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 20 页

10月30日周五第 381–400 条
  1. arXiv · 机器人与计算机视觉78

    基于上下文中行为适应的跨控制器迁移方法

    针对通用机器人策略通常假设单一控制器的局限,本文研究如何在不同控制器及增益设置间进行数据迁移而不产生冲突解释。提出的框架通过编码指令动作与机器人运动的行为交互示例,利用 Transformer 上下文编码器实现单策略在上下文中的自适应。

    推荐理由:提出通过上下文行为适应实现跨控制器与本体策略迁移,在接触类任务中显著提升成功率。

  2. arXiv · 机器人与计算机视觉85

    WorldFlow:通过大规模预训练实现视频与 3D 运动联合预测

    针对现有视频世界模型隐含 3D 动力学、动作表述绑定特定机器人配置以及 3D 运动预测仅使用流监督信号等局限,该工作提出 WorldFlow,这是一个生成式世界模型,能够联合预测未来视频和基于查询的 3D 轨迹。

    推荐理由:该工作提出统一架构联合预测视频与三维轨迹,在仿真及真实数据上均取得最佳位移误差。

  3. arXiv · 机器人与计算机视觉82

    Seeing and Imagining as One:GenSight 统一视频生成与 4D 感知用于具身世界建模

    论文提出了 GenSight,这是一个统一的具身世界模型,将未来视频生成和稠密感知整合进同一个预训练视频扩散 Transformer 中。该模型使用统一的时空表示处理视频、深度、具身分割和首帧相对 2D 光流,基于共享 DiT 骨干网络并通过轻量级任务调制在同一架构内预测所有模态。

    推荐理由:该工作提出将视频生成与稠密感知统一于单一架构,为具身世界建模提供了新的跨模态一致性思路。

  4. arXiv · 机器人与计算机视觉78

    Event2Reward:从任务进展关系中学习机器人奖励

    针对机器人强化学习中绝对任务进度难以标注的问题,本文提出 Event2Reward 方法,结合归一化时间锚点与轨迹内局部相对进度约束来构建稠密塑形奖励。作者在约 10 万条真实机器人执行记录(含成功、次优及失败案例)上构建了事件标注数据集,无需帧级绝对进度标签即可训练。

    推荐理由:提出 Event2Reward,利用轨迹内相对进度关系解决绝对进度未知时的奖励塑造难题。

  5. arXiv · 机器人与计算机视觉80

    EgoContact:基于第一人称视频的物理智能评估基准

    论文发布了 EgoContact 数据集,包含 2.25 万条人工校验的交互事件,每条数据均标注预接触观测、语义意图及像素级精确接触位置。研究指出当前方法在预测精确交互接触点及复杂场景目标定位上存在不足。实验表明,将 EgoContact 作为现有策略的记忆库可显著提升性能:仿真环境下抓取成功率从 14.2% 提升至 31.2%,真实机器人上从 16% 提升至 58%。

    推荐理由:该工作构建了首个以未来接触点预测为核心的大规模第一人称数据集,并验证了其在提升仿真与真实机器人抓取成功率上的显著效果。

  6. arXiv · 机器人与计算机视觉82

    Tactus:一款用于自然灵巧性数据收集的触觉与姿态感知手套

    Tactus 是一款集成纺织传感的手套,通过薄型化设计、电容式触觉传感器和 IMU 融合姿态追踪,解决了指尖力觉测量与手部遮挡下的姿态跟踪难题。材料给出了最小可探测力为 0.59 N(置信度 95%),跨参与者一致性达 0.87,并在重度遮挡下保持 11.0 mm 的指尖关键点相对误差。

    推荐理由:原文给出了触觉手套的硬件指标与跨平台基准评测结果,相关团队可据此评估其是否适合现有数据采集流程。

  7. arXiv · 机器人与计算机视觉81

    ELEVATE:基于任务失败的四足机械臂控制器获取框架

    论文提出 ELEVATE 框架,通过识别任务规划中的持续失败来自动获取缺失的全身控制能力。系统从单个预训练控制器出发,自主习得了墙支撑提升、受助操作和下降等七项仿真任务的控制策略,并在后续任务中复用这些控制器。

