极智嘉发布《24/7自主智能仓计划》:AI接管调度,打造自进化智能仓
极智嘉正式推出《24/7自主智能仓计划》,目标是通过具身智能解决复杂拣选难题,并构建拥有“仓库大脑”的全仓智能系统。该系统整合RMS、WES、IOP三大底层模块与监控、分析、部署三类AI Agent,旨在实现从发现问题到自主决策的闭环,让仓库在7×24小时运行中持续学习进化。材料介绍了其Gravity统一具身框架及Gino 1等产品的落地表现,并引用了全球市场数据以佐证其规模化商业能力。
极智嘉正式推出《24/7自主智能仓计划》,目标是通过具身智能解决复杂拣选难题,并构建拥有“仓库大脑”的全仓智能系统。该系统整合RMS、WES、IOP三大底层模块与监控、分析、部署三类AI Agent,旨在实现从发现问题到自主决策的闭环,让仓库在7×24小时运行中持续学习进化。材料介绍了其Gravity统一具身框架及Gino 1等产品的落地表现,并引用了全球市场数据以佐证其规模化商业能力。
11月3日,百度在Apollo Day上首次披露面向物理AI的智能体驱动全模态世界模型Apollo World,并提出“2+3”判断标准。该模型具备因果性与交互性,强调物理准确性、持久性和实时性。
推荐理由:百度Apollo首次披露面向物理AI的因果性、交互性驱动的世界模型,提出2+3判断标准并用于萝卜快跑全球化测试。
论文研究了布朗运动先验下高斯混合分布间的随机密度控制问题。由于直接求解无闭式解,作者引入升维路径空间构造,将轨迹增广源目标标签,分解为显式的分量间桥接问题及有限维熵耦合分配。
推荐理由:该文提出高斯混合分布的升维路径空间构造,量化了投影间隙与路径空间障碍,为密度控制提供理论边界。
PhysOmni 是一个免训练的框架,能将单张图像转换为具有物理一致性和可控性的视频。该方法通过统一的空间坐标系表示完整场景几何,解决了物体穿插和对齐模糊问题,并实现了准确的场景级多物体交互及复杂的机械控制。
该研究利用平移不变动力学下的避侧代价哈密顿雅可比公式,证明价值函数在障碍物外为零、内为负,确立了单模板价值函数的复用原则。引入的块级组合框架将子集障碍物联合求解,构建了从单点复用到精确混乱场价值的保守证书层级,并在 Dubins 车重复障碍场案例中验证了单调性与精确性准则。
该论文提出在嵌入空间中求解随机逆问题的方法,通过将随机模式映射到不变嵌入空间来恢复未知因果参数,无需手工设计目标函数或启发式规则。研究利用在大图像数据集上训练的嵌入模型获取鲁棒表示,并在物理、生物和社会三个自组织系统(反应扩散系统、胚胎发育模型及社会隔离代理模型)中验证了该方法在模式结果存在随机性时仍能可靠恢复参数的能力。
论文提出 CoSMO(Conformal Semantic Mapping for Open-World Safe Robot Navigation)框架,旨在解决视觉语言模型在未知场景中构建地图时的置信度校准问题。
ExeWorldBench 是首个全面评估世界理解与可执行实现的基准,旨在衡量将物理原理转化为代码系统的能力。该基准包含机制可执行性、组合可执行性和意图驱动的可执行世界合成三项任务。实验显示当前前沿模型在构建具有物理交互行为的系统中存在显著局限。
推荐理由:ExeWorldBench 填补了代码化可执行世界建模的评测空白,通过三项任务揭示前沿模型在物理因果理解与实现上的局限。
针对地下矿井无人飞行器(UAV)在不确定运营设计域(ODD)中的安全验证难题,该研究利用 SCALOFT 仿真框架开展突变测试。实验对比了均匀随机生成与模糊逻辑风险优先两种策略,结果显示后者能获得更高的突变分数并更有效暴露难以检测的故障。
