BLaFA:面向灵巧机器人工具使用的从语言到三维功能 affordance 的桥接框架
论文提出了 BLaFA 框架,旨在解决现有方法缺乏从开放词汇指令到三维功能接触结构显式映射的问题。该框架包含知识引导的语言解析模块、基于3D高斯泼溅的分层语义表示及三角功能点定位模块,以及将关键点与约束映射为可执行腕部姿态和手指级关节力命令的变换矩阵。
论文提出了 BLaFA 框架,旨在解决现有方法缺乏从开放词汇指令到三维功能接触结构显式映射的问题。该框架包含知识引导的语言解析模块、基于3D高斯泼溅的分层语义表示及三角功能点定位模块,以及将关键点与约束映射为可执行腕部姿态和手指级关节力命令的变换矩阵。
Modular magnetic soft robotic catheter 在活体猪体内完成无括约肌切开术的自主插管,并在车载视觉辅助下深入胰管 75mm。该 1.47mm 模块化磁软机器人通过合规夹持器、磁性锚定球囊及微米级超声触发释放壳,将 8mT 磁场下的尖端偏角从 70°降至 64°且握力提升约三倍。
论文提出 SFHand,这是一种首个通过流式第一人称 3D 手部动作预测进行表征学习的方法。该方法利用自回归架构从视频和语言指令中连续预测未来手部状态(包括手部类型、2D 边界框、3D 姿态及轨迹),并配备 ROI 增强记忆层以捕捉时间上下文。
推荐理由:提出通过流式第一人称手部动作预测进行表征学习,开源了配套数据集与模型,在仿真及真实世界操作中均取得领先性能。
该研究通过进化算法探索多旋翼无人机的最优身体形态,旨在解决传统设计在特定任务中非最优的问题。实验表明,演化出的无人机在机动性、推重比和尺寸三个目标上均优于标准四旋翼,其中机动性提升 489.2%,推重比提升 23%,体积减小 4.8%。性能提升归因于电机倾角和多旋翼数量。真实世界实验进一步证实,演化无人机在竞速任务中通过门数、飞行速度和圈速均优于标准无人机。
推荐理由:论文利用进化算法设计了优于标准构型的多旋翼无人机,在机动性、推重比和尺寸上取得显著改进,并在真实竞速任务中验证了性能迁移。
论文提出了 Sketch-MoMa 系统,利用视觉语言模型(VLM)理解叠加在观测图像上的用户手绘草图,以推断机器人形状和底层任务。该系统结合草图和生成的形状进行识别与运动规划,支持精确且直观的操作,如抓取方式和旋转角度。
该论文提出了一个自适应碰撞敏感度框架,旨在解决物理人机协作中因固定接触阈值导致的不必要停机问题。方法基于各机械臂连杆的有效质量(Effective Mass)动态计算碰撞力并决定是否中断运动。
论文提出通用 AI 模型可直接控制机械臂的代理操纵策略(AMPs),无需演示或特定训练即可在 RoboLab-120 和 CaP-Gym 基准上达到最先进结果。AMP1 参考框架支持单臂、双臂及移动操作,在真实世界实验中零样本成功率达 85.6%,显著优于现有 VLA 和 WAM 策略。研究还展示了通过持久化记忆提升经验学习能力的潜力,相关代码与视频已公开。
推荐理由:该文提出通用 AI 代理策略在零样本任务中优于专用 VLA/WAM,并开源参考框架 AMP1。
针对腱驱动连续体机器人在受限空间内运动时,沿机身接触力对电机传感器不可见的结构性难题,本文提出了一种基于约束移动视界估计器(MHE)的方法。该方法利用已知的障碍物几何条件与非穿透互补性原理,证明了系统在未知接触输入下的局部指数强可检测性。
论文提出了 Grasp-TAGS 框架,旨在解决移动操作器在长时序任务中协调运动与操作的挑战。该方法训练统一的 PPO 强化学习策略,并将学到的评论家蒸馏为轻量级抓取效用网络,仅凭候选抓取配置和目标信息即可对候选抓取进行排序。
