跳到正文
10月26日周一
  1. 量子位70

    特斯拉擎天柱首批量产下线并启动‘Optimus Academy’训练计划

    特斯拉确认位于美国弗里蒙特的 Optimus 擎天柱人形机器人产线已启动初期生产(Early Ramp),首批达到量产标准的机器人正式下线。尽管双手等硬件仍在迭代,马斯克计划先制造约 1 万至 2 万台机器人送入专用设施进行自主练习以积累训练数据,形成持续迭代循环。

  2. 量子位40

    声网在 iRTE2026 大会展示 Agora Conversational Model 与分布式实时推理云基础设施

    声网在 iRTE2026 实时智能大会上展示了支持全双工响应、意图判断及行动协调的 Agora Conversational Model,旨在解决 AI“会聊”难题。其提出的五级对话能力框架涵盖从 L1 问答到 L5 深度沟通,并通过分布式实时推理云实现模型靠近用户运行以优化时延与负载。相关能力已集成至对话式 AI 引擎、开发套件及 Call Agent 等产品中,兼容级联与端到端架构。

  3. 盖世汽车 · 汽车资讯42

    模感科技完成亿元级天使+轮融资,推出基于电磁超构力学的MoSkin全身电子皮肤以解决Sim-to-Real触觉鸿沟

    10月26日,由港科大冠军队孵化的模感科技宣布完成亿元级天使+轮融资,资金将用于全身触觉产品研发及量产测试体系建设。其核心产品MoSkin基于电磁超构力学技术,覆盖手部至足底,旨在通过高频多维反馈修正低频决策以缩小仿真到现实的差距。目前公司仍处于量产测试体系建设阶段,尚未披露营收与客户名单。

  4. 盖世汽车 · 汽车资讯7

    科络达斩获 2026 金辑奖最佳技术实践应用奖

    科络达凭借整车 OTA 与智能诊断技术的规模化落地,荣获盖世汽车主办的 2026 第八届金辑奖“最佳技术实践应用奖”。其自研差分压缩技术与全域 ECU 安全升级体系支持断电续升及数字密钥认证,已在乘用车、商用车、低速无人车及具身智能领域实现多赛道商用。该技术架构助力中国车企满足 R156、WP.29 等海外法规合规要求,推动机器人从固定硬件走向可持续进化的智能终端。

  5. arXiv · 机器人与计算机视觉62

    非线性并联机构耦合动态人形腿的设计与分析

    针对人形机器人对轻量化、敏捷且节能的腿部机制需求,本文提出了一种新型串联 - 并联腿部设计,结合膝部并联机构、踝部并联机构及非线性膝踝耦合结构,将所有执行器置于髋部附近。该设计利用耦合机构被动辅助踝关节运动以分担负载,并通过仿真与硬件验证了非线性传动模型。实验表明,共享传动机制使双关节能互借执行器容量,在 6kg 腿部重量下将足部有效反射质量降至 0.37kg,显著降低了动态人形机器人的远端惯性。

  6. arXiv · 机器人与计算机视觉39

    Motion Generation With Environmental Constraints:ECE 方法简化机器人规划并提升鲁棒性

    针对高维空间与不确定环境下的机器人运动规划难题,研究提出利用环境约束(ECE)策略,通过主动接触降低维度复杂度。该方法结合 RRT 基线算法在真实场景中验证了其在任务相关区域探索及执行鲁棒性上的优势。工作整合并扩展了既有研究,展示了 ECE 在复杂环境中简化规划流程的有效性。

  7. arXiv · 机器人与计算机视觉80

    面向机器人动作表示的语义锚定方法

    针对视觉语言动作(VLA)模型微调导致预训练语义结构退化、影响泛化的问题,该方法通过探针分析确认了动作表示质量与任务成功及分布外泛化的同步关系。研究提出一种即插即用方案,将动作表示锚定到语义流形并分解为共享与私有通道,推理时丢弃这些通道以保持部署模型不变。

