WARPED:基于人类演示的机器人策略学习中的腕部对齐渲染框架
论文提出 WARPED 框架,旨在利用仅单目 RGB 数据训练视觉运动策略,解决现有方法依赖多视角或深度传感器的限制。系统通过视觉基础模型初始化场景,追踪手与物体交互并重新定位轨迹至机械臂末端执行器,最后利用高斯泼溅技术合成逼真的腕部视角观测以直接训练策略。实验显示,该框架在五项刚性桌面任务和一项连杆物体任务中,成功率与遥操作相当,且数据收集时间减少 4-9 倍。
论文提出 WARPED 框架,旨在利用仅单目 RGB 数据训练视觉运动策略,解决现有方法依赖多视角或深度传感器的限制。系统通过视觉基础模型初始化场景,追踪手与物体交互并重新定位轨迹至机械臂末端执行器,最后利用高斯泼溅技术合成逼真的腕部视角观测以直接训练策略。实验显示,该框架在五项刚性桌面任务和一项连杆物体任务中,成功率与遥操作相当,且数据收集时间减少 4-9 倍。
该论文提出 HEHA(分层异构代理探索)框架,解决无人机、轮式及足式等异构机器人在复杂地形下的未知环境探索问题。核心贡献是全局规划算法 RCH,能在遍历性约束下快速求解大规模受限多重哈密顿路径问题,将最大路径长度(makespan)降低 47%,整体探索时间缩短 30%;局部规划器亦考虑异质性以避免重复探索。材料为 arXiv 预印本,未提及同行评审状态或真实部署结果。
针对现有基准未适配农业机器人的问题,作者构建了包含1560个场景的A2A基准,发现长指令导致性能下降。为此设计了STL模块将复杂指令分解为子任务,集成到NavGPT骨干网络提出AgriVLN方法,使成功率从0.33提升至0.47,同时平均导航误差略有增加。
论文介绍 AgiBot World Colosseo 平台,包含超百万条轨迹覆盖 217 个任务及五种部署场景,通过标准化采集管线保证数据质量与多样性。
推荐理由:Agibot World 发布百万级轨迹数据集与 GO-1 通用策略,预训练模型在域内及分布外场景均提升 30% 性能。
针对世界模型在物理条件超出训练分布时精度下降的问题,本文研究了输入选择与计算机制两个因果建模组件。在合成基准中,冻结的依赖掩码将 OOD 均方根误差从 1.769 降至 0.697;在 CausalWorld 机器人连杆质量外推任务中,引入显式仿射系数的指端局部世界模型,使已知 PD 控制器下的关节 R2 中位数从 0.609 提升至 0.727。
推荐理由:该工作通过显式参数化动力学偏置项,使因果世界模型在物理参数发生偏移时仍能保持预测精度。
VoxProg 是一种利用语言模型将任务解释转化为可执行程序的框架,专门用于处理 3D 场景中的物体放置问题。该方法通过局部体素视图构建几何参考,使程序能直接从场景网格中隔离相关区域并计算目标 SE(3) 位姿。
论文定义多模态具身智能体(MMEA)为耦合多模态任务推理与物理动作的系统,提出PAPAV框架以感知、预测、规划、行动和验证五种功能重新审视该领域。研究指出当前评估过度依赖任务成功,而忽视对预测和验证能力的考察,并分析了从电脑使用转向机器人使用时面临的物理约束挑战。
针对部分可观测环境下的序列决策难题,本文提出 ASTEROID 框架,利用学生 - 教师监督学习架构实现高效的测试时探索。该方法让学生先收集同策略上下文,再由特权专家提供条件化动作标签,使学生学会在不确定时搜索、揭示隐藏状态后利用。
推荐理由:提出 ASTEROID 框架,通过不对称同策略蒸馏让学生在部分可观测环境下学会测试时探索,仿真转现实成功率提升 40%。