针对哈密顿 -雅可比等经典方法随状态维度扩展性差的问题,该研究将基于采样的可达集恢复建模为几何支撑估计。理论证明在初始集补集具有正距离且动力学满足 Lipschitz 连续时,可获 Hausdorff 距离精度保证,但样本复杂度呈指数级依赖状态维与时域。实验证实对抗采样仅改善常数项而无法改变这一内在的指数缩放规律。
SEAMLiS 提出一种模块化执行层安全框架,通过基于门控的姿态滤波和 CBF 位置滤波,在保留上游探索栈效率的同时规避未观测空间风险。该框架经随机化仿真、Isaac Sim 及 Crazyflie 硬件实验验证,实现了单/多机器人设置下的无碰撞自主探索。
该论文提出 RoboSnap 框架,旨在将真实世界场景快速转化为具备物理稳定性和视觉保真度的交互式仿真环境。其核心采用分层设计,对碰撞敏感的交互区域进行精细化处理以确保机器人操作稳定,同时利用 3D Gaussian Splatting 技术保留背景外观以支持新视角下的视觉一致性。
针对 MERU、HyCoCLIP 和 PHyCLIP 七个检查点,审计发现其收敛后曲率半径远低于产生显著度畸变的阈值,且语义遍历与乱序测试均未检测到有效的全层级读出。研究指出低曲率捷径导致模型通过放宽蕴含锥而非学习顺序来抑制违规,证实这些公式在当前诊断下未展现可操作的径向或基于锥体的层级结构。作者据此提炼出五数几何报告以评估未来关于层级的主张。
针对非平稳环境中机器人在线预算受限问题,研究提出基于动态遗憾的自适应更新规则以优化状态估计与重规划时机。该方法在火星车导航仿真及室内障碍场中的 Crazyflie 四旋翼实验里,均优于其他有预算基线方案。相关代码与论文已公开于 arXiv。
论文介绍 MERIS 框架,用于在计算与时序预算有限的动态机器人环境中执行变化的有向无环图(DAG)工作负载。该方法结合比例中间截止时间、MIMONet 感知的图细化及事件驱动同步,明确区分应用 DAG、内部编解码器图和细化调度图的三种表示形式。
桌面中触(DAT)屏幕结合半透明可变形网格的空间投影、触觉传感及阻力电机控制,使虚拟代理能模拟接触表面的形变与抗推响应。系统原型从检测单次触摸位置深度演进至通过张力控制调节屏幕抗凹陷能力,演示了物理反馈交互的可行性。该研究在 HAI 2026 工作坊提出设计问题:虚拟代理是否应表现出偏好或边界,以及何时实施此类行为。
该预印本论文针对安全关键应用中的在线主动学习(OAL)提出了稳定性理论框架。研究将预测误差作为反馈信号更新结构化深度模型,并证明仅靠输出误差收敛不足以保证全局参数收敛。通过分离输出调节、内部零动力学及层间耦合,结合持续激励与主动阻尼消除残差空模态,利用级联李雅普诺夫分析确立了整体学习过程的渐近稳定性,同时利用单调激活函数和微分同胚映射确保目标参数轨迹的唯一性。
推荐理由:该文提出基于李雅普诺夫稳定性的在线主动学习框架,解决了大规模多层神经网络在动态环境下的参数收敛与稳定性问题。
论文介绍 TriPhysBench 基准和 TriPhys 框架,旨在评估和提升具身智能体的物理感知、知识检索及定量推理能力。基准包含来自 200 个视频的 410 个问题,涵盖测量驱动与知识驱动的子任务;现有六款视觉语言模型中最佳者准确率仅 50.38%。
推荐理由:该工作提出 TriPhysBench 基准与 TriPhys 框架,揭示现有模型在物理感知、知识检索与推理协同任务上的不足并提供改进路径。
该研究提出一种结合光谱神经网络、规范分位回归及区间算术的框架,为四旋翼飞行器在闭环线性二次调节器下提供可校准的轨迹预测与控制点区间。经重构后的网络在树莓派 Zero 2 W 上实现 3.45ms 的推理时间,含轨迹推断的总流水线耗时 9.81ms(约 100Hz),满足典型控制频率要求。
