跳到正文
11月11日周三
  1. arXiv · 机器人与计算机视觉82

    SSR:迈向开放世界的稳健与人称对称人形机器人穿越框架

    论文提出 SSR 框架,旨在解决人形机器人在非结构化地形上的安全高效移动难题。该方法通过自监督学习结合想象落脚点引导,预测摆动脚接触点并评估支撑稳定性以减少滑倒;同时利用等变潜在空间对称性增强实现高维视觉下的双侧协调,并结合特定地形的多判别器运动先验鼓励类人行为。实验表明 SSR 在楼梯、宽缝隙和高台等极端挑战下均能实现安全稳定的长时程穿越。

    推荐理由:提出端到端框架 SSR,利用想象落脚点引导与对称性增强实现人形机器人在复杂地形的稳定行走。

  2. arXiv · 机器人与计算机视觉65

    基于视觉的四足机器人敏捷运动:稀疏门控混合专家模型研究

    该论文提出将稀疏门控混合专家(MoE)架构应用于基于视觉的四足机器人运动控制任务。实验在受控设置下对比了标准 MLP 与 MoE 策略,结果显示在激活参数数匹配的情况下,MoE 架构使训练奖励提升 8%,且优于同等总参数的 MLP。研究还通过真实 Unitree Go2 四足机器人的实验验证了该方法在现实世界中的性能表现,表明借鉴大语言模型领域的稀疏化技术对机器人运动控制具有应用潜力。

  3. arXiv · 机器人与计算机视觉68

    Show, Don't Tell:通过观看人类视频检测新物体

    论文提出一种名为 Show, Don't Tell 的自监督系统,旨在解决机器人快速识别演示中出现的未知物体的问题。该方法通过在自动创建的、由人类演示监督的数据集上训练专用目标检测器,完全绕过语言描述和复杂的提示工程。研究开发了集成在机器人上的系统,将这一范式应用于现实世界的机器人部署,实验结果表明该流程在操作物体检测和识别方面显著优于现有最先进方法,从而提升了机器人的任务完成率。

  4. arXiv · 机器人与计算机视觉63

    基于物理信息的可变形线性物体自监督动态操控方法 SPiD

    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。

  5. arXiv · 机器人与计算机视觉62

    超越刚性操作的混合软硬机器人学习研究

    本文介绍了一种由刚性手臂和软体操纵器串联而成的混合机器人系统,旨在结合刚性机器人的精度与重复性与软体结构的顺应性和适应性。作者提出了一种定制的模仿学习算法,该算法适用于此类混合系统,能够利用刚性的精确操作和软体的身体特性来习得操作技能,并一次性泛化到任务变化中。实验表明,该系统在堆叠等经典任务中的性能达到或超过刚性机器人,同时实现了通过狭窄开口抓取物体等全新的行为模式。

  6. arXiv · 机器人与计算机视觉72

    TanCRAFT:面向组装任务的语境推理与前瞻性反馈

    论文提出了 TanCRAFT 框架,这是一个四阶段的实时预测性辅助系统,旨在通过跟踪场景状态、推理当前部分组装情况、预测被操作部件的近期运动并在预测放置不兼容目标时进行干预,来防止物理组装中的人类错误。研究在受控的七巧板(Tangram)组装任务上进行了离线基准测试和受试者内用户实验,结果显示该系统的预测反馈相比无引导和反应式会话显著减少了错误,同时带来了最低的感知工作负荷和最短的完成时间。

  7. arXiv · 机器人与计算机视觉78

    Elastic-WAM:自适应时空想象用于高效机器人控制

    该论文针对世界动作模型(World-Action Models)迭代视频去噪带来的高推理开销问题,提出 Elastic-WAM 方法。该方法通过自适应分配时空细化计算资源,统一调控何时停止世界细化、每步推进多远以及刷新哪些区域。研究在多样化仿真基准和真实长程操作任务中评估,结果显示其兼具最先进的控制性能与更低的推理延迟。材料为预印本论文,未提及具体开源代码或模型权重下载链接。

    推荐理由:提出弹性计算分配机制,在仿真与真实长程操作中实现控制性能领先且降低推理延迟。

  8. arXiv · 机器人与计算机视觉74

    DexSeed:将人类手物交互扩展为机器人演示以学习灵巧策略

    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。

  9. arXiv · 机器人与计算机视觉54

    面向建筑机器人的“人在回路”控制范式:从 VR 引导遥操作到半自主双臂作业

    该论文提出一种针对接触丰富型双臂建筑任务的“人在回路”控制范式,支持在 VR 引导遥操作、半自主共享控制和基于规则的自主执行三种模式间进行结构化切换。系统结合了沉浸式 VR 引导、手动定义的复用技能库以及明确的人机角色分配与指令优先级规则。

