DroneDiffusion:感知引导的扩散路径规划器用于无人机导航
DroneDiffusion 是一款专为本地三维无人机轨迹生成设计的感知感知扩散规划器,能显式规避由镜头眩光、过曝和反光表面导致的失效区域。该模型在仿真中训练并实现零样本真实部署,其可靠性条件将生成的轨迹平均感知可靠性从几何基线的 0.63 提升至 0.71。此外,无需重新训练的 CHOMP 引导策略将学习先验的碰撞率从 14.7% 降低至 7.8%,有效平衡了传感器不可靠区域的规避与导航性能。
DroneDiffusion 是一款专为本地三维无人机轨迹生成设计的感知感知扩散规划器,能显式规避由镜头眩光、过曝和反光表面导致的失效区域。该模型在仿真中训练并实现零样本真实部署,其可靠性条件将生成的轨迹平均感知可靠性从几何基线的 0.63 提升至 0.71。此外,无需重新训练的 CHOMP 引导策略将学习先验的碰撞率从 14.7% 降低至 7.8%,有效平衡了传感器不可靠区域的规避与导航性能。
Yuqiao Feng 和 Xiaoyu Ao 在 arXiv 上发布研究论文,指出当前广泛使用的控制指标仅检查相机是否跟随指令,而忽略了场景响应不足的问题。作者发现现有模型生成的场景变化最多仅为真实视频的三分之一,且无法区分执行与忽略的速度指令。
推荐理由:作者指出主流驱动世界模型仅移动相机而未同步场景,提出无需训练的 ReTime-Compose 方法以几何方式注入计划。
论文提出 PolyMorphWBC 分层控制器,仅接收末端执行器轨迹指令即可生成四足机器人与六自由度机械臂的协同运动,支持跨四种不同机械臂构型及扩展工作域。该方法在 IsaacLab 仿真中达到 93.95% 任务完成率,物理 Go2-ARX5 系统上实现了基于语言条件的无视觉长距抓取演示。
针对大型工业管道等重型物体的 6-DOF 姿态估计,作者提出了 MiniPose 流程,通过采集缩小比例模型的真实 RGB-D 数据并转化为全尺寸几何表示,以解决真实数据采集负担大及合成数据难以复现传感器误差的问题。实验表明,混合少量微型图像与合成数据可提升两种不同网络架构(PVN3D、RDPN6D)的平均 ADD-S AUC,且相比全尺寸真实数据训练,该方法在采集困难场景下可作为有效替代方案。
Genie Sim Benchmark 通过配对真实 - 仿真任务及系统辨识研究进行评测。在涵盖 16 个任务名称的 22 对机器人任务中,基于真实机器人数据微调的策略实现了描述性分数相关性 0.9686、MAE 0.0405、RMSE 0.0520,仿真与真实的差异范围为 -0.110 至 +0.080。
论文提出了 ILA 模块,旨在解决在人形机器人受限环境或人机物理交互中直接跟踪参考运动存在安全隐患的问题。该方法无需专用交互传感器,通过适配机器人的观测历史来预测由物理交互引起的参考修正,使机器人能在响应物理引导的同时保留预训练运动跟踪器的能力。
论文介绍了 SunLightBots,这是一类亚克级、太阳能驱动的无缆软机器人,通过集成液晶弹性体与弹跳失稳机制实现能量积累与快速释放。系统在接近 1 Sun(100 mW/cm2)光照下运行,峰值比功率达 89 W/kg,并展示了持续的游泳、爬行和重复脉冲跳跃能力。
Ropedia Xperience 2 是一个包含 1,589 个米级 3D 扫描和 4,230 段第一人称视角录制(涵盖 74 项任务,共 131 小时)的数据集。
推荐理由:该工作提出将环境采集与行为演示结合作为物理 AI 数据金标准,并展示了从真人动作到机器人轨迹的转换方法。
PhysLoop 是一个统一框架,旨在通过大语言模型(LLM)的物理知识来改善视频生成模型的物理动态和因果一致性。该框架在视频生成、选择和修正过程中指导并约束 LLM,将其物理知识蒸馏到物理一致的视频中,支持可控训练数据构建和推理时的视频修复。
该研究针对大模型智能体任务交替进行推理与环境交互的特点,提出了协调优化方案以减少批处理总耗时(makespan)。方法包括利用工作负载资源模型指导 GPU 显存分配、轨迹感知调度以复用缓存、以及在环境容量受限时将样本准入与执行解耦并引入链推进动作调度。
在CoRL 2026期间,RoboSense速腾聚创宣布与BitRobot达成战略合作,双方整合三维感知硬件与分布式采集资源以推动物理AI数据基础设施建设。作为合作成果,BitRobot发布了涵盖餐厅厨房、汽车维修等真实作业场景的RoboCap LiDAR-100数据集,数据采集总规模为100小时。
