PIER:一种用于机器人操作的证据门控执行接口
PIER 是一个将证据检查、决策溯源与硬件控制分离的执行授权接口,通过确定性网关评估视觉和触觉输入。在包含噪声、缺失数据和过时观测的合成测试中,重观察机制将有效状态拒绝率从 57/120 降至 18/120,同时暴露了阈值检查的局限。该研究基于 1,600 个网格案例和 1,200 组合成轨迹验证了接口的可检验性,未宣称优于同等规则逻辑或物理安全性。
PIER 是一个将证据检查、决策溯源与硬件控制分离的执行授权接口,通过确定性网关评估视觉和触觉输入。在包含噪声、缺失数据和过时观测的合成测试中,重观察机制将有效状态拒绝率从 57/120 降至 18/120,同时暴露了阈值检查的局限。该研究基于 1,600 个网格案例和 1,200 组合成轨迹验证了接口的可检验性,未宣称优于同等规则逻辑或物理安全性。
作者发布 ManiUnit,这是一个基于 50 个 BEHAVIOR-1K 活动构建的操作技能数据集与基准,包含 137,899 个片段、21 种技能类型及 417 个子任务。
基于模拟 GelSight Mini 的密集光流聚合为 126 个特征,单模型在地球、火星、月球及轨道四种重力域下无需输入重力参数即达 96.3% 准确率。相比仅用地球数据训练的 XGBoost(轨道准确率降至 75.9%),该方法证明跨重力域训练可消除显著的重力诱导分布偏移。特征集还可压缩至 40 个且保持 95.7% 精度,单次推理仅需 0.14 ms。
论文提出了 SkillWeave 框架,旨在解决长程灵巧操作中大规模任务推进与精密接触交互的收集难题。该方法结合遥操作进行粗略抓取与运输,利用示教进行精密操作;针对示教时的视觉不匹配问题,提出基于对象掩码的条件扩散策略;为缓解子任务策略间的分布偏移,引入后继感知终端转向机制。
针对变形线性物体(如电缆)的自学习模拟器,研究引入物理注意力偏差以解决接触预测误差。实验表明,在仅依赖注意力连接远距离段时,弧长偏差将预测误差降低 15% 并大幅减少长度漂移;同时分配两种距离的头在各项指标上表现最佳。代码与运行记录已公开,论文提交至 NeurIPS 2026 Workshop。
论文介绍 CAPABLE,一种针对冻结视觉语言动作(VLA)模型的能力感知适应框架。该方法利用自监督能力推断与残差强化学习,从指令 - 响应历史中在线估计关节实际执行程度及其对末端执行器行为的贡献,无需故障标签即可生成有界修正。
针对机器人触觉示教成本高、慢的问题,本文提出 TACROSS 系统,利用成本约 10.86 美元的压阻式手套采集人类触觉演示,并通过接触事件对齐而非原始传感器值对齐来解决与机器人传感器原理和布局的差异。系统在四个富接触操作任务上评估显示,相比传统遥操作效率提升 3.5 倍,示教设备成本降低 95.7%。作者将开源硬件软件系统及包含超 150 小时录制的触觉数据集。
推荐理由:提出 TACROSS 系统,通过接触事件对齐解决异质触觉传感器差异,实现低成本高效的人触示教转移。
WAND 提出一种强化学习框架,利用时序卷积网络估计风致扰动加速度并通过 WindAdapter 模块进行前馈补偿。该方法在 12 种仿真设置中成功率平均提升 8.3 个百分点,室内风扇飞行测试成功率为 90%(18/20),验证了实时机载导航可行性。
针对多智能体协作任务中低层接触执行与高层协调纠缠的问题,本文提出分层框架将单智能体人机交互策略转化为可复用的对象导向运动技能。方法通过提取轨迹中的短视界对象代理动作进行蒸馏,冻结底层技能作为执行器,由高层策略根据共享对象、目标及状态生成区域级动作以协调多智能体。实验表明该技能支持稳健的代理运动执行,并能在不同交互类型、物体几何形状和团队规模下实现可组合的策略学习。
