Google DeepMind 发布新一代 VLA 模型 Gemini Robotics 2.5
Google DeepMind 正式发布新一代视觉语言动作模型 Gemini Robotics 2.5,该模型在灵巧性、可靠性和安全性方面实现显著提升。相比基线模型,其在多步骤任务中的成功率提升 30% 至 100%,执行速度提高 20% 至 30%。
Google DeepMind 正式发布新一代视觉语言动作模型 Gemini Robotics 2.5,该模型在灵巧性、可靠性和安全性方面实现显著提升。相比基线模型,其在多步骤任务中的成功率提升 30% 至 100%,执行速度提高 20% 至 30%。
Google DeepMind 发布了 Gemini Robotics 2.5 视觉语言动作模型,该模型与 Apptronik Apollo 2 机器人及奔驰产线合作进行了试点测试。
同一新闻,精选展示《DeepMind 发布 Gemini Robotics 2.5 视觉语言动作模型,奔驰工厂测试成功率达 96%》
Google DeepMind 正式发布 Gemini Robotics 2.5,这是其目前最强大的视觉语言动作(VLA)模型,旨在提升机器人学习速度与广度。该模型在超过 200 项任务测试中,相比基线成功率高出 30% 至 100%,完成任务速度快 20% 至 30%。
推荐理由:原文介绍了 Gemini Robotics 2.5 在任务广度、可靠性与安全方面的提升,并披露了与奔驰产线合作的实测数据及 ASIMOV-Jailbreak 基准。
Google DeepMind 发布 SatWeave 和 PARDIG 两个基础数据集,前者整合五颗静止卫星图像提供全球每小时更新的云雨视图,后者基于 AI 生成高精度降水图。这两个数据集是 WeatherNext 3 模型的关键支撑,现已在 Google Cloud Storage 公开开放历史档案与实时流数据,供研究人员用于气象、洪水及干旱预测等下游应用。
论文介绍 InfraRSI,这是一个将开放指令转化为验证过的训练优化的代理框架。它通过五阶段工作流初始化锁定可编辑范围、校准集群噪声并协同优化启动参数与代码补丁。
论文提出 GeoWind2Plan 框架,解决城市低空飞行中建筑重塑风场导致的路径规划能耗依赖问题。该框架将建筑几何转化为参考风场帧,利用局部几何条件化的神经算子快速预测任务相关的三维风片并拼接成局部风场,随后基于物理驱动的无人机能量模型优化可行路径与速度剖面。
推荐理由:该框架在仅用背景风与建筑几何的条件下,实现约 3 秒的走廊局部三维风场预测,相比 CFD 快数千倍,且规划出的轨迹在 CFD 评估下显著降低能耗。
论文提出 Co-RL 框架,利用多个参数解耦的智能体相互提供奖励信号进行协同优化,以解决自奖励训练导致的偏差与同质化问题。通过引入异构模型家族、不同规模及重述样本来提升群体多样性,有效降低相关错误并抑制训练崩溃。
该论文提出 AV-Phys Bench 基准,用于评估联合音视频生成模型的物理常识理解能力。研究涵盖稳态、事件过渡和环境过渡三类场景,并引入对抗性提示测试模型鲁棒性。
论文提出了首个针对毫米波雷达的新视角合成(NVS)可微分点溅射渲染器 3DPS。该方法直接源于雷达方程的标准立体角形式,为每个定向 3D 点构建基于 ITU-R P.2040 介电常数和板层反射的材料模型,并通过预计算的点扩散函数将复数相量溅射到距离单元中。
推荐理由:提出首个基于点溅射的毫米波雷达新视角合成渲染器,在保持复数域物理保真度的同时大幅缩短训练时间。
LARC 提出一种针对分段三次埃尔米特关节轨迹的认证算法,仅对 clearance 测试不明确的区间进行二分以节省计算。该方法在 AgileX PIPER 上处理 160 条轨迹时,匹配固定精细基线决策且仅需 2.48% 的计算量,中位加速比达 10.28 倍。
论文介绍 FlowPilot,这是首个从深度信息构建的实时机载无人机导航世界动作模型。该模型通过流匹配联合去噪未来深度观测与可执行轨迹,利用双流混合 Transformer 耦合视频与动作专家以相互促进预测与生成。
RoverDevKit 是专为月球微型漫游车概念设计打造的开源工具包,其评估器耦合了轮土模型与质量、太阳能及热生存等底层模型。该工具能在单核笔记本上于 1 分钟内完成 3000 次任务评估,用于绘制距离、质量与坡度能力的权衡曲线。在 mare 和 polar 等任务中,能量存储或坡面牵引力成为主要限制因素,且轮土模型复现了独立数据集的实测数据。
SENTINEL 是一个无需训练或标注的可靠性评估框架,通过结合几何扫描统计与 RGB-D 相机深度一致性,为仅含距离信息的 LiDAR 生成每帧可靠性评分。当评分低于阈值时,系统自动丢弃受玻璃、镜面等干扰的脏数据并回退至轮速计,防止 SLAM 静默损坏。