  10. arXiv · 机器人与计算机视觉72

    RedirectMimic:面向人形全身控制的局部运动内容红化

    论文介绍 RedirectMimic 方法,通过分离演员观察到的参考信号与训练执行的目标,利用规则生成的编辑参考引导近端策略优化奖励,同时保持部署接口不变。在 Unitree G1 仿真环境中,该方法将手臂动作编辑的核心窗口内容发生率降至 2.7%,关节成功率达 94.2%,并在速度定义任务中保持低错误率与高精度跟踪。

  11. arXiv · 机器人与计算机视觉78

    LaST0.5:一种具备交互中心潜在推理的通用世界动作模型

    论文提出了 LaST0.5 这一新型世界动作模型(WAM),旨在解决现有模型全球场景表征忽视局部机器人 - 物体交互的问题。该模型在混合 Transformer 架构中引入交互中心潜在专家,利用视觉交互线索学习紧凑的潜在空间,并通过自适应的世界到动作转移机制调整执行与重采样。

    推荐理由:提出 LaST0.5,通过引入交互中心潜在空间弥合世界演化与操作生成的表征差距。

  12. arXiv · 机器人与计算机视觉42

    基于优化的工业机器人路径规划:增材制造实验验证

    该研究开发了一种结合关节路径正则性与工艺约束的离线优化路径规划器,通过迭代权重调整自动确定成本权重。在碳纤维缠绕和机器人 3D 打印任务中,规划路径满足几何公差及所有关键性能指标目标,并在 UR10e 机器人上完成无挤出执行与关节级轨迹跟踪验证。

  13. arXiv · 机器人与计算机视觉72

    ReACT:面向非对称负载的人形机器人速度跟踪的反射一致调制与跨负载一致性研究

    针对人形机器人在单手持物时因上肢非对称负载导致的速度跟踪偏差及导航失败风险,本文提出 ReACT 框架。该方法利用估计的力矩对 Actor 特征进行反射一致的扰动调制以补偿负载影响,并通过对比加载与未加载条件下的速度指令训练跨负载一致性。

  14. arXiv · 机器人与计算机视觉83

    WAM 在 BEHAVIOR-1K 挑战赛中获亚军:2026 BEHAVIOR 挑战赛第二名方案

    该工作提交了 Team IF1001 的 2026 BEHAVIOR Challenge 第二名方案,评估移动操作能力涵盖 100 个家庭任务。方法基于 Cosmos 3,通过丰富视觉历史、任务进度条件化及特定技能 LoRA 适配器进行改进。

    推荐理由:报告了基于 Cosmos 3 改进的 WAM 在 BEHAVIOR Challenge 中获第二名的结果,公开了任务进度条件化与 LoRA 适配等关键工程细节。

  15. arXiv · 机器人与计算机视觉65

    从第一人称人类视频到具身智能时代的机器人操作:一种综述

    该论文提出 Ego2Robot 学习框架,旨在利用第一人称人类视频(EHV)中的手物交互数据训练机器人操作策略。文章定义了四种学习范式:显式本体转移、显式动作与任务监督、第一人称视频表示预训练以及潜在动作与动力学建模,并对比了各范式的信息提取方式与额外数据需求。

  16. arXiv · 机器人与计算机视觉75

    基于统一框架的手物接触过渡检测与 ContactTransition 数据集

    本文针对第一人称视频中手物接触过渡的检测任务,提出了一个联合建模交互手部与物体的统一框架,直接学习物体感知特征以精确定位接触建立与释放的时刻,无需推理时依赖外部检测器。作者构建了包含 4,021 个视频、共 16,575 次标注的 ContactTransition 数据集,实验表明该方法在两类过渡时刻定位上均优于强基线,且检测结果可作为下游手物推理的有效时间锚点。

  17. arXiv · 机器人与计算机视觉48

    Fastener-centric acquisition and AND/OR graph representation of state-dependent disassembly knowledge from CAD-derived virtual assemblies

    该研究提出一种以紧固件为中心的虚拟拆解框架,从 CAD 衍生装配体中获取状态依赖的拆解知识。实验在包含 54 个组件的 OpenManipulator Chain 夹持器上验证了状态依赖操作,利用可见性与工具可达性评估将候选检查量减少了 51.4%。该方法通过图推理与物理验证生成了转换后的 AND/OR 图,证实了在制造前获取特定产品拆解知识的可行性。

  18. arXiv · 机器人与计算机视觉72

    AHEADance:基于流式音频的人形机器人预期舞蹈生成

    针对人形机器人在听到音乐片段前必须承诺动作、且需延续已执行动作的挑战,论文提出 AHEADance 框架。该框架利用 ListenAhead 模块结合已听音乐的冻结模型预测与未来音乐预报来对齐节拍,并通过 Commit Forcing 训练从自身已承诺片段进行延续,将低活跃度从 83.5% 降至 10.3%。