    推荐理由:提出一种无需修改部署模型的语义锚定方法,在仿真与真实基准上显著提升 VLA 模型的任务成功率与泛化能力。

  8. arXiv · 机器人与计算机视觉60

    语言即传感器:基于自然语言的三维场景校准空间信念估计

    论文提出语言传感器模型(LSM)将自然语言描述映射为包含指代歧义与空间不确定性的多模态分布,并引入 VL-Map 框架将其作为随机观测与车载感知融合。在 VLA-3D 基准及真机实验中,该方法使目标物体位置预测的概率质量较最强基线提升约 70%。材料仅基于 arXiv 预印本发布,未提及同行评审状态或具体部署许可。

  9. arXiv · 机器人与计算机视觉70

    Probing Collision Grounding in Vision-Language Models for Safe Human-Robot Collaboration

    该研究提出 TouchSafeBench 基准,用于评估视觉语言模型(VLM)将视觉观测与机器人几何、场景布局及时间运动绑定以推断碰撞的能力。基准包含 2,940 个室内共在模拟片段,涵盖社交导航与重排任务,提供多视角 RGB-D 观测、俯视轨迹图及校准元数据。

  10. arXiv · 机器人与计算机视觉55

    具身智能与机器人仿真的3D生成:综述

    这篇论文是2026年10月发布的arXiv预印本,系统回顾了3D生成技术在具身智能和机器人仿真领域的应用。文章将3D生成的作用归纳为三类:作为数据生成器提供可交互的物理对象;构建支持任务执行的仿真环境;以及搭建数字孪生与合成演示以弥合仿真到现实的差距。研究指出该领域正从追求视觉逼真度转向关注交互就绪性,并列举了物理标注有限、几何质量与物理有效性存在差距等关键挑战。

  11. arXiv · 机器人与计算机视觉48

    VORL-EXPLORE:动态环境多机器人探索的混合学习规划方法

    VORL-EXPLORE 提出一种融合执行保真度评估的混合框架,通过惩罚高风险前沿并仲裁全局 A*与反应式强化学习策略,解决动态环境中多机器人分配脆弱问题。在随机化动态网格及严重交通消融实验下,该方法实现了更高的成功率、更短的探索长度及更低的重叠率。代码已开源,论文已被 IROS 2026 接收。

  12. arXiv · 机器人与计算机视觉67

    CARE:面向人机引导机器人运输的一致动作响应执行方法

    针对操作员路线不可由机器人直接执行的场景,本文提出 Consistent Action-Response Execution (CARE) 框架。该方法将局部控制建立在可执行动作索引之上,统一条件化预测、联合推演与候选选择效用;通过有界互惠细化处理瞬态不匹配,利用持久进度损失进行恢复。

  13. arXiv · 机器人与计算机视觉64

    CEMIR vs. FISER:基于推理与增强的实用意图识别比较研究

    本文对比了利用结构化社会与具身推理的 FISER 框架和通过合成叙事及照片级图像进行多模态增强的 CEMIR 方法。在 HandMeThat v2 基准上,针对四个大语言模型(从 Qwen2.5-Omni-3B 到 GPT-5)的评估显示,两者在解决实用歧义方面性能无统计学显著差异。研究结果表明,当任务约束已存在于文本指令中时,源自文本的多模态增强可能无法为结构化推理提供可测量的额外收益。

  14. arXiv · 机器人与计算机视觉78

    Not an Accident:人形机器人安全过滤器的可利用性分析

    该研究指出人形机器人的安全过滤器仅在特定参数配置下有效,缺乏通用方法确定这些参数导致部署后可能失效。作者展示了无需额外权限即可通过正常交互利用此漏洞的攻击方式,并开发了自动化工具 SIREN 来识别脆弱目标。实验表明 SIREN 在 SPARK 数据集的所有脆弱场景中均能发现攻击,且能在真实人形机器人上成功诱导碰撞事故。