论文提出 CADENCE 方法,针对工业仓储和共享工作空间中的机器人团队运动规划评估问题,指出标准指标如总成本(SoC)无法完全反映真实执行性能。研究在固定 7x7 工位上部署了七台差速驱动机器人,生成了涵盖空载、随机及瓶颈场景的 480 次硬件实验数据。
论文提出了 MineXplore,这是一个基于 MuJoCo 的开源导航基准,数据源自智利铜矿实地测绘。环境重构了 104,423 平方米的隧道网络,包含八边形截面、LiDAR 来源的锯齿状几何、三种地形摩擦区及周期性照明。
推荐理由:该基准提供基于真实矿场几何的地下导航环境,支持 GPU 加速学习流程,并验证了策略在 GNSS 拒止条件下的稳定性。
DeformMaster 是一个从真实视频推导出的交互式物理 - 神经世界模型,能在统一动力学与外观框架下恢复几何、物理动态及材料行为。实验在真实世界可变物体序列上验证了其未来动力学推演与高保真渲染能力,优于最先进基线并支持新动作推演与材质参数变化。代码与视频演示已在项目页面公开,该版本为 NeurIPS 2026 Camera ready。
Swim2Real 利用视觉语言模型(VLM)对比真实与模拟视频,通过回溯线搜索优化 16 个仿真参数以匹配软体水下机器人的变形与推进。独立预注册的五十种子实验显示,该方法在 40 次评估中将平均最佳误差较随机方向降低 63.4 mm、较置换方向降低 53.2 mm(p<10^-5)。
RSLCPP 通过新方法利用 ROS 2 节点创建确定性仿真,无需修改源代码即可在各类 CPU 和架构上获得一致结果。该方法解决了异步多进程设计导致的不可复现问题,适用于科学基准测试与持续集成场景。项目已开源,支持合成基准及真实机器人系统验证。
论文提出一种针对自主车辆(特别是航空器)轨迹跟踪误差的安全认证方法,解决现有基于不变椭球或区间的方法过于保守的问题。该方法利用李代数坐标下的线性化误差动力学与管状集合传播技术,在平面飞行器仿真及四旋翼实飞中验证了所提管状边界能紧密包含所有可达跟踪误差,且在强扰动下优于传统椭球法。
该方法利用控制变量法仅降低学习过程方差而非直接塑造学习目标,适用于策略评估及 Actor-Critic 框架下的策略改进与离线 RL 场景。MuJoCo 基准实验表明其性能优于标准仿真混合方法,论文已作为 NeurIPS 2026 海报被接收并开源代码。
论文指出现有 3DGS 优化依赖重训或专用加速器,提出一种软件定义的 GPU 调度方法,利用持久化内核优先处理高负载图块并分片异常图块。该方法无需重训或硬件改动,在大规模城市场景中平均加速 Alpha 混合达 2.93 倍,最不平衡帧可达 5.6 倍,且保留原有 Alpha 混合公式。
该论文系统梳理了可微物理仿真中“计算对象”与“反向传播实现”的分类差异,指出精确梯度优势取决于拟合目标来源而非单纯求解器预算。研究量化了接触非光滑性导致梯度丢失的四种机制,并验证了在特定条件下零阶方法优于模拟器梯度的现象。材料提供了报告清单、诊断工具及未来研究议程,旨在澄清文献中的混淆概念。
该论文测试了单步随机码本匹配(nearest-of-m)在冻结 DINOv2/v3 令牌上的表现,发现 m=16 即可覆盖枚举的未来且延迟约为扩散方法的 1/30。研究证实该方法在模式不确定性下优于多步流匹配和能量分数生成器,但指出其在连续高维输出上存在欠分散性限制,且准确的风险分析并未提升规划成功率。
推荐理由:该文在冻结 DINOv2/v3 令牌上验证了单步随机码本匹配方法,发现 m=16 即可覆盖枚举未来且保持低延迟,同时揭示了该方法在连续高维输出上的欠分散性限制。
研究在 NVIDIA Isaac Sim for Healthcare 平台上验证了基于物理的血管可压缩性仿真,利用 Vertex Block Descent 求解器将单帧计算时间从 29,700 毫秒大幅降低至 30.4 毫秒。
该研究分析了双无人机通过单绳悬挂并允许载荷滑动的协同运输方案。理论模型表明,相比固定载荷,滑动配置能均衡绳索张力、扩大可达区域并增强抗扰动能力。动态仿真证实,在真实阵风条件下,该方法显著降低了无人机间的平均张力不平衡度。
arXiv 论文提出 Library of Hands (LoH),一种无需重新训练即可适配不同控制器或相机视角的世界模型方法。该方法冻结 LeWM 等世界模型,仅通过读取摄像头图像差异来识别并修正指令到实际动作的映射(即“手”),从而解决同一指令在不同硬件下效果不一致的问题。
论文介绍 WanderBench 基准,包含 745 个真实与 AI 生成的单镜头视频及键盘动作路线,评估六维度的 24 个子指标。测试发现现有模型在长片段中虽保持静态场景和画质,但丢失相机控制与源动态,且无法保持一致的 revisit 地点。作者提出 WanderLand 免训练框架,通过条件化同一时刻源内容与早期静态内容提升表现,部分维度最高改善 8.3 分。