论文提出了 Seeing What Matters 基准,用于评估机器人是否具备根据当前指令获取特定观测证据以支持操作的能力。该基准涵盖咖啡机、抽屉柜和微波炉三个仿真桌面操作领域,提供 860 个冻结评估案例及超过 11.5 万个评测集。
针对蛇形机器人全身同时作为推进机制和操控工具的挑战,作者提出了无需区分功能的闭环全身运动操控方案。研究开发了统一处理机器人 - 地面、机器人 - 物体及物体 - 地面相互作用的接触隐式动力学模型,并在 Moreau-Jean 时间步进框架下构建了基于几何规划器和名义比例控制器的轨迹优化方法。该方法在硬件上验证了侧行推物任务的能力,并提供了简化轨迹优化的仿真结果以解析相关接触问题。
该研究开发了一种集成 36 通道电触觉阵列与电容触摸感应的可穿戴触觉输入输出设备,在 24 名参与者中揭示了显著的个体间感知变异性。基于此,作者提出了一个人机环校准框架,通过前向预测策略为每个用户生成个性化感知模型,并实现了针对特定用户的逆渲染。该平台已在机器人遥操作、视觉到触觉的感官替代、人际触觉通信及虚拟现实等场景中演示了个性化的触觉渲染能力。
推荐理由:原文提出了基于人体在环的校准框架,利用可穿戴设备生成个性化触觉感知模型以支持逆渲染。
作者提出了 PoseRieFlow 框架,用于条件生成全身 3D 人体姿态。该方法直接在 SMPL-H 关节旋转的乘积流形上构建生成模型,利用黎曼测地线将样本从各向同性高斯先验传输至数据分布。
推荐理由:该工作提出基于黎曼流匹配的紧凑框架,在保持手部细节的同时实现了全身姿态生成中最低的关节运动学误差。
该论文提出 ODEAction,一种无动作块的连续动作演化范式,旨在解决传统视觉 - 语言 - 动作模型在动作块切换处可能产生的不连续性。该方法利用视觉观测、语言指令和机器人本体信息学习动作空间上的过渡场,通过常微分方程积分递归生成后续动作。
该论文提出了 DKWBC 框架,通过结合基于模型的逆动力学前馈学习与关节 PD 反馈来提供跟踪力矩,同时利用残差策略学习额外的关节力矩修正以维持平衡。实验表明,该方法在仿真和真实硬件上均能实现单一策略对多种运动数据集的泛化,并在地面支撑、附加负载及物理交互场景下保持准确的运动跟踪与平衡稳定性。
推荐理由:提出 DKWBC 框架,将运动跟踪与平衡解耦,在仿真和真机上验证了单一策略在多任务下的泛化能力。
该论文介绍了一种专为奇异果设计的二组分光电软吸盘,旨在实现柔顺接触并定量感知末端执行器处的机械交互。研究在已知接触间隔内,利用光电信号对训练集之外的真实果实进行了准确的力估计:最佳浅层网络在分组留一折池化下的 R-squared 为 0.968(MAE=0.138 N),单均值光学响应映射的 R-squared 达 0.925。
推荐理由:该研究提出了一种针对奇异果的机电软吸盘,通过光电信号在未见过的真实果实上实现了高精度的接触力估计与软硬分级。
该论文提出一种推理时的障碍物引导框架,用于适配预训练的相对动作扩散策略以应对未见过的障碍物。方法将累积相对动作展开为工作空间轨迹,利用基于 SDF 的障碍物模型评估交互,并在去噪过程中将障碍响应传播至所有贡献的动作增量。
针对现有世界动作模型依赖冻结预训练编码器导致表征不适配机器人控制的问题,本文提出 MDF++,一种基于扩散骨干网络的视觉 - 触觉世界动作模型。该方法通过多任务学习策略利用跨模态相关性解决联合训练的特征坍塌问题,并在螺栓拧入和螺母配对等接触丰富操作任务上评估,结果显示其性能优于基于冻结预训练表征的世界动作模型基线,提升幅度最高达 50%。
