跳到正文

技术方向

具身智能 最新动态

机器人模型、硬件、学习方法和真实部署;区分仿真、遥操作演示与自主运行。

1,139 条精选近 30 天 643 条共收录 4,549 条

更新

精选归档 · 第 18 页

11月2日周一第 341–360 条
  1. arXiv · 机器人与计算机视觉82

    ResMerge:面向预训练机器人策略持续适应的残差策略学习与合并方法

    针对真实世界部署中机器人需持续适应新任务的挑战,本文提出 ResMerge 框架,在冻结的预训练策略之上学习可合并的残差策略。该方法利用残差强化学习(RL)在无额外专家演示的情况下获取任务特定修正,并通过参数空间合并整合兼容残差以减少存储参数。

    推荐理由:提出 ResMerge 框架,通过残差强化学习与参数空间合并实现预训练策略的持续适应,无需额外专家演示且减少存储参数。

  2. arXiv · 机器人与计算机视觉78

    RTPolicy:面向边缘设备的实时多视角机器人操作策略

    针对闭环机器人操作中低推理延迟的关键需求,本文提出了 RTPolicy,这是一种结合视图感知特征融合与视觉压缩的多视角视觉运动策略。该策略通过流匹配动作生成器降低计算成本,在 RoboTwin~2.0 单任务清洁评估的 50 个任务中平均成功率为 52.26%,优于最强基线$ ext{\pi}_0$(46.4%)。

    推荐理由:该文提出 RTPolicy,在边缘设备上实现实时多视角视觉运动策略,异步流式推理下双臂平台任务成功率达 72%。

  3. arXiv · 机器人与计算机视觉82

    Hourglass:耦合无本体世界模型与可微本体重心动力学的跨具身运动规划

    该论文提出 Hourglass 架构以解决跨具身运动规划难题,通过解耦通用的无本体世界模型与各机器人的可微本体动力学接口,实现数据池化与参数识别。在七种仿真机器人上,该方法成功率提升 3.8-10.6 个百分点且无需专用训练即可匹配专家策略;经三分钟遥操作标定后,零样本迁移至未见的真实滑移转向机器人并在室内场景导航成功。材料为 arXiv 预印本,未提及同行评审状态或具体开源代码仓库。

    推荐理由:提出 Hourglass 架构,通过解耦通用世界模型与可微本体动力学实现跨机器人运动规划,在仿真中优于基线并支持零样本迁移至真实机器人。

  4. arXiv · 机器人与计算机视觉78

    TinyAstral:将自进化 Harness 迁移至小型通用操作智能体

    论文 TinyAstral 提出一种两阶段方法,通过递归自我改进(RSI)优化大教师模型的 harness,随后蒸馏出仅 4B 参数的小型学生模型以替代原教师。

    推荐理由:提出两阶段方法将大模型的 harness 进化能力迁移至小参数学生模型,在 RoboTwin 上显著降低算力成本并提升成功率。

  5. arXiv · 机器人与计算机视觉78

    基于能力条件的图控制屏障函数:异构移动机器人团队的零样本安全导航

    针对现有图控制屏障函数方法假设同构动力学或无法自然迁移至未见模型的局限,本文提出了能力条件异构图控制屏障函数(CC-HGCBF)。该方法在共享二阶参考点操作空间中定义安全几何表示,并引入径向能力场(RCF)以紧凑表征机器人状态相关的有限时域可达速度集。通过联合训练屏障与策略,实验展示了在混合团队中的可扩展安全协调、对未见机器人模型的零样本迁移以及在物理机器人上的无需重训部署能力。

    推荐理由:提出能力条件图控制屏障函数,实现异构机器人团队零样本安全导航与迁移。

  6. arXiv · 机器人与计算机视觉78

    CIMI:一种基于接触模仿的灵巧技能转移框架

    论文提出了 Contact Imitation Interface (CIMI) 框架,旨在通过无机器人的人体演示来规模化灵巧操作数据。该框架包含演示与学习两个接口:演示接口结合共享接触几何、指尖 RGB 视图及接触优先重定向技术;学习接口引入分层策略,由接触表面规划器预测相对轨迹并由控制器协调手腕与手指指令以优化对齐。