该论文提出了 CHORD 框架,旨在通过接触力矩空间指导强化学习以解决长视界灵巧操作难题。研究构建了包含 4,739 个任务的大规模仿真基准,并在其中 1,831 个任务上实现了 82.12% 的平均成功率。
论文提出了 SPiD 框架,通过耦合精确的可变形物体质量弹簧模型与增强的自监督训练策略,实现了对绳类等可变形线性物体的快速平滑稳定控制。该方法在仿真和真实世界中均验证了其在不同初始状态、绳长及外部干扰下的泛化能力,并展示了从遥操作到自主执行的鲁棒性。
针对水下图像恢复依赖高质量配对数据的难题,该框架利用自然照片构建 UWNature 数据集并合成输入以保留清晰参考源。实验在 6 种恢复架构和 3 个测试集上验证了其在客观指标、人类感知评估及合成退化与学习行为对应关系上的有效性。研究证实合成数据的空间合理性并非性能提升的必要条件,为构建可靠配对监督提供了可扩展方案。
EarthRecord 基准基于 56 个站点四十年的 Landsat、MODIS、VIIRS 和 Sentinel-2 原始数据,提出 238 个涵盖十类任务的土地变化问题。评估显示十二个多模态智能体虽能完成端到端分析,但在需从影像映射变化时表现不佳;当单一卫星数据被篡改且地面实况不变时,半数正确答案随之改变。该基准旨在衡量并推动智能体从像素理解到真实地表变化的能力演进。
BoviShift 是一个由 2021 至 2026 年连续六个年度群体构成的牛只视觉数据集,包含 2,657 头牛、10,610 张静态图像及 2,566 段视频。研究基于固定 ResNet-50 基线评估了体重、年龄等五项属性在跨年份部署中的表现差异。该资源是目前已知跨度最长的结合连续年度群体与物理视觉属性的牛只视觉数据,旨在解决相关图像帧导致的可靠评估难题。
该论文描述了团队针对 2026 BEHAVIOR 挑战赛提出的解决方案,核心为基于$ ext{\pi}_{0.5}$构建的单一视觉语言动作(VLA)模型,在 OmniGibson 仿真器上完成百项长周期家务任务。
针对小型全向水下机器人(AUV)在水下难以获取精确动力学模型的难题,本文提出一种非线性六自由度模型预测轮廓控制(MPCC)方法,通过高斯过程回归学习残差动力学并嵌入零阶鲁棒优化方案中,使控制器在 25 Hz 保持实时性。仿真消融实验表明残差选择至关重要,基于 MOLA AUV 的水下实验验证了该方法相比名义 MPCC 和工业界常用的 PID 控制器具有更优的轨迹跟踪性能。
本文研究了变形线性物体(DLOs)平面单抓握形状控制的预测效用与决策效用区别。作者提出 Geometry-Pointer-Flow (GPF) 几何策略,将抓取位置选择与运动生成分离。
本文提出 Koopman 模型基础强化学习(K-MBRL)算法,旨在解决具有未知动力学的非线性机器人控制系统问题。该方法通过最小化结合即时成本与一步预测状态未来成本的近似策略目标来学习控制策略。
论文提出了 DexSeed 框架,旨在低成本生成多样化的、可物理执行的机器人演示数据用于灵巧视觉语言动作(VLA)学习。该方法基于 InteractionMesh 重定向和手臂轨迹增强技术,在保持抓取关系的同时适应不同物体几何与放置位置,并通过强化学习手指控制策略实现仿真中的可执行 rollout。
论文 FastWild-GS 针对互联网照片曝光、光照及瞬态物体差异导致单套高斯颜色无法解释所有图像的问题,提出利用 128 维 Photo Appearance Token 和每通道变换参数描述每张图像。
推荐理由:提出 FastWild-GS,利用 Photo Appearance Token 将野外场景高斯泼溅训练时间从小时级缩短至分钟级。
该论文提出 CIALLO 动作编码器,旨在解决不同机器人控制接口差异导致知识无法迁移的问题。该方法将动作、视觉变化及基于观测的语言对齐到共享的短期行为意图空间,并通过本体条件解码器映射回特定机器人的动作。
针对现有挖掘机加装专用传感器成本高、维护难的问题,本文提出一种利用车载视觉观测与控制时序信息的闭环自主挖掘框架。该方法编码驾驶室视角图像的结构线索,建模历史摇杆指令的短期运动趋势,并为铲斗关节引入滚动状态缓冲区以在严重遮挡下保持时间连续性;同时将机械关节范围约束纳入学习目标以抑制不可行估计。