该研究在模拟 Unitree G1 上训练策略,发现地球训练的模型在月球平坦刚性地面生存率为 0.64 至 0.75,而月球训练策略无法站立于地球。粗糙地形训练将地球和月球的综合瓦片生存率分别提升至 0.98 和 0.99,且重力随机化策略在关键测试单元的平均生存率至少为 0.84(地球)和 0.96(月球)。所有结果均为基于接触模型与土壤刚度的仿真预测。
该报告提出统一闭环操作框架,评估 GPT-6 Astra、Gemini-4 Argon 等六款前沿大模型在 LIBERO-10 基准上的机器人操作能力。实验涵盖三种推理努力水平共 18 种配置和 1800 个评测集次,结果显示 GPT-6 Astra 成功率最高为 44%,Gemini-4 Argon 为 43%。
论文提出了 SP-HLM 框架,旨在解决人形机器人全身操控中高层策略与底层控制的接口问题。该框架采用稀疏姿态驱动机制,结合任务关键的五个体位与学习得到的潜在运动先验来表征空间意图和全身协调。
推荐理由:该工作提出稀疏姿态驱动的人形机器人全身控制框架,通过解耦任务意图与运动协调,在仿真及真机实验中提升了人形机器人的运动跟踪与操作成功率。
TARSphere 是一个面向物理与社会约束的具身智能全栈框架,包含运行策略的物理仿真器、事件驱动状态机及冻结多模态大语言模型(MLLM)执行脑。该框架构建了涵盖 30 个室内场景共 360 集任务的 TARSphere-Bench 基准,评估了导航报告与取放交付任务在感知鲁棒性、人类协作等五方面的表现。实验显示通用 MLLM 可超越具身模型但难以处理任务更新与人机交互,且执行安全需独立评估。
针对扩散式视频生成模型在长序列中自运动(ego-motion)漂移导致几何不一致的问题,该研究提出 CausalAlign 框架。该方法利用线性探针诊断自运动表征的保留模式,并通过将特定层的表征与 3D 基础模型在 delta-token 空间对齐来增强自运动状态。
推荐理由:该工作通过因果对齐框架修正扩散视频生成模型的自运动漂移,显著提升了几何一致性与具身任务成功率。
该论文提出 RangeNav,这是一个仅含 183k 参数的紧凑 LiDAR 范围图像编码器,完全基于合成数据预训练。模型采用各向异性卷积和圆形填充以处理范围图像的极端宽高比与经线问题。
Spacetime Splines 模型通过联合估计共享贝塞尔曲线,独立适配空间几何与时间进程复杂度。仿真实验验证了其在部分演示下的路径区间恢复精度及鲁棒性提升。该方法在物理人体模型辅助的翻身任务中实现了在线重定时与同步能力。
针对物理 AI 中零样本泛化难题,研究指出依赖少数团队采集的数据虽具体量但缺乏多样性。论文提出将零样本泛化定义为对部署分布的覆盖度,并构建结合多模态对齐、生成式增强和噪声标签学习的共享潜在空间。同时提议建立基于标准机器人 Origami 的开发者社区以获取多样化数据,最后给出了连接真实机器人零样本成功率与数据多样性的可测试假设及评估协议。
论文 OMAR 针对家庭整理等无明确指令的开放任务,提出一种结合视觉语言模型与大语言模型的推理管线。系统首先利用分割、深度及多视图关联对未知物体进行标签与属性(内容、包装类型) grounding,随后由 LLM 推断货架潜在组织并生成场景一致的放置排名,最后经几何运动学可行性检查执行。
论文提出一种名为 Post-hoc Epistemic Uncertainty 的方法,通过为单策略模型附加无需梯度更新的核方差头来估计认识论不确定性。该方法在 SmolVLA 上验证了其在任务相关性、主动学习演示获取及向更强监督者转介方面的有效性,且推理速度比双策略集成快约 50 倍。
推荐理由:提出无需训练即可附加的单策略后验不确定性头,在 LIBERO-10 上媲美双策略集成效果并大幅降低计算成本。