针对低成本动捕手套和标记点追踪器因用户、佩戴松紧及录制会话不同而产生的姿态估计偏差问题,该研究提出 YOCO 框架。该方法通过少量成对的原始与目标姿态样本,对冻结的 MANO 手部估计模块进行 LoRA 风格的轻量级前馈更新,无需为每位操作员或每场会话单独优化模型。
针对视觉语言动作模型(VLA)在腕部相机配置变化下性能敏感的问题,论文提出 WARP-VLA 架构,利用专家混合结构学习特定视角的特征变换,无需额外输入相机外参即可实现部署。实验显示该方法将 LIBERO 基准上的平均成功率从 39.2% 提升至 78.3%,且仿真学到的特征级适应能成功迁移到真实机器人部署场景。作者开源了腕部视角鲁棒性基准及即插即用实现,以促进复现与后续研究。
针对在部署冻结的学习技能(如 VLA 策略)到新环境时难以确定可靠执行初始配置的问题,作者提出 EVIS 框架。该框架利用历史执行经验优先筛选候选方案,并通过目标环境的行为验证其有效性,从而在有限的交互预算下减少查询次数并提高可靠候选的发现率。研究在单技能和两阶段操作任务上进行了评估,证明了结合历史引导与行为验证能有效降低部署成本。
ACT³是一种简单的动作中心三流 Transformer,通过逐层注意力机制将视觉语言模型(VLM)和世界模型(WM)表征融合进控制动作。该架构在保持上下文流独立前向传播的同时,允许两个骨干网络均通过控制监督进行更新。仿真与真实世界机器人操作基准实验表明,ACT³的表现优于其同类方法。
Being-M0.7 是一种针对人形机器人的潜在世界 - 动作模型,旨在解决机器人演示稀缺问题。该工作整合了超过 1,000 小时的原始人类中心数据(包括仅视频、仅运动及配对视频 - 运动流),通过预训练学习视觉动力学与全身运动学结构。
论文提出一种视觉触觉方法,在抓取过程中实时估计物体的质量、弹性与摩擦系数等物理属性,进而计算所需的最小抓取力以避免损坏物体。作者构建了包含果蔬等真实物体的数据集并用于仿真建模,最终在配备平行夹爪的机器人上实验验证了该方法能自适应不同物体的特性实现轻柔抓握。
OmniDex 模型利用软赢家通吃学习与物理驱动排序,解决了复杂杂乱场景中灵巧抓取的模态多样性及毫米级精度难题。该研究构建了包含超 260 万个场景和 4 亿次特定抓取真值的新基准,实现了无需后优化的鲁棒性能与强泛化能力。论文已提交至 arXiv (arXiv:2610.11194),目前处于预印本状态。
针对基于视觉的机器人操作强化学习样本效率低的问题,本文提出 FOCUS 框架,在单阶段 PPO 训练中利用特权状态信息加速学习,并通过 KL 散度调节演员策略收集数据的模态(RGB-D 或特权状态潜变量)。实验显示,该方法在五个操作任务上将平均测试成功率从 0.71 提升至 0.93,预算归一化训练成功 AUC 从 0.47 提升至 0.65。
针对杂乱和受限环境中的自主导航问题,本文提出路径创意导航(PCN)范式,要求机器人在移动的同时与环境进行具身交互以开辟路径。研究构建了一个无地图框架,整合视觉与激光雷达里程计信息,利用可通行性感知决策方法判断障碍物是否可操作并安全绕过。
该研究提出了一种基于织物且可重构的气动致动器,通过附加约束织物模块在单一本体上实现各向同性膨胀、收缩、弯曲和扭曲四种模式的快速无工具切换。实验显示系统在 24 kPa 压力下伸长比达 1.2,最大弯曲角约 60 度,扭转角约 90 度,且所有模式下阻断力均超过 10 N。此外,集成于表面的电容式触觉传感器在预载下呈现单调的电容增加特性,滞后率约为 12%。