论文提出 SUGARv2 统一框架,通过复用任务模板合成协调的机器人与物体运动以低成本获取多样参考,并利用基于参考的模仿作为跨任务的共同学习目标。研究先在特权教师上执行这些参考,再通过教师蒸馏和强化学习训练视觉策略,结合域随机化支持泛化与仿真到现实迁移。在五个具身智能操作任务中,该框架在仿真环境达到 91.0% 平均成功率,并在真实人形机器人上验证了全身操作的 sim-to-real 转移效果。
该研究指出抓取可行性预测器在基准测试中表现优异但无法验证其是否真正使用运动规划器检查的碰撞几何信息。作者提出一种反事实(CF)测试方法:固定抓取姿态并在接近通道插入实体障碍物,观察预测标签从可行变为不可行。
ToolDex 是一个大规模自中心 - 他中心人类演示数据集,旨在解决现有基准多基于仿真且缺乏真实世界多样性的问题。该数据集利用同步的自中心相机和八个他中心相机,捕捉人类选择、适应并重新利用物体作为工具的场景,提供高保真多视角观测及手部、工具和变形交互的详细标注。
该研究通过涵盖九个操作任务、631 种实验配置及 2.8 万次代码智能体轮次的受控仿真,系统分析了模型能力、技能先验等因素对具身智能自学习循环的影响。实验表明,瓶颈常在于将信息转化为正确的策略更新,成功取决于智能体归因失败、推理空间几何结构及重构代码的能力。
论文 FASTFUNNELS 针对拥挤且空间受限环境下的高速多机器人导航难题,提出一种层级算法以平衡安全性与敏捷性。高层采用强化学习策略生成随环境实时形变的动态椭圆区域(类似水滴),低层利用分布式模型预测控制确保机器人在该区域内运动并避障。
RevoSim 是一个可扩展且高保真的多模态触觉模拟器,专为 BrainCo Revo3 手设计,联合建模了 285 个压阻式传感单元和五个视觉 - 触觉指尖。该系统能高效生成同步的压力、深度、RGB 及标记位移观测数据;在单张 RTX 5090 显卡上,其基于深度的标记位移配置支持高达 4,096 个并行环境。作者利用该平台完全在仿真中训练了手内操作和抓取策略,为未来的仿真到现实迁移奠定了基础。
HOC2R 结合 DINOv3 与 SAM 2.1 特征,在 30 任务基准上将接触计数准确率提升至 71.4%,定位距离降至 10.46 像素。该方法在六组机器人评估序列中成功完成三项任务,展现出对多手场景的强鲁棒性。作为伪标签提取工具,该研究已获 ACRA 2026 口头报告录用并公开预印本。
论文 ActPrune 提出一种无需训练的视觉 Token 剪枝方法,将剪枝决策提前至视觉编码器之前,利用机器人上一时刻预测的动作作为几何先验。该方法在固定第三人称视角保留机械臂轨迹与语义锚点,在腕部视角剔除经动作补偿后不变的区域。
该论文针对几何装配中的时空协调难题,提出一种将每个部件视为独立智能体的对象中心强化学习框架。系统利用图神经网络表征部件及其空间关系,通过代理级近端策略优化与集中式图评论家直接学习运动与时间协同。
论文提出了 ForPC 框架,旨在解决人形机器人在不修改工作场所的情况下操作现有手推车以搬运重物的难题。该框架通过两阶段强化学习调节车速,首先训练运动先验以提供平衡支持,随后基于车载观测推断力潜变量和状态潜变量(无需外部传感器),并协调手臂、腰部与腿部的调整及基座速度指令。
推荐理由:提出无需外部力传感器的全身控制框架,在仿真中训练即可将人形机器人推重达 30kg 的推车速度误差降低 68.2%。
针对场端部署的策略需满足演示中未包含的新约束(如避障)问题,现有梯度引导或纯投影/拒绝方法存在效率或合理性缺陷。本文提出 CS-Pi 采样器,利用流匹配采样结合投影与重噪声机制,在保持动作合理性的同时高效满足安全约束。实验显示该方法在货架抓取任务上安全成功率达 81%,硬件部署达 55%,优于对比基线。