针对多模态大语言模型缺乏可靠物理交互规划能力的问题,该研究提出 CausGround 框架,将交互经验蒸馏为可复用的以动作为中心的因果知识。该方法识别动作的前置条件与效果,并将其组织在因子化的世界状态表示中,支持基于当前观测的逆向推理与正向推理以进行多步规划。
AirPlayground 是一个用于训练和评估空中导航策略的统一基准。研究团队构建了 94 个具有对齐碰撞几何的真实感 3D Gaussian Splatting 环境,涵盖室内、城市户外及植被场景。
论文 FlowVLA 针对稳态倒水过程中视觉与姿态变化不明显导致决策困难的问题,提出将电机动作生成与物理完成度估计分离的框架。共享动作专家负责接近、倾倒和返回,目标无关的估计器融合视觉、关节、腕部力矩及循环力信念历史以估算转移质量,控制器据此触发返回。
该论文探讨如何将数字代理中的递归自我改进(RSI)机制迁移至物理世界,重点分析在部分观测、昂贵试错及不可逆后果下实现系统自优化的条件。作者梳理了现有研究在操作任务中支持的行为改进与流程优化成果,指出当前物理领域尚未完全隔离出由递归带来的增益。文章据此提出评估原则并指明未来研究方向,旨在建立机器人在反复试验中安全提升自身改进能力的理论框架。
推荐理由:文章提出将递归自我改进机制引入物理世界的评估原则与研究路径,为机器人能力与生成过程的协同进化提供理论框架。
该研究提出“情感粘度”模型,将社交智能体的回避行为视为界定人机边界的关系信号而非交互失败。论文探讨了三角嫉妒、不适抑制等设计案例,旨在构建可追溯、有限且可修复的中介机制以处理社会张力。相关成果将在 HAI 2026 举办的信任与归责国际研讨会上展示。
论文介绍 Reading the Room(RR) 方法,用于将大尺度模糊、稀疏且含语义信息的视觉同步定位与建图(VSLAM)地图配准到部分建成的建筑平面图。该方法定义单一鲁棒的可微分类平衡语义 - 几何能量函数,提供两种全局初始化方案以处理跨模态匹配和用户提供的粗略对应关系,随后进行局部优化。
论文提出一种针对人形机器人步态控制的预见性感知方法,通过轻量级足点预测模型仅采样关键区域的地形高程图,替代全量输入或昂贵的注意力机制。该方法在训练收敛速度、稀疏足点场景及未知地形泛化上均优于基线,并实现了从仿真到 Unitree G1 真机的零样本迁移,支持室内外多种障碍与台阶任务。
该研究提出一种多阶段强化学习方法,为月球重力环境下的四足机器人生成单点端到端控制策略以实现精准跳跃。仿真结果显示落地误差小于机身尺寸,且扭矩与功率需求符合硬件极限;实测验证了该策略在月球重力卸载条件下的垂直跳跃执行能力。
本文提出了 ContactFlowFilter 方法,用于确定机器人末端执行器的活动接触数量、位置及力矢量。该方法针对仅依赖关节扭矩和底座力/力矩传感器(本体感知)的逆问题挑战,将生成式流匹配模型引入粒子滤波框架以处理多模态信念分布并检测离散接触事件。
论文提出 SERA(Self-Evolving Robotic Agent)框架,将高层 VLM 组织为可编辑 harness 以维护任务上下文并提升规划能力,底层由固定 VLA 执行器提供控制。
本文提出了首个能够设计支持多种步态的稳定乐高步行器的计算解决方案。该方法首先通过专门设计的齿轮连杆机构控制每条腿的足部运动轨迹,利用一对 3D 打印的非圆形齿轮与乐高机械结构配合;其次由独立电机驱动每条腿,并通过简单且适应性强的控制算法同步多条腿的运动时机。
推荐理由:提出首个计算设计框架,通过非圆形齿轮与独立电机协同实现乐高步行机器人的多步态稳定行走。