针对预训练潜在世界模型在部署时因物理动力学改变而失效的问题,本文提出一种无需修改预训练权重或识别具体参数变化的少样本残差适应方法。该方法通过自监督学习从潜在预测误差中获取修正项,同时应用于潜在预测器内部及其预测的潜在状态,且保持预训练世界模型冻结。
推荐理由:该文提出一种冻结预训练权重的少样本残差适应方法,在质心与摩擦变化场景下恢复机器人控制成功率。
论文针对视觉语言动作模型在 LIBERO 基准上表现优异但泛化来源不明的问题,提出通过检索邻近演示并复用动作片段即可在无策略训练下达到 91.7% 成功率。研究对比九种公开 VLA 发现微调主要优化了视觉语言骨干作为检索键的效果,且动作仍接近演示。
美国机器人公司 Path Robotics 宣布完成由 Georgian 领投的 3 亿美元 E 轮融资,投后估值达 24.5 亿美元(约合人民币 164 亿元)。
蚂蚁灵波开源触觉预训练基础模型 LingBot-Touch 及其轻量版 Tiny,旨在解决原始触觉信号导致动作模型性能下降的问题。该模型将磁、视、压阻三类传感器数据统一编码为触觉 Token,支持跨硬件与传感器布局的泛化。
推荐理由:蚂蚁灵波开源触觉预训练基础模型 LingBot-Touch,通过统一编码解决多传感器数据异构难题,显著提升机器人精细操作成功率。
量子位报道了成立四个月的初创公司 TensorWorld 物原科技在一个月内完成过亿美元融资的消息。文章分析了该公司提出的“物理基础模型”路线,即通过融合几何与合成动力学预训练来构建物理直觉,旨在解决高保真数据昂贵及仿真难以复现真实摩擦形变等行业痛点。
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。
DeepMind 团队提出 StarWM 模型,利用自监督动态训练的交叉注意力机制指导视觉内容重建,有效平衡环境动力学捕捉与无关内容抽象。在 DeepMind Control 基准测试中,默认版本在随机帧干扰下表现最强,奖励增强变体在序列视频任务上达到最高回报。代码已开源。
针对线缆等可变形细长物体分割难、标注贵的痛点,作者构建了包含 3.2 万张图像的 WireSeg-32K 合成数据集及配套的实世界测试集。该数据集通过耦合 Cosserat 杆动力学与 Isaac Sim 渲染的 DeformX 共仿真管线生成,确保线缆形状具备物理合理性与接触一致性。
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。
论文提出 FogDrive 数据集,基于 CARLA 生成约 660 个场景(共 13.3 万帧),每个场景包含清晰参考及三种校准后的雾密度版本。数据涵盖相机、深度、语义分割、LiDAR、语义 LiDAR 和雷达等多模态传感器响应。
推荐理由:该数据集提供分级雾况下的多模态仿真场景,支持在已知能见度下训练感知模型并验证去雾策略的有效性。
针对地中海温室狭窄通道与金属干扰导致的通信瓶颈,该研究提出基于 ROS 2 边缘计算、MQTT 及 FIWARE 云平台的混合架构。系统在仿真环境及真实温室场景中验证了其在恶劣网络条件下维持持久连接与数据完整性的能力。该方法消除了信息孤岛,为低层机器人控制与高层 IoT 决策的协同提供了可扩展的去中心化解决方案。
论文提出了 SelFix 方法,解决扩散模型反演中多解选择问题。该方法通过最大化逆轨迹的直线性来选择固定点解,在保留收敛性的同时提升重建与编辑质量。实验显示,SelFix 在 FLUX.1-dev 和 PIE-Bench 上优于现有基线,实现了更优的真实图像重建和源保持提示词编辑效果。代码已开源。
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。
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)。
论文挑战“仿真无法直接迁移至现实”的共识,证明在足够大规模的合成训练数据下,无需真实数据采集或微调即可实现静态与移动操作的零样本泛化。作者开源了 MolmoBot-Engine 生成管线及包含 170 万专家轨迹的 MolmoBot-Data 数据集,并基于此训练了三类策略模型。
推荐理由:提出仅靠大规模合成数据即可实现零样本现实世界操作,并开源了生成管线与百万级轨迹数据集。
论文提出 Humanoid Manipulation Interface (HuMI) 框架,旨在解决当前人形全身操作依赖遥操作或视觉仿真强化学习所面临的硬件物流与复杂奖励工程问题。