ActiveReg 提出一种闭环框架,通过推荐探测区域而非单点来减少术中数据采集。仿真与真实体模实验显示,该方法在光学和电磁追踪下仅需采集 24-28 个点即可达到与 Gradient-SDF 相当的均方根目标配准误差,显著优于基线方法所需的 771-1263 个点。
论文介绍 OmniHOI 流程,旨在从单目 RGB 视频中重建手物交互的忠实轨迹并迁移至灵巧机械手。该方法在各阶段利用图像证据、接触几何和动力学约束物理一致性,直接优化对应表示以修正误差。
推荐理由:该工作提出 OmniHOI 流程,利用单目视频重建手物交互轨迹并转移至多自由度机械手,在仿真与真实机器人上均优于现有方法。
该研究针对机器人本体多样性导致的世界模型难以跨形态泛化的问题,提出了基于潜在动作条件的机器人世界模型(LAC-WM)。该方法在统一的潜在动作空间内运行,相比显式动作条件模型(EAC-WM),能显著提升下游灵巧操作任务及 LIBERO 基准的性能。
推荐理由:提出基于潜在动作空间的机器人世界模型,在跨形态泛化与下游任务性能上优于显式动作条件模型。
针对现有蒸馏方法依赖枚举任务解耦对、难以泛化的问题,Skill-SLM 框架将机器人操作重构为任务分解与技能组合。该方法利用无上下文语法提取技能库,并通过大模型教师合成训练数据以支持 UAV 及地面车辆等多平台可靠执行。实验表明,该框架在未见任务上的表现显著优于蒸馏基线,且代码与权重开放许可状态待定。
针对长周期机器人操作技能拼接时因场景状态偏移导致的性能下降问题,本文提出了一套包含任务进度监测、场景组件恢复及缝接鲁棒微调的完整系统。在 BOSS-44 基准测试中,该系统将全链成功率从 7.6% 提升至 26.5%,显著优于重采样、扩散策略和世界模型基线;在真实 Franka 机械臂上验证了闭环控制对部分终端失败的恢复能力,表明在策略重试前恢复场景状态是更有效的解决路径。
针对重复快速动作下布料结果存在显著变异性的问题,研究者在四项动态任务中执行了同一轨迹共 269 次 rollout。结果显示,这种变异性主要由布料物理属性驱动且随速度增加,幅度远超机器人噪声并无法被现有四款校准后的现代布料仿真器复现。团队同步发布了包含 OptiTrack、视觉与机器人日志及对应仿真孪生的数据集,以评估学习策略可靠性。
针对变形物体(如头发)在末端执行器上漂移导致局部交互困难的挑战,该研究提出了 TacHair 框架,将高分辨率触觉观测表示为空间头发接触分布。该方法结合视觉 - 触觉模仿策略生成名义动作,并通过独立训练的残差模块进行局部接触偏差修正,实现了任务推进与接触恢复的分离。
推荐理由:该工作提出基于触觉接触分布的在线修正框架,在真实机器人实验中显著提升了头发梳理任务的成功率与接触保持能力。
矢崎、Cuebus 和山善于 2026 年 9 月 21 日在日本静冈县裾野市"Innovation Hub–REN"启动联合示范项目。该设施利用地面移动托盘的 CUEBUS 仓库与自主移动人形机器人进行零部件接力作业,旨在验证 AI 技术减少劳动密集型环节并提升空间利用率。
ETH Zurich Soft Robotics Lab 将市售机械手改造为独立移动机器人,利用强化学习训练其在仿真环境中行走、自扶正及操作物体。团队通过引入针对非对称手指的虚拟弹簧机制与多技能模型切换,使该装置在真实测试中跨越多种表面并成功推物。研究展示了部件功能解耦的新范式,但未涉及真实部署或量产许可。
深圳具身触觉企业灵感机器人近日宣布完成数千万天使轮融资,资金将用于产线建设、量产优化及触觉智能系统研发。该公司成立于 2025 年,已发布 Lux 视触觉传感器系列(含 AM-TV L/S/R 型号)并自研超微型成像系统与“稠密力场”技术。核心团队来自港科大等机构,正从单一传感器向数采系统及端到端精细操作模型拓展。