    推荐理由:论文揭示人形机器人安全过滤器存在可被正常交互利用的漏洞,并展示了自动化攻击工具 SIREN 在仿真与真实机器上的有效性。

  15. arXiv · 机器人与计算机视觉15

    SandBot 在颗粒介质上的运动速度受肢体运动学影响研究

    SandBot 小型足式机器人在松散颗粒介质上表现优异,仅在小参数空间内实现高性能。结合先前引入的机器人运动学模型与新各向异性穿透力定律,可预测其速度并最大化性能。该研究通过系统分析步态参数与肢体 - 地面相互作用,为生物运动及足式设备提供了预测模型与假设验证。

  16. arXiv · 机器人与计算机视觉48

    SceneBloom:具身学习框架实现无碰撞室内环境生成与导航策略提升

    SceneBloom 结合视觉布局采样与合同引导的三维编译,在五种房型中实现了最高视觉质量、物理稳定性且零网格碰撞。其生成的场景分布更接近真实房间,训练出的物体导航策略在独立真实扫描中的成功率优于同等数量真实训练数据。代码已开源。

  17. arXiv · 机器人与计算机视觉82

    UniAction:用于世界模型的统一动作条件化框架

    UniAction 是一种统一的动作条件化框架,旨在解决现有世界模型因动作类型而异导致数据碎片化的问题。该框架将任意动作表示为稀疏的动作元素集合,每个元素具有离散语义身份和连续时空坐标,并直接映射到预训练视频模型的固有位置空间。

    推荐理由:UniAction 提出统一动作条件框架,将异构动作映射至共享时空结构并引入基数校准注意力,在四类动作形式上优于专用专家模型。

  18. arXiv · 机器人与计算机视觉33

    OCT 引导的软组织几何建模:面向数据驱动闭环形状控制的三维表征研究

    该工作提出一种基于光学相干断层扫描(OCT)的数据驱动框架,通过用户演示学习并执行带闭环反馈的软组织形状控制。在 12 种配置与 576 次体模测试中,残差条件化将全量扩散策略的方向性形状均方根误差从 0.748 mm 降至 0.555 mm;体素点云显式策略结合残差在深度与方向控制上分别达 0.534 mm 和 0.443 mm。

  19. arXiv · 机器人与计算机视觉78

    面向代理自博弈的语义表示:VERID 基础设施在自动化实验室中的应用

    针对复杂高维生物搜索空间探索中物理执行受限于静态自动化和未建模物理变异的瓶颈,本文提出 VERID(Verified Infrastructure for Discovery Laboratories),这是一种持久化、高保真的实验室工作站语义数字孪生基础架构。

    推荐理由:提出 VERID 语义数字孪生基础设施,通过仿真验证与错误恢复机制解决湿实验室自动化瓶颈。

  20. arXiv · 机器人与计算机视觉30

    Conditional Neural Processes 实现动作模仿中的自监督目标发现

    Conditional Neural Processes 通过引入隐藏层注意力机制,在动作序列观测早期即涌现出鲁棒的目标表征。该工作评估了模型在机器人自监督通用学习中的潜力,并作为 IROS2023 认知机器人世界模型研讨会的海报展示。相关代码与论文预印本已公开,为具身智能领域提供了新的自监督学习范式。

  21. arXiv · 机器人与计算机视觉78

    基于蒙特卡洛的室内无人机定位:仅需四个机载测距传感器的动态环境方案

    针对室内无人机在动态环境下仅靠最少机载传感进行定位的挑战,作者提出了增强的过滤蒙特卡洛定位(AF-MCL)方法。该方法利用四个单点测距传感器和测量航向实现 2D 定位,通过拒绝与已知静态地图不一致的测距数据来适应动态环境,并自适应注入粒子以恢复定位发散或被劫持的情况。