论文 HaNDF 提出一种对象条件的几何神经距离场,作为建模手在物体上可行构型的数据驱动先验。该方法利用黎曼几何工具表示零水平集上的合理手部姿态并投影给定姿态,同时可优化确定交互对象。评估显示该模型适用于姿态细化、遮挡重建及物理合理的操作合成任务。
美团机器人团队发布了 Meituan-Robotics-0(MR0),这是一个针对固定底座桌面操作任务的视觉语言动作基础模型及具身智能体系统。该模型结合了 1.47 亿个视觉语言样本与跨越 12 种实体、总计 15,060 小时的机器人轨迹数据,通过离散动作标记预训练、流匹配中期迁移和真实世界后训练三阶段配方进行训练。
针对真实世界机器人部署中人类反馈稀缺且昂贵的问题,本文分析了真实人类干预数据,发现人类常在任务停滞时介入且动作次优。为此提出 Q-OIL 方法,通过在强化学习奖励中加入基于进度的乐观奖励并引导探索至人类修正点来提升学习效率。实验表明该方法在仿真和真机环境中均比基线提升 10-50% 的成功率,并能改进预训练视觉语言动作模型的双手操作任务表现。
在第26届亚洲国际物流技术与运输系统展览会(CeMAT ASIA 2026)上,中科创达旗下晓悟智能与北京人形机器人创新中心联合展示了全栈式工业具身智能平台。该平台由北京人形“慧思开物”通用具身智能平台与晓悟工业具身平台联动构成,前者提供具身大模型、跨本体VLA基座及运控能力负责长程规划,后者依托工业级实时内核实现多车型协同调度与统一编排。
北京因时科技股份有限公司于 11 月 4 日在首钢园联合实验室揭牌仪式中集中亮相三款灵巧手新品。其中 RH524J1 采用 24 自由度腱绳混驱架构,RH5MK1 为 22 自由度全直驱设计并具备指尖六维力触觉感知,RH37D1 则是 7 主动自由度三指全直驱构型。现场同步展示了搭载该灵巧手的“天轶”机器人及微型伺服电缸等系列产品。
本周具身智能领域多起产业动态:小米机器人在汽车工厂完成8小时长时作业验证及家庭场景试运营,其通用机器人操作基座模型获互联网大会奖项;丰田正式设立独立机器人部门“Toyota Robotics”。
SCHUNK R-C2、Universal Robots ActiNav 及 FANUC M-20 等机器人集成方案使中端制造商以低成本实现高精度生产。
Boston Dynamics 本周发布了第二代自主移动拖车卸货机器人 Stretch Gen 2。该机型旨在最大化运行时间并简化维护,具备模块化“即插即用”设计、汽车级连接器及连续旋转关节以提升耐用性。
Neufangled Robotics 发布名为 Stringman 的室内缆索驱动家庭机器人,旨在通过缆线结构实现紧凑形态以执行家务任务。该产品售价为 795 美元,由 IEEE Spectrum Robotics 在 Video Friday 栏目中作为本周精选视频推荐展示。
智元 AGIBOT 在上海徐汇区一家运营中的便利店完成了为期 24 小时的实地测试,六台 G2 轮式人形机器人累计完成 1,730 项任务。其中四台通过最终性能评估,涵盖顾客服务、货架补货、咖啡制作及清洁等场景。
推荐理由:智元在便利店完成 24 小时实测,验证了 G2 机器人在真实零售场景下的任务执行与自适应能力。
针对人机交互中机器人处理模糊指令的挑战,本文提出了 ProCompNav 框架。该方法包含两阶段流程:首先构建候选池,随后通过递归比较判断(RCJ)策略,利用二元问题迭代缩小范围并剔除不一致候选项,从而在无需目标独有属性区分的情况下识别用户意图。