WISE 是一种在推理阶段对世界动作模型采样结果进行评分与筛选的方法,通过评估动作有效性、时序规律性、逆动力学一致性及任务进度,从四个候选中执行得分最高者,无需更新模型参数。
针对过驱动多旋翼在采样指令和变时延下鲁棒性边界不足的问题,提出一种无需计算 Lipschitz 常数的测试方法。该方法利用转子对扭矩的单调响应结构,将可达速度域限制在廉价计算的盒内,并在预知角落寻找最低就绪值,从而保证命令执行期间就绪度不低于阈值并提供备用扭矩维持认证轨迹。
Safe-Ballbot 提出了一种三层球型机器人(ballbot)导航架构,上层利用 jerk 模型预测控制器配合离散时间控制屏障函数处理静态及动态障碍物,下层采用扩展状态观测器的分层滑模控制器。MuJoCo 仿真显示该方案规划耗时仅 9--12ms,比全模型非线性 MPC 快 10--15 倍,同时保持至少 10cm 安全间隙、轨迹跟踪误差小于 2cm RMS 且倾斜角始终低于限制。
VerifLM 是一个将图像编辑生成的目标配置转换为经物理验证的六自由度物体位姿的框架。该方法利用编辑后的图像恢复主动与被动物体间的初始相对位姿,提示视觉语言模型生成分轴采样约束和任务特定验证程序,并在物理模拟器中评估候选位姿。
推荐理由:该框架将图像编辑目标转化为经物理验证的位姿,在无需预定义网格的情况下实现高成功率。
TRAILS 是一个自动化框架,可生成包含环境布局、路径及时间参数化运动剖面的完整虚拟导航场景。该工具结合基于约束的程序化环境生成器与优化三次贝塞尔曲线技术,在仅需少量直观用户定义参数的情况下,自动产出满足预设几何与运动学约束的多样化室内场景。代码已公开于相关 URL,适用于遥操作与人机实验研究。
针对接触式机器人操作受末端执行器可达性和物体机械性质限制的问题,本文提出了一种基于气流的非接触式操作强化学习框架。作者开发了适用于 Isaac Lab 的通用气流扩展模块,利用实验识别的气流模型计算对物体的力和力矩,支持大规模并行训练。
推荐理由:作者提出基于气流的非接触式操作强化学习框架,在 Isaac Lab 中实现并行训练,并在真实世界零样本部署中验证了混合推吹策略与矩形重定向策略的有效性。
该研究论证在卫星自主巡检任务中,算法选择并非设计核心,关键在于是否允许智能体漂移、记录漂移状态及规划视界长度。移除任一要素会使燃料消耗翻倍,而基于忽略燃料的世界模型代理会浪费数倍燃料。此外,决策层下的控制屏障函数滤波器成功消除了两千年评估回合中的所有禁飞区违规。
CHERI 月球微型漫游车采用铝制底板、非爆炸释放机构及四弹簧阵列实现分离,经拓扑优化将固有频率提升至 84 Hz 以满足 70 Hz 要求。最终构型通过正弦振动、随机振动及冲击测试,光学运动捕捉验证了着陆器清除效果并确认俯仰角速度为关键可控参数。
Joyjeet Singh 在 arXiv 上发布论文,复现了 Robotic World Model (RWM) 的动力学模型,并针对其后续版本 RWM-U 用于离线策略优化的不确定性估计进行了测试。
推荐理由:作者复现了 Robotic World Model 的动力学模型并测试了其不确定性估计,发现其误差覆盖严重不足且存在缺陷。
该论文提出了 CUE 系统,旨在解决仅凭相机观测无法捕捉摩擦和恢复系数等接触丰富动力学的“动力学差距”问题。该系统在无需重置的情况下,根据高层指令自主构建感知、识别物理参数并针对仿真误差最大的区域进行交互。实验显示,CUE 在模拟环境中将台球位置预测误差降低了 72%,并已部署到真实台球桌上。该工作已接受为 CoRL 2026 晚些时候的突破性成果。
推荐理由:提出 CUE 系统,通过自主交互填补仿真与真实世界的动力学差距,在台球任务中将误差降低 72%。