    推荐理由:提出仅用四个单点测距传感器即可在动态环境中实现鲁棒室内定位,实测误差约 6.4-7.7 厘米。

  22. arXiv · 机器人与计算机视觉78

    OWLS:基于开放世界的语言条件化速度场用于零样本漫游车导航

    OWLS 是一种无需任务特定训练、地形标注或持久地图的零样本漫游车导航方法。该方法利用视觉语言模型对单目相机图像中的每个像素进行可通行性评分,将这些语义分数投影到地面并通过形态学操作适配平台,进而生成最小时间规划器的速度场。研究在室内及非道路物理漫游车上进行了评估,并在模拟火星与月球漫游器上测试了 200 个程序化生成的地形,同时验证了在真实行星影像上的表现。

    推荐理由:论文提出利用视觉语言模型的语义评分构建速度场,实现无需训练与标注的零样本漫游车导航。

  23. arXiv · 机器人与计算机视觉78

    UAV-SwarmAgent:基于代码生成与视觉语言推理的可扩展多无人机侦察与任务分配系统

    该论文提出 UAV SwarmAgent,这是一个分层多智能体系统,操作员仅需用一句自然语言描述任务,地面站代理即通过代码生成为每架无人机规划路线。系统在仿真环境中对 4 类事故场景和 3 种基础模型进行测试,成功定位了 255 次任务中的 244 次(成功率 95.7%)。研究还发现增加无人机数量带来的速度提升存在上限(1.52 倍),并讨论了误报问题及后续用户研究的必要性。

    推荐理由:该工作提出通过代码生成与视觉语言推理实现多无人机任务分配,仿真显示定位成功率达 95.7% 且扩展性符合阿姆达尔定律。

  24. arXiv · 机器人与计算机视觉78

    HGWM:通过图匹配实现零样本物体导航的分层图引导世界模型

    HGWM 耦合了 LLM 生成的房间锚点先验与持久化的空间语义记忆,采用两阶段机制(粗粒度视觉语义评分与细粒度符号兼容性测量)结合 LLM 方向推荐进行本地动作选择。

    推荐理由:该工作提出分层图引导的世界模型,在仿真环境中实现零样本物体导航,提供了具体的成功率与路径效率指标及消融分析。

  25. arXiv · 机器人与计算机视觉72

    Facultative Swarming:一种多机器人系统的动态能力而非分类

    Ning Zhou 和 Edmund Hunt 在 arXiv 上发布论文,提出将集群视为动态能力而非固定类别,构建可在中心式规划与去中心化自组织间切换的统一控制框架。该框架允许系统在条件允许可用时利用中心式优化的最优性,而在环境压力下优雅降级为去中心化集群以维持鲁棒性和适应性。

  26. arXiv · 机器人与计算机视觉74

    从徒手演示到自主机器人超声:一种解剖锚定学习框架

    该研究针对超声成像高度依赖操作者的问题,提出一种解剖锚定的模仿学习框架,结合外部视觉定位与力反馈实现自主超声扫描。系统在未见参与者上对肾脏、胆囊和肝脏标准切面采集及桡动脉扫查的任务成功率分别达到 96%、94%、88% 和 94%,相比微调后的 pi_0 模型在腹部任务上的成功率提升 10-42 个百分点。

  27. arXiv · 机器人与计算机视觉58

    $R^2E$: 一种面向自动化奖励函数设计的角色驱动进化框架

    针对强化学习中奖励函数设计成本高及 LLM 方法存在采样不足和反馈利用有限的问题,提出 $R^2E$ 框架。该框架通过明确的角色分工(探索者、守护者、演化者)结合动态调度策略与全局精英池机制,实现从广泛探索到聚焦开发的渐进式搜索并提升训练稳定性。在多项机器人任务上的实验验证了该方法的有效性。

  28. arXiv · 机器人与计算机视觉44

    Graphs of Trajectory Bundles for Nonlinear Motion Planning 方法发布

    Graphs of Trajectory Bundles (GTB) 方法结合采样规划与轨迹优化,为具有非线性及黑盒动力学的系统构建轨迹包图以解决最短路径问题。该方法能处理高度非线性、不稳定且含复杂碰撞约束的系统动力学,在顶点处捕捉局部动态并满足安全限制。论文提交至 arXiv,当前处于预印本状态,代码与权重暂未提及开放许可。