    推荐理由:该框架利用任务失败自动获取缺失的全身控制能力,并在仿真与物理机器人上验证了跨任务迁移效果。

  8. arXiv · 机器人与计算机视觉82

    METATRON:一种面向人形机器人的可提示词驱动全身执行层

    论文介绍 METATRON,这是一种结合生成式基础策略与可编程技能层的可提示词全身执行架构。基础策略接收包含时间目标、速度指令和风格线索的提示词,输出协调运动;训练数据融合动作捕捉、合成恢复轨迹及重定向场景交互。

    推荐理由:提出可被提示词驱动的全身执行层,将编程技能与生成式策略结合,在物理机器人上实现多任务冻结策略。

  9. arXiv · 机器人与计算机视觉83

    Echo:一种通过离线经验扩展视觉强化学习的单阶段框架

    针对视觉强化学习中渲染与推理成本高昂的问题,本文提出了 Echo 方法,这是一种单阶段的离线强化学习框架。该方法利用基于状态的辅助策略进行逆蒸馏,收集无需渲染的低成本经验,并通过共享特权评论器直接改进视觉策略。

    推荐理由:提出单阶段离线强化学习框架,利用逆蒸馏收集无渲染经验以加速视觉策略训练。

  10. 量子位80

    清华联合无问芯穹、智元提出具身智能群体经验学习新范式

    清华大学联合无问芯穹、智元提出群体经验学习(CEL)新范式,让机器人通过借鉴同伴经验实现自主进化。在96台真实机器人集群中验证了该范式,五项任务成功率均超人类平均水平,且随规模扩大持续提升。系统层面构建了容错异步训练系统,算法层面提出失败引导的经验检索微调方法,打通了从单台能力提升到群体持续进化的产业化链路。

    推荐理由:清华联合无问芯穹、智元提出群体经验学习新范式,在96台机器人集群中验证了规模化落地路径。

  11. Hugging Face Daily Papers78

    EditAgent:重新思考代理式图像编辑

    针对现有代理式图像编辑器在步骤失败时重试工具单一、人工评分不可靠的问题,本文提出 EditAgent 框架。该框架将每个步骤路由至通用编辑器与专用方法,并为候选结果附加验证记录,利用现成视觉语言模型(VLM)进行列表级并行评测。实验显示,该方法在专家标注基准上显著优于微调奖励模型,且能以不超过一半的调用次数完成决策。

    推荐理由:该文提出 EditAgent,通过路由策略与验证记录解决通用编辑器失败率高及评测不可靠问题。

  12. Hugging Face Daily Papers78

    RoboArchitect:自动化设计具备持久记忆的机器人代理

    论文 RoboArchitect 展示了一种无需更新模型权重的方法,通过代码模型观察机器人执行过程、诊断失败并迭代优化控制架构(harness)。该方法自动设计了直观的控制策略(如处理卡住的手臂)和持久记忆机制,在多个基准测试中,将通用策略在未见过场景的平均成功率从 9.7% 提升至 43.3%,在未见过任务中从 12.7% 提升至 40.2%。

    推荐理由:该工作提出无需微调即可自动设计机器人代理架构,显著提升了通用策略在未见场景与任务上的成功率。

  13. The Robot Report78

    白宫就外国制造机器人做出第 232 条款决定

    美国商务部调查认定机器人及工业机械进口威胁国家安全与经济竞争力。特朗普总统据此发布声明,指出这些技术对国防、商业及两用目的至关重要,并指示政府与贸易伙伴谈判以调整进口规模。行业人士认为这释放了支持本土供应链的信号,但关税并非立即生效,未来政策走向取决于谈判结果。