    推荐理由:提出 CIMI 框架,通过接触几何对齐与分层策略,在 LEAP 和 Wuji 数据集上使六组手部任务的最终成功率提升至少 50 个百分点。

  7. arXiv · 机器人与计算机视觉78

    FlapSim:一种可组合的 MuJoCo 扑翼仿真平台及降阶气动模型层级

    该论文提出了 FlapSim,一个模块化的开源 MuJoCo 仿真平台,用于解决扑翼飞行中高频气动动力学与低频飞行控制/强化学习动态之间的协调问题。研究在 48 个涵盖频率、舵机、风场等场景的独立测试集中,对比了五种降阶配置,发现结合多速率时钟同步、三维流入耦合及相位锁定谐波合成的五块模型架构,在保持 65.19 倍 CPU 加速的同时将平均力矩保真度提升至 0.9646。

    推荐理由:该工作提出了 FlapSim 模块化开源平台,在 MuJoCo 框架下实现了高频扑翼气动与飞行控制的确定性模拟,并量化了不同简化模型在精度与速度间的权衡。

11月1日周日
  1. Hugging Face Daily Papers82

    Democratizing Robot-Use Agents: A Unified Harness with Open Models

    论文介绍 uni-robot-agent 框架,旨在通过开放权重模型降低机器人使用代理(RUA)的研究门槛。实验显示,无需特权输入时,Qwen3.8-Flash-Next 在 RoboDojo 基准上得分 31.39,超越 GPT-6 Astra-RoboProbe 的 28.97 分,并在 19 个真实世界任务中表现具有竞争力。

    推荐理由:该工作提出统一框架 uni-robot-agent,验证了开源模型在无特权输入下即可达到与闭源模型相当的零样本操作能力。

10月31日周六
  1. 量子位84

    面壁智能开源ForgeKernel:AI Agent零帧起手将DeepSeek核心算子提速9.8%

    面壁智能开源算子生成系统ForgeKernel,其Agent在无源码、无论文参考情况下,于英伟达B200上通过42轮迭代将FlashMLA Prefill算子耗时从518微秒降至472微秒,超越人类手写巅峰9.8%。该系统在昇腾CANN三大榜单均排名第一,且已在国产芯片与英伟达平台完成MiniCPM5-1B长训测试,标志着AI研发主体正从人类转向模型。

    推荐理由:面壁智能开源ForgeKernel,展示Agent在无源码情况下将FlashMLA算子提速9.8%,并已在国产芯片与英伟达平台完成真实训练测试。

  2. 量子位78

    智元发布GO-3 Preview与WITA-OMNI双模型,宣布年底开源灵渠OS

    智元在创新日发布具身基座模型GO-3 Preview和全模态交互大模型WITA-OMNI,两者分别在作业与交互评测中登顶。公司同时推出第三代硬件架构AHA3、精灵G2 Max本体及灵渠OS 1.0系统,并宣布今年年底全面开源灵渠OS 1.0,向开放原子开源基金会捐赠该项目,开放2亿行代码与5000多个生态软件包。

    推荐理由:智元发布新一代基座与交互大模型,并宣布年底全面开源灵渠OS及2亿行代码。

  3. The Robot Report78

    人形机器人开发商 Agility 拟通过 SPAC 交易融资约 4.65 亿美元

    Agility Robotics Inc. 与 Churchill Capital Corp XI 宣布,预计其合并后的 SPAC 交易将筹集约 4.65 亿美元资金,包括来自信托账户、PIPE 及已获得的股权融资。

    推荐理由:文章披露 Agility Robotics 拟通过 SPAC 融资约 4.65 亿美元,并公布 Digit 5 产品进展与多领域客户部署计划。

10月30日周五
  1. arXiv · 机器人与计算机视觉82

    基于视觉语言模型的证据门控任务与运动规划方法

    该论文提出证据采集与可行性门控(EAFG)框架,旨在解决机器人执行长周期操作时依赖先验知识而忽视观测支持的问题。通过让视觉语言模型生成子目标并执行动作序列来采集视觉证据,系统据此决定是继续规划、获取进一步证据还是停止任务。研究在三个烹饪场景下评估了该方法,结果显示其在明确指令和模糊指令场景中优于基线,并能正确识别缺失物体时停止执行。

    推荐理由:提出证据门控框架,结合视觉语言模型与任务运动规划以处理指令可行性。

  2. arXiv · 机器人与计算机视觉82

    RE4:基于操作模式的物体交互变换感知模仿学习

    针对物体交互任务中端到端生成式策略缺乏可解释性的问题,本文提出 RE4 框架,从第一性原理出发利用操作模式理论构建简单且可解释的模仿学习体系。该框架包含四个关键步骤:姿态估计以获取物体信息、基于操作模式的演示检索与变换、连接检索点的重规划以及返回变换后的演示进行 rollout。