推荐理由:提出 WanderBench 基准与 WanderLand 框架,揭示视频条件生成在长序列中丢失动态一致性的问题并提供免训练改进方案。
针对现有视频生成模型在物理动态上表现脆弱的难题,本文提出 PhysOPSD 方法,引入可执行代码作为特权物理上下文,将真实场景转化为可验证的仿真程序。该方法通过双级物理特权和受控物理变化,在仅用 3K 样本的情况下显著优于监督微调与强化学习基线,同时保持视频生成质量。
推荐理由:提出用可执行代码作为特权上下文,以少量样本提升视频生成的物理合理性。
该研究提出一种结合三维预测与轨迹跟踪接口的博弈论模型预测控制规划器,用于解决无人机的协同目标到达及对抗追逐逃逸任务。PyBullet 仿真验证了可行性,实验室飞行实验进一步证实了物理平台上的轨迹跟踪接口有效性。论文已提交至 ECC27 会议,代码与权重暂未公开,仅作为控制器开发的评估基础。
论文研究类人机器人在长视界语言指令下的多目的地导航任务。作者提出 LHNav 系统,将导航组织为脑(任务推理)、小脑(局部运动生成)和脑干(全身执行)三个互补角色,利用异步机制协调目标、VLA 动作预测与全身控制。
作者 Dibyendu Ghosh 提出 Motion Belief Action(MBA),这是一个基于场景地图的决策层,用于处理机器人无法直接观测的物理状态与风险。
推荐理由:提出 Motion Belief Action 决策层,在真实厨房与多地点场景中提升物体存在判断与推拉风险决策能力。
Holiday Robotics 发布了 HolidayFactory 1.0 框架,旨在解决传统机器人评估因场景重置而脱离工业连续作业的问题。
论文发现基于采样的规划器在低比特世界模型中因确定性舍入误差而崩溃,提出通过迭代内重绘的共享抖动方案可在不训练的情况下消除大部分损害。实验显示该策略将 W8A4 整数模型的规划速度提升 1.9-3.3 倍,且无需额外校准或训练即可在多个基准任务上恢复性能。
推荐理由:原文揭示了低比特量化导致规划器崩溃的机制,并验证了无需训练的抖动策略可恢复性能。
该研究开发了一套集成商用仪器的物理测试床,实现了连续 24 小时无人值守的闭环自主实验。系统在四小时内完成六次独立任务,利用智能体优化器将匹配目标吸光度光谱所需的迭代次数较传统贝叶斯优化减少最多 52%,并成功解决后者在 48 次内未收敛的目标。该平台可作为参考基准,用于评估包括大语言模型指导在内的新兴 AI 策略,以应对真实世界中昂贵且耗时的实验部署挑战。
论文提出了 ColNav 方法,通过几何体积编码目标与自车位置速度的不确定性(支持有界集和 Gaussian 描述),利用包围体层次组织时空管以覆盖整个时间视界而非离散采样点。该方法在预测模型失配下达到 100% 的成功率,优于最佳基线的 65%,并在密集交通中维持三倍的清除距离,同时在物理机器人上验证了实时运行能力。
论文提出 FastGRT,通过解耦光路遍历与混合及重用前向计算,将基于高斯的光线追踪训练速度提升 1.9 至 4.97 倍。该方法在 Vulkan 中实现并开源,是首个支持训练和渲染的 Vulkan 版 GRT 实现,同时保留了原有的渲染公式。
K-PWM 是一种无需单独训练推理网络的世界模型,通过扩展卡尔曼滤波在部分观测下实现概率隐状态推断与 MPPI 控制。该方法在 Gymnasium MuJoCo 系统上相比基线降低了长视界预测误差并大幅减少训练时间,在高维 Menagerie 机器人上也实现了低计算量的实时追踪精度。论文已被 NeurIPS 2026 接收,代码与权重开放许可待注册。
arXiv 论文提出中性世界模型(NWM),通过混合常规驾驶与真实事故视频训练,利用边界框引导目标纠正现有模型因数据仅包含安全结局而产生的幸存者偏差。实验表明 NWM 能更准确预测迫近碰撞且保持低误报率,在 NAVSIM 挑战场景中辅助决策优于基线,并在零样本实验中实现向未见传感器观测的迁移。
针对高保真激光雷达仿真在结构控制与时序一致性上的瓶颈,本文提出了 CrossLiDAR 统一框架。该模型基于修正流目标与多模态扩散 Transformer 骨干,通过跨传感器交互模块和 ControlNet 风格分支支持结构条件输入(如 BEV 先验或 3D 边界框),并采用自回归方式扩展短序列以增强长时序连贯性。
SoftPAT3D 框架通过物理仿真为生成的可变形物体构建静水密碰撞网格与弹性参数,解决了现有管线仅支持刚体且无法处理自相交几何的问题。在全部六十五个提示词测试中,该系统实现了零非预期穿透,并支持场景编辑与机器人操作任务。该预印本论文包含 33 页内容、13 张图示及完整代码权重开放许可。