数据许可状态待进一步确认。
论文提出 PATH-Net 框架,解决地面车辆遥操作中忽视操作员速度与风险偏好的问题。该方法融合视觉几何鸟瞰特征与短时历史状态,利用最大熵逆强化学习和稀疏速度监督优化建议。实验显示在 225 条轨迹上,激进与保守策略的修改豪斯多夫距离分别为 0.17m 和 0.15m,NASA-TLX 负荷评分从 34.7 降至 22.2。材料为预印本,未提及同行评审状态或开源代码。
针对具身智能体在长程规划与快速闭环决策间的矛盾,本文提出 CARE 框架,通过轻量级评论模型监控执行可靠性并动态触发向云端强模型的升级控制。该架构利用共享交接内存保持上下文,避免逐步切换带来的中断。实验表明,CARE 在多个基准测试中将任务成功率提升 6.3-18.3 个百分点,同时将动作间延迟中位数降低 28.8-82.6%,接近或超越纯云端方案的效果。
Motion Diffusion Models 生成的轨迹常违反物理约束,限制其在仿真与控制中的应用。本文提出 PhysibleMDM 框架,通过在推理时优化扩散噪声(无需重训)来促进物理可行性。
该论文通过预注册实验对比了将具身智能体的经验嵌入策略权重与作为外部检索缓冲器的效果。结果显示,将冻结的检索缓冲器附加到固定学生权重上比仅行动控制提升 34 个百分点,显著优于将记忆蒸馏进权重的方案(后者因统计功效不足被撤回)。研究结论建议采用外部化记忆架构,即保留独立缓冲器而非将其参数化入模型权重。
推荐理由:预注册研究表明将记忆外置并作为检索缓冲器使用时,比嵌入权重更能提升具身智能体在视觉条件化任务上的表现。
该系统在 CT 孔道内无需患者屏气或手动置针,即可执行自主呼吸门控穿刺并检测呼吸异常。实验验证了系统跟踪预测呼吸周期及识别异常的能力,旨在缩短手术时间、降低患者不适与辐射暴露。
该综述回顾了触觉感知在灵巧操作中的发展,涵盖力学驱动的接触信号解释与数据驱动的模仿学习、强化学习及视觉语言动作模型等进展。文章分析了从基础传感原理到未来可扩展系统的开放挑战,共 30 页,为构建鲁棒机器人系统提供理论参考。
针对人形强化学习奖励函数设计难、易过拟合或失稳的问题,本文提出 MPBRS 方法,通过势能差引导探索且不改变最优策略。该方法在九个人形机器人上验证了仅需关节映射和默认姿态等元数据即可实现统一配置,相比标准塑形具有更一致的缩放行为和更低调参敏感性。
本文介绍了一种名为 FRED(Future REpresentation learning via self-Distillation with temporal context)的框架,旨在提升世界动作模型(WAMs)中未来视频表征的质量。
Alpha 是一个针对 LLM 驱动具身操作的仿真故障注入与鲁棒性评估框架,通过向感知、执行和规划层注入校准后的故障来揭示失效根源。在包含 150 个回合的平衡矩阵中,确定性脚本预言家以 64.0% 成功率完胜仅得 44.0% 的 Llama-3 智能体,且排除了规划器输出损坏后两者物理表现完全一致。
Dream Labs 宣布完成 9000 万美元种子轮融资并推出 Dream API,其旗舰模型 Dream-1 宣称无需额外数据即可跨硬件控制机器人执行抓取、折叠等任务。公司通过云端运行模型并提供微调服务,支持开发者连接带夹爪的机器人直接调用,同时开放 Playground 供在线测试。
该研究提出了一种针对随机神经控制屏障函数的可验证安全合成方法,涵盖平滑激活与 ReLU 两种情况。团队在倒立摆、Darboux 及单icycle模型三个案例中验证了框架有效性,其中平滑情形无需验证即可生成,而 ReLU 情形采用闭环验证策略。
BiMoGen 是一个统一的掩码离散扩散框架,用于双向运动文本建模。该方法采用解耦的单模态与跨模态两阶段训练策略,并引入生成感知自修正机制以缓解训练测试不匹配问题。实验在 HumanML3D 和 KIT-ML 数据集上验证了其在文本生成动作描述及动作描述文本任务上的竞争力。
推荐理由:该文提出基于掩码离散扩散的双向运动文本生成框架,通过解耦训练与生成感知自修正机制解决时序一致性问题。
论文提出开源平台 PolyUMI 和 VisTA 策略,解决机器人模仿学习中触觉与听觉信号缺失问题。PolyUMI 采用无线手持夹爪同步采集腕部相机、光学触觉、接触音频和本体感知数据,且传感手指可直接移植至机器人末端执行器以保留几何一致性。