  29. arXiv · 机器人与计算机视觉75

    LogLook:面向前沿视觉语言模型的机器人规划器执行 grounding 记忆方法

    论文 LogLook 针对无需任务特定训练的前沿视觉语言模型,提出一种结合执行日志与选择性观察的记忆机制。该方法在保持记录的同时让模型自主决定查看位置,仅在预期变化处返回帧并快速浏览演示部分。实验显示,LogLook 在 RoboMME 基准测试集上解决了 93.5% 的任务,相比仅用笔记的记忆方式减少了 43% 的 token 消耗和一半以上的图像使用量,且因记忆或观察导致的失败率显著降低。

  30. arXiv · 机器人与计算机视觉72

    DynaSlots:面向机器人操作的槽位中心 3D 动力学预训练

    论文介绍 DynaSlots,一种无需动作标签的预训练框架,将点云帧分解为时间一致的局部槽位并在该粒度建模动力学,而非传统的全局场景级压缩。该方法通过时序传播模块保持槽位一致性,利用逆动力学提取潜在动作,并结合扩散模型预测未来状态以学习邻近与运动关系。

  31. arXiv · 机器人与计算机视觉42

    Unitree Go2 与 AgileX Piper 实现 VLA 模型闭环行走操作部署

    研究在 Unitree Go2 四足机器人搭载 AgileX Piper 机械臂上,通过调整模型变体、动作视界及演示规范,成功实现了闭环行走操作。扩大演示覆盖范围使未见末端执行器误差降低 30%,引入推等次要技能增加了新行为模式而未降级基线性能。真实世界实验验证了数据集构成对复杂行走操作成败的影响,确立了从桌面到移动机器人的部署管线。

  32. arXiv · 机器人与计算机视觉51

    VLA 是否知晓其将失败?物理 AI 系统中可解释的成功与失败模式

    该研究提出利用 OpenVLA 激活的稀疏自编码器(SAE)表示来预测机器人任务失败,并在达到不可恢复状态前识别出相关特征。作者通过定位显著激活变化的时间区间,揭示了导致成功或失败的特定行为模式,并开发了基于 VLM 的解释管道生成这些模式的描述,验证了其与特征激活的一致性。

  33. arXiv · 机器人与计算机视觉48

    Geometry-Aware Reinforcement Learning for Close-Fitting Wearable Insertion 提出强化学习框架解决穿戴辅助难题

    Geometry-Aware Reinforcement Learning for Close-Fitting Wearable Insertion 将穿衣任务建模为几何感知插入问题,结合分阶段课程与手指级软门控机制。该方法在刚性及柔性手镯任务中达到 84.7%±1.2% 成功率,真实机器人实验于假人手模型上完成 15/20 次成功。研究通过组件消融与初始手姿变化验证了框架有效性。

  34. arXiv · 机器人与计算机视觉82

    TravSUITE:基于自监督、不确定性感知的逆强化学习与地形估计的可通行性系统

    论文提出了适用于高速越野导航的 TravSUITE 系统,该系统包含利用视觉基础模型构建几何语义局部地图的高效体素映射器,以及联合预测鸟瞰图下几何、语义、速度和成本的统一神经网络。

    推荐理由:该工作提出无标注的自监督训练策略,结合地图补全与逆强化学习实现越野环境下的可通行性预测与风险自适应。

  35. arXiv · 机器人与计算机视觉57

    TTT in VLA Models: Exploring Training with Human Demonstrations

    该论文记录了在 InternVLA-A1 和 Pi0.5 上集成测试时训练(TTT)的实验配置与观察结果,指出在当前规模下该方法未能实现基于演示的持续目标选择。研究考察了记忆转移、截断反向传播及对比正则化等设置,发现较短序列或全轨迹梯度连通性并未显著提升对演示的响应能力;当演示简化为单帧提示时,真实机器人执行仍表现出对固定位置杯子的偏好。材料提供了实现细节与训练配置以支持进一步检查与复现。