针对肢体运动机器人在低净空环境下难以兼顾小扫掠高度与平面转向的难题,该研究提出了结合独立控制角速度的 S 型背骨曲线设计。真实机器人实验验证了其在 10 厘米净空测试轨道上的穿越能力,并成功实现了基准滚动弧步态无法完成的约 90°和 180°航向改变。
针对传统仅靠波动运动限制蛇形机器人能力的局限,本文提出结合扭转变形的新型侧行步态。通过引入线性扭曲函数将扭转载荷分散至整个机身,相比现有滚动矢量方法,在同等输出功率下将单个扭转关节的峰值功率降低42%。真实机器人实验表明,新步态不仅能进入现有方法无法通行的复杂地形,且移动速度最高提升49%。该研究为蛇形机器人在非结构化环境中的高效运动规划提供了新的控制策略与理论依据。
A2I-Calib++ 提出一种无需人工标定靶标或复杂参数调优的运动学驱动抗噪主动标定框架,通过噪声各向异性轨迹、感知约束对抗运动先验控制器及接触受限虚拟 IMU 三大模块解决足式机器人常规运动激励不足与振动干扰问题。
本文提出 LiveAct 框架,旨在解决现有交互式视频世界模型仅支持单一智能体和特定任务动作接口的局限。该研究引入了异构动作接口(HAI),包含“代理感知空间调制”和“架构引导的动作适应”两个组件,分别实现了对多智能体视觉未来的独立控制以及跨不同任务对同一控制变量语义的解释能力。
这篇论文提出了一个将流匹配(flow matching)路径规划与模型预测路径跟踪控制(MPPC)相结合的框架,旨在解决基于扩散的路径规划器在部署时缺乏约束满足和避障机制的问题。
该方法提出了一种独立于底层控制器的负载泛化算法,仅需物体参数即可在刚性或弹性关节机器人上执行相同轨迹。实验验证了其在 Franka Emika Panda 标准机器人及加装弹性腕部版本上的有效性,涵盖不同控制器与任务场景下的轨迹跟踪性能。
QSelect 方法通过组合 AWQ、GPTQ 和 AutoRound 检查点,在 DeepSeek-R1-Distill-Qwen-7B 等模型上实现更低困惑度。默认模式无需标签即可降低 KL 散度,目标适配模式使 Llama 模型 3-bit 准确率提升 4.3 至 4.5 个点。所有评估均在通用领域基准和地面 GPU 上进行,空间任务与飞行硬件留待后续工作。
论文提出 Relational Geometry Forcing (RGF) 以解决现有世界动作模型(WAMs)因点对点几何特征对齐而损害动作学习的问题。该方法通过冻结的 3D 基础模型,利用帧内、跨视图及动作时序三种互补的关系目标来转移几何先验,无需额外推理模块或显式几何分支。实验表明 RGF 在仿真和真实世界中均能提升多种操作场景下的性能。
论文提出了 TIDE 系统,这是一种无需学习评论家、奖励模型或动作评分器的在线后训练框架。该方法通过源条件监督学习,利用部署过程中收集的人机交互数据和策略生成的轨迹来更新策略。
推荐理由:该工作提出无需奖励模型或价值函数的在线后训练框架,利用部署中的人机交互数据快速更新策略。
论文提出了 DepState-JEPA 架构,这是一种基于 V-JEPA 2.1 的双流 RGB-Depth 联合嵌入预测模型。该框架通过共享潜在状态 DepState 连接空间理解与动作条件预测,利用深度作为互补观测并将双模态锚定在度量 3D 空间中。研究通过射线条件读出、物体轨迹监督及校准的前向运动学来塑造状态学习,实验显示其在 RGB 编码器迁移、特征补全、视觉预报及操作成功率上表现更强。
研究评估了七款本地部署的视觉语言模型(VLM)在两种以人为中心的热成像数据集上的表现,发现其虽能识别宽泛活动类别,但在咳嗽、打喷嚏等细粒度动作及物体相关幻觉上存在显著缺陷。简单的热成像预处理与额外推理仅带来有限的模型依赖增益,且模型在明确指令下的拒绝回答行为差异较大,限制了其在实际机器人应用中的可靠性。