灵感机器人近日完成数千万元天使轮融资,资金将用于产线建设、产能提升及触觉智能系统研发。公司创始人张雅展领衔团队自 2016 年布局视触觉传感,已推出适配灵巧手与机械臂的 Lux 系列传感器,在工业装配等领域实现规模化交付。该路线凭借三维力感知优势,旨在推动机器人从纯视觉向“视 - 触 - 控一体化”升级。
清华系企业灵生科技近日完成由华方资本等联合投资的亿元级 A 轮融资。公司依托创始人杨洪兵及清华大学自动化系高飞飞教授团队,构建基于 PhiAgent 数据引擎与 RoboAgent 执行智能体的 RUDA 自进化架构。该技术已在光模块插拔、电池装配等高精密工业场景实现稳定落地,覆盖 3C 质检、物料转运等多类任务。
WBAG 是一种针对视觉语言动作(VLA)策略的安全框架,通过建模机器人全身体及随抓取状态变化的附着物体几何,将演化后的几何转化为可微约束以最小化修改 VLA 的六维操作空间动作从而实现避障。在 SafeLIBERO 基准上,该方法达到 97.38% 的整体场景安全性和 59.38% 的安全任务成功率。
论文提出了 Visible Touch 方法,通过将接触信号直接暴露在与场景相同的空间帧中,使任何基于图像的预训练策略(如 VLA)无需架构修改即可利用触觉信息。
推荐理由:该研究提出将接触信息融入视觉动作策略的新方法,并开源了低成本磁感应传感器与 CAD 模具流程。
论文 UniCross 提出一种统一框架,旨在解决灵巧操作中不同技能(抓取、位移、手内旋转、手内平移)建模分离导致兼容性差的问题。该工作将四种技能整合进单一状态与动作空间共享的公式中,通过共同的目标结构实现跨技能策略蒸馏。
ModPack 是一个模块化且可扩展的遥操作系统,旨在统一支持多种机器人本体和任务需求。其核心是自包含的穿戴式“背包”,集成了计算、电源、通信和数据存储。该系统基于共享接口支持即插即用能力模块,包括带触觉反馈的关节级遥操作、移动操作和主动感知。
针对机器人操作中触觉、力或音频信号难以大规模预训练的难题,本文提出 MuSe 方法,通过多阶段融合与经验回放技术将少量多模态数据适配至预训练视觉策略。研究在真实世界任务中验证了该方法在接触丰富场景下的有效性,同时证明其在保留原有预训练任务性能方面表现稳健,甚至部分任务有所提升。
针对通用机器人操作模型对分布外扰动脆弱且全人工遥操作认知负荷高的问题,本文提出 SAPS 框架,在动作层面实时融合人类遥操作指令与预训练视觉语言动作(VLA)模型输出。
该研究提出针对平滑隐式接触动力学的安全滤波框架,通过边界聚焦展开筛选参数并收紧约束以消除力违规。仿真显示该方法在四个富接触系统中完全消除了标准 CBF 下的力违规现象。论文已获 Robotics and Automation Letters (RA-L) 接收,arXiv 预印本版本为 v3。
论文 Open-CHOIR 针对单目视频中手物交互重建困难的问题,提出利用接触信号作为显式耦合信号的框架。该方法先初始化粗略序列,再通过生成式空间校正模块预测射线深度修正以对齐相对位置,最后通过带动态更新约束的联合优化确保几何、时序和接触一致性。实验表明其在物体重建、物理合理性和时序一致性上优于现有方法。代码、数据和预训练权重已开源。
论文介绍 NovaPlan 框架,旨在解决复杂长程机器人任务中视觉 - 语言模型易产生物理幻觉的问题。系统通过高层 VLM 分解任务并验证多个候选视频生成结果以过滤不一致的未来状态;利用混合几何表征在物体中心流与手部流间自适应切换;并通过闭环监控执行过程,合成如指尖戳刺等局部非抓持类纠错行为。实验显示其在多阶段任务中显著优于现有零样本系统,实现了无需特定训练或演示的复杂装配与灵巧错误恢复。