  19. arXiv · 机器人与计算机视觉78

    PneuGen:面向任务的软体机器人代理协同设计框架

    论文提出 PneuGen 框架,利用大语言模型智能体对软体机器人的几何、形态及驱动参数进行高效搜索与设计。系统包含负责生成设计的代理和负责分析仿真诊断并提出修改建议的评论员代理,结合可复用的物理先验模块响应模型实现自动验证与有限元仿真迭代。

    推荐理由:提出利用大语言模型智能体进行软体机器人参数化设计与仿真迭代的框架,在抓取与形变匹配任务中优于传统优化基线。

  20. arXiv · 机器人与计算机视觉78

    矩形物体协同推进行动力的力闭锁条件研究

    Duy Anh Nguyen 和 Trung Dung Ngo 提出了一种用于矩形物体协同推行的平面力闭锁条件的解析公式。该条件独立于质心,仅取决于四个无摩擦接触点的位置,可用于验证接触构型的几何可行性并指导调整。

    推荐理由:该研究推导了矩形物体在四接触点下的平面力闭锁充要条件,并将其集成到轨迹跟踪框架中,仿真显示显著降低了位置与姿态误差。

  21. arXiv · 机器人与计算机视觉63

    Curie's Jarvis:基于打印协议的自主机器人化学实验系统

    该研究提出了 Curie's Jarvis 系统,使机械臂能在为人类设计的普通实验台上执行化学实验。系统通过读取打印协议照片、在无固定位置或标记的台面上识别容器、利用四视角摄像头区分外观相同的容器并读取标签,且在每步操作前重新定位目标。

  22. arXiv · 机器人与计算机视觉58

    基于地面反作用力的欠驱动直立物理辅助模型预测控制

    本文提出了一种名为 GRF-MPC 的控制框架,将实时地面反作用力(GRF)和质心压力(CoP)测量值直接整合到人体质心动力学模型中,以优化辅助力和力矩。研究在 Robotic Upright Stand Trainer (RobUST) 平台上进行了部署,采用欠驱动的 4 缆配置,并在近 300 次试验中与全驱动 8 缆笛卡尔阻抗基线进行了对比评估。

  23. arXiv · 机器人与计算机视觉74

    GroundCascade:用于 GUI 定位的选择性二次意见方法

    论文介绍 GroundCascade,一种无需训练即可通过全屏与局部视图预测一致性来决定是否咨询互补模型的控制器。该方法在 ScreenSpot-Pro、OSWorld-G-Refined 和 UI-Vision 等基准上实现了比独立两阶段定位器更高的准确率,并在匹配模型调用预算下显著优于分层随机采样策略。材料为预印本,提供了具体的性能提升数据和 API 链接。

  24. arXiv · 机器人与计算机视觉43

    Robo-MLT:双系统框架实现长视界医疗实验室任务操作

    Robo-MLT 提出一种结合显式工作流监控与学习动作生成的双系统框架,用于处理血液气体分析及试管排序等长视界医疗实验室任务。该模型在包含 50 种标准及 20 种样本移除配置的实验中,任务成功率分别达到 82% 和 70%,比π0.5基线高出 30 和 22 个百分点。系统能在操作员移除正在处理的样本后自动修订计划并继续处理其余样本,显著提升了长视界操作的可恢复性。

  25. 智东西 · 机器人84

    英伟达发布GR00T 2世界动作模型系列,支持跨本体迁移与端侧部署

    英伟达在CoRL 2026会议推出开源世界—动作模型GR00T 2系列,包含主打泛化能力的GR00T 2和强调速度的Turbo版本。该模型基于40万小时人类视频训练,支持跨本体迁移、少样本适应及视觉引导规划,在多项灵巧操作与长程任务中取得高成功率。英伟达宣布将全栈开源模型权重、仿真流程SimFoundry、智能体框架ASPIRE及相关硬件设计图纸,旨在降低机器人开发门槛并推动技术落地。

    同一新闻,精选展示《NVIDIA 发布 GR00T 2 世界动作模型与 Isaac Lab 3.0 仿真平台》

  26. 智东西 · 机器人82

    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%。

    同一新闻,精选展示《DeepMind 发布 Gemini Robotics 2.5 模型以加速现实世界灵巧操作能力》

  27. 盖世汽车 · 汽车资讯78

    禾赛科技三季报:激光雷达与机器人动力模组放量,推出Kosmo世界数据引擎

    禾赛科技公布2026年第三季度未经审计财务数据,营收10.7亿元,连续六个季度GAAP盈利。其中战略增长业务(SGI)营收9,051万元,环比增长101.4%。

    推荐理由:禾赛公布三季报,机器人动力模组出货超3.5万套并进入NVIDIA Isaac GR00T方案,同时发布Kosmo世界数据引擎。

11月10日周二
  1. Google DeepMind82

    DeepMind 发布 Gemini Robotics 2.5 模型以加速现实世界灵巧操作能力

    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。

  2. 量子位82

    蚂蚁灵波开源触觉预训练基础模型 LingBot-Touch

    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。