    推荐理由:该工作提出 RE4 框架,通过姿态估计与操作模式感知实现可解释的演示检索与变换,在仿真及真实机器人实验中均优于基线。

  3. arXiv · 机器人与计算机视觉78

    Latent Policy Steering:基于单步流策略的潜在策略引导

    针对离线强化学习中回报最大化与行为约束间的脆弱权衡问题,本文提出 Latent Policy Steering (LPS) 方法。该方法通过反向传播原始动作空间 Q 梯度至可微单步 MeanFlow 策略来更新潜在动作空间的 Actor,消除了代理潜在评论家,使原始动作空间评论家能端到端引导潜在空间优化。

    推荐理由:提出 Latent Policy Steering 方法,通过可微单步流策略实现高保真潜在策略改进,在 OGBench 及真实任务中优于强基线。

  4. arXiv · 机器人与计算机视觉82

    接触丰富机器人任务的安全学习:从经典方法到安全基础模型的综述

    这篇论文是发表在 npj Robotics 上的综述,全面回顾了接触丰富机器人任务中基于学习的控制方法,特别是如何确保探索与执行阶段的安全性。文章将现有方法分为安全探索和 safe execution 两类,涵盖了约束强化学习、风险敏感优化、不确定性建模、控制屏障函数和模型预测安全盾等技术。

    推荐理由:该综述系统梳理了从经典方法到基础模型在接触丰富任务中的安全学习进展,为相关团队评估现有技术与未来方向提供参考。

  5. arXiv · 机器人与计算机视觉82

    BBoE:利用边束进行动力学双向运动规划

    本文介绍 BBoE,一种结合探索与利用、依赖预计算机器人运动的快速双向动力学采样规划算法。该策略通过利用预计算的边束(bundle of edges)在障碍物密集环境中高效收敛至目标。

    推荐理由:该工作提出利用预计算运动束的双向动力学规划器,在四套不同系统中实现高成功率与低耗时。

  6. arXiv · 机器人与计算机视觉78

    Is It the Curriculum or Just the Easy Start? Benchmarking Unsupervised Environment Design on Quadrupeds

    论文提出了一项基准,在 MuJoCo 平台上对五种四足机器人(W01-TEK、Unitree Go1/Go2、Google Barkour vB、Boston Dynamics Spot)运行了十四种无监督环境设计、域随机化和机器人课程方法。

    推荐理由:该基准在 MuJoCo 上对四足机器人评估了十四种无监督环境设计与课程方法,揭示了简单起步策略的局限性并提供了选型指南。

  7. arXiv · 机器人与计算机视觉78

    Kairos:跨经典、数值、时序及混合 PDDL 的语义感知规划引擎编排系统

    针对机器人运行时重规划需求,Kairos 系统能读取包含持续动作、数值资源、时间窗口等复杂特征的 PDDL 描述,并快速交付验证过的计划。该系统根据任务语义自动从五种异构求解器(地面启发式搜索、压缩时序搜索、混合动力学步长、提升搜索)中选择引擎并在统一预算下调度,所有候选计划均经独立验证器检查。

    推荐理由:Kairos 通过语义感知自动调度五种异构 PDDL 求解器,在九套基准测试中解决任务数优于各套件最强专用求解器,并开源了代码与评测工具。

  8. arXiv · 机器人与计算机视觉82

    PhysVLMM:面向机器人场景地图的交互条件化物理信念图

    该论文提出 PhysVLMM 方法,为视觉 - 语言 - 运动地图中的每个铰接部件维护物理信念并回答规划器查询。面对移动物体无法识别动力学、仅凭拉动测量只能确定被拉部件及方向的问题,该方法将方向作为后验分布而非点估计,以闭式形式传递证据给未受影响的相似部件,并在给定风险下判断动作是否成功或放弃。

    推荐理由:PhysVLMM 方法在真实家居环境中实现了对铰接物体动力学的快速推断,显著优于可微仿真与单视角学习基线。

  9. arXiv · 机器人与计算机视觉84

    DAWN:基于扩散的对齐与拆卸工作流程网络

    论文提出了 DAWN(Diffusion-based Alignment and unfastening Workflow Network),这是一个用于执行现实世界拆卸任务的分层机器人框架,通过多模态感官融合解决精密螺丝刀接触、力控及环境鲁棒性挑战。

    推荐理由:该工作提出分层框架 DAWN,在 Franka Emika 机器人上实现了与人工相当的螺丝对齐插入及稳定拆卸能力。