论文提出 BAS-VLA 框架,旨在解决视觉语言动作(VLA)模型难以区分应保留行为的外观变化与需调整行为的语义变化的问题。该框架在冻结基座模型上构建以‘破坏性’为中心的校准核心,并辅以选择性证据门控机制来修正外观诱导的漂移。实验显示,BAS-VLA 将任务切换成功率从 2.3% 提升至 68.5%,同时在保持风格不变的外观偏移下将成功率从 42% 提升至 70%,且未降低原始性能。
推荐理由:提出 BAS-VLA 框架解决 VLA 模型在外观变化与语义变化下的策略漂移问题,显著提升任务切换成功率。
MixiMotion 是一种严格的一步文本到动作生成框架,利用离线集合蒸馏替代单条教师轨迹蒸馏,通过非对称双向匹配对齐样本集并引入可微解码空间运动学监督。该方法无需教师查询或迭代采样,单次网络评估即可生成完整动作序列。
针对具身智能中视觉语言动作模型推理延迟高的问题,本文提出 rMuscle 框架,利用跨执行相似性构建上下文与动作双重缓存机制,复用视觉 token 输出并减少权重访问。实验显示该方案在 RTX 4090 和 Jetson Thor 上实现 1.29-1.42 倍加速,且在 LIBERO、RoboTwin 及物理操作任务中保持原有成功率。
该论文提出一种动作条件化世界模型框架,旨在解决机器人超声检查中导航解剖标志和目标成像平面的难题。针对高质量演示采集困难且显式仿真器构建不易的问题,作者采用两阶段基于模型的训练流程:首先利用潜在条件扩散世界模型预测未来超声观测值;其次使用目标条件时序 Transformer 预测有序探针动作,并利用冻结的世界模型奖励进行微调。
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。
论文提出了 ReStruct 方法,旨在解决部署学习到的机器人策略时的推理时行为引导难题,即在无需重新训练的情况下将策略导向用户偏好。该方法构建于神经自动机策略之上,将其分解为捕捉任务结构的高层状态机骨架和表示残差策略的低层连续控制器。
推荐理由:提出 ReStruct 方法,通过重构任务结构实现推理时行为引导,在仿真与真实世界中均优于现有方法及 VLA 模型。
SafeDojo 是一种基于模型的安全强化学习框架,利用交互式视频世界模型进行在线强化学习。系统使用 ResNet 成功分类器评分预测帧,并通过轻量级安全头从潜在上下文和动作块中预测接触概率,结合拉格朗日约束的 GRPO 平衡任务执行与轨迹安全性。
论文提出了 μ_0,这是一种基于 3D 轨迹的可扩展世界模型,旨在通过预测物体、工具及接触区域的平滑 3D 轨迹来替代像素重建或直接动作建模,从而实现无需具身特定标签的机器人学习。
推荐理由:该工作提出基于 3D 轨迹的世界模型,无需动作标签即可实现跨机器人泛化,预训练版本已接受 CoRL 2026。
该论文提出多分辨率触觉感知框架 MiTaS,利用模态特定卷积主干与 Transformer 融合机制,整合 RGB 相机、GelSight Mini 传感器及高频事件驱动 Evetac 传感器的信息。系统性实验在五项接触丰富的操作任务中验证了该方法的有效性,平均成功率为 80%,而纯视觉基线仅为 35.5%。该成果已提交至 CoRL 2026 会议,预印本发布于 arXiv。
推荐理由:该工作提出多分辨率触觉表征框架 MiTaS,融合 RGB、GelSight 与事件相机数据,在五项接触丰富任务中平均成功率达 80%,显著优于纯视觉基线。
论文提出针对视觉语言动作模型(VLA)的高效一步生成策略。研究发现,仅将训练时间步分布偏向噪声端点,即可在 LIBERO、CALVIN 等基准上获得强单步策略;对于开源 VLA 模型,简单替换迭代解码为单次前向传播即可达到与多步解码相当的效果。
推荐理由:研究发现 VLA 因条件 - 目标结构特性,仅需调整时间步分布即可实现高效单步动作生成,无需蒸馏或专用目标。
针对移动机器人在临时障碍物阻塞路径时面临等待过久或过早绕行的效率问题,论文提出 OSCAR 框架。该方法利用障碍物的类别标签,从在线经验中学习条件化的剩余通行时间分布(含右删失观测),并将其集成到时间依赖的图规划器中,动态计算每条受阻边的耐心阈值以平衡等待与绕行策略。
该论文研究异质多团队协作中的动态机器人分配问题,将机器人视为可转移资源,提出基于汉密尔顿法则的利他决策机制及图神经网络策略。模型在消防场景下与精确优化及多步仿真对比,并在包含 15 台机器人的五组物理测试中验证了重分配策略的有效性,所有试验均达到灭火阈值,优于固定团队分配的两次成功。