    推荐理由:白宫认定机器人进口威胁国家安全,将启动与贸易伙伴的谈判以调整进口规模。

10月29日周四
  1. 奥比中光 Orbbec · News67

    Orbbec 与 ACE Robotics 达成战略合作推进物理 AI 数据采集

    Orbbec 与 ACE Robotics 签署采购协议并建立全面战略合作伙伴关系,覆盖 10,000 台机器人视觉产品及无感数据采集硬件。双方将聚焦机器人视觉与高质量现实世界数据收集,以支持具身智能的大规模部署及世界模型(如 Kairos 3.1)的持续演进。

    推荐理由:双方达成战略合作,Orbbec 将向 ACE Robotics 供应深度相机及机器人无感数据采集硬件,以支持具身智能大规模数据收集与世界模型演进。

  2. 智元 AGIBOT · Newsroom87

    智元发布 GO-3 Preview 预训练模型,在三大具身智能基准测试中位列第一

    智元今日发布 GO-3 Preview 具身基础模型,该模型支持从预训练、后训练到部署后的全生命周期学习,并在 RoboDojo、RoboTwin 和 RoboColiseum 三项主要具身智能基准测试中获得第一名。

    推荐理由:智元发布 GO-3 Preview 预训练模型,在三大基准测试中位列第一,并开放全生命周期学习架构与仿真工具链。

  3. Hugging Face Daily Papers78

    WorldBridge:面向任务泛化的世界动作模型研究

    论文针对具身智能模型的物理环境任务泛化挑战,提出 WorldBridge 架构,通过视频预测与动作桥接实现任务迁移。实验显示,在 RoboTwin 2.0 上仅用分布内监督成功率为 25.07%,加入无标签视频提升至 55.90%,再增加少量带标签演示可达 70.70%。该方法结合视觉记忆与动作强制机制,在多个操作基准测试中达到当前最佳性能。

    推荐理由:该工作提出 WorldBridge 架构,通过视频预测与动作桥接实现任务泛化,在 RoboTwin 2.0 等基准上达到 SOTA。

  4. Hugging Face Daily Papers84

    CaPtain:一种用于后训练代码策略机器人的流水线

    论文介绍 CaPtain,这是一个开源的后训练流水线,旨在将小型开放视觉语言模型(VLM)转化为无需依赖大型闭源模型或预训练 VLA 的代码策略机器人代理。该方法首先通过合成轨迹进行监督微调对齐基座模型,随后应用多回合强化学习,并引入读取仿真特权状态的物理评论家来分配信用。

    推荐理由:该工作提出 CaPtain 流水线,利用物理评论家解决多回合强化学习的信用分配难题,将小模型在仿真与真实机器人上的成功率提升至超越前沿水平。

10月28日周三
  1. 盖世汽车 · 汽车资讯78

    禾赛科技发布机器人运动与三维世界数据引擎

    禾赛科技宣布布局机器人运动引擎与三维世界数据引擎,旨在构建物理AI时代的基础设施。动力模组体积缩小37%、功率密度提升3倍,已赋能Sharpa灵巧手并进入英伟达参考方案;Kosmo系统可同步生成多种三维形态,在DQ冰淇淋门店部署中使任务成功率提升至99%。截至2026年第二季度末,禾赛已累计交付动力模组超1万套,正从激光雷达公司向物理AI基础设施公司转型。

    推荐理由:原文披露了动力模组与三维数据引擎的具体性能指标及在真实门店的部署效果,为评估其技术成熟度提供了参考。

  2. 量子位77

    OpenAI发布GPT-6.1 Terra,主打更低成本与更强电脑操作能力

    OpenAI正式发布GPT-6.1 Terra模型,其标准API价格较上一代砍半,在Agents' Last Exam等职场软件实战测试中表现接近旗舰模型但成本显著降低。官方数据显示该模型在视觉理解、代码生成及少说胡话方面均有提升,适合处理跨软件协同操作任务。同一天OpenAI还公布了三项由内部AI系统产出的科学结果,涉及调和分析、复杂性理论和量子场论领域。

    推荐理由:OpenAI发布GPT-6.1 Terra,主打更低成本与更强电脑操作能力,同时公开三项基础科学突破。