该论文提出一种基于数据学习的神经积分控制屏障函数方法,利用神经 ODE 学习动力学、模仿学习获取名义控制器、监督回归构建屏障函数,从而在无需几何标签的情况下确保状态安全。
推荐理由:提出用神经 ODE 学习动力学、模仿学习控制器与回归屏障函数,构建无需几何标签的积分控制屏障函数,在敏捷避障任务中消除不安全样本并优于基线。
论文介绍 RoboColosseum 分布式评估框架,结合统一策略服务与标准化协议,在网络中本地部署的多样化机器人上评估物理智能。初始研究对比了五种视觉语言动作模型和三种前沿 AI 代理在四种具身形态上的表现。
论文针对交互式交通中不可观测的人类特征及多智能体互动的互惠性,提出统一信念空间模型预测控制框架,将信息清晰度作为显式规划变量与安全性规范协同设计。该方法在车道汇入和无信号灯路口场景中,相比代表性基线方法,在 5000 次仿真中取得最高成功率(94.6% 和 93.2%)及最低碰撞率(1.2% 和 1.4%)。材料为预印本,已提交至 ICRA 2027。
论文研究了强化学习运动策略在仿真条件下遭遇分布偏移时的安全性问题。作者使用闭环世界模型推演和三个模型的集合评估了 Ant-v5 和 HalfCheetah-v5 策略的预测信号时序逻辑(STL)监控能力。
该研究引入 Directional Bounded-Confidence Cucker-Smale (CS) 模型,通过分解相对速度建立能量耗散恒等式与集群收敛保证。仿真验证了精确耗散平衡,证实方向性门控机制在传统各向同性置信律导致极化场景中成功恢复全局对齐。论文为 arXiv:2611.02173v1 预印本,属于机器人学领域理论进展。
论文指出机器人基础模型在闭环执行中的物理安全并非独立属性,而是环境、模型、计算平台及执行策略交互的结果。研究基于 pi0.5 模型在 LIBERO 基准上的 4,000 次闭环实验发现,400 ms 推理延迟虽仅使安全违规率从训练视角提升 3.5 个百分点,但在 60 度相机偏移场景下却激增至 37 个百分点,其交互效应比两因素简单叠加高出 33.5 个百分点。
该文针对具身问答任务中‘答案正确但未见’的问题,提出了一个包含 200 个测试集和 800 个问题的多房间基准。研究通过固定问题并仅改变证据供给(从纯文本探针到闭环智能体再到轨迹回放)来评估证据利用情况。
该论文提出了 Control AI 架构,这是一种受生物智能预测 - 评估 - 修正过程启发的在线主动学习(OAL)框架。系统结合深度神经网络的层级表征能力与自适应控制的实时误差反馈机制,通过预测模型、可选的潜在模型及重建模型处理感官输入与状态映射。
针对视频世界模型的预测误差常被误作物理惊奇,该研究提出新评估框架以区分外观、静态内容及普通预测难度。在 IntPhys2 基准上对比发现,V-JEPA2 仅暴露有限的可能性信息,且固定误差阈值会错误标记许多可能事件为不可能。结论表明模型虽能表征物理信息并响应错误动作,但其原生预测误差无法可靠衡量物理惊奇。
GatedVLA 作为 PAI-AV 赛道参赛方案,通过视觉掩码优化策略并在部署端集成规则式自动紧急制动(AEB)模块。该模型在包含 150 个场景的局部闭环评估中,将平均场景得分从 0.479 提升至 0.599,同时将负有碰撞责任的场景数由 34.0 降至 11.0。
该论文研究灵活路线公交(FRT)系统的实时运营控制安全问题,提出 Hi-CoLA 框架以解决强化学习策略缺乏统计性能保证的问题。该方法结合重要性采样、集中不等式与可微代理网络,高效估计高置信度性能下界并通过策略梯度优化。在芝加哥某实际路线的 SUMO 仿真案例中,Hi-CoLA 在平均和尾部风险性能上均优于最先进的离线及安全强化学习方法。材料为预印本,尚未通过同行评审。