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 27 页

10月23日周五第 521–540 条
  1. arXiv · 机器人与计算机视觉78

    Memory before Goal:面向人形机器人移动操作任务的预历史记忆研究

    针对动态场景中非马尔可夫特性导致线索消失的问题,本文提出 WholeBodyMem 方法,利用 SAM3 追踪任务物体并因果选择关键帧构建感知记忆,供动作专家通过交叉注意力读取。该方法在仿真和真机(宇树 G1)上均显著优于无记忆及均匀采样基线,将基础策略成功率分别提升至 72.6% 和 88.3%,同时改善了标准 SIMPLE 任务表现。作者开源了包含六个仿真与六个真机任务的 HuMeGo 基准。

    推荐理由:提出 WholeBodyMem 方法,利用预历史记忆将仿真与真机任务成功率分别提升至 72.6% 和 88.3%,并开源 HuMeGo 基准。

  2. arXiv · 机器人与计算机视觉85

    RECAP:单次观看不足以支撑视觉语言推理

    针对长思维链推理中模型偏离图像证据且强化学习仅提供最终奖励的问题,本文提出 RECAP 方法。该方法将视觉重访痕迹转化为信用分配信号,无需额外奖励或推理时改动,即可在 Qwen2.5-VL-7B、InternVL3-8B 和 LLaVA-OV-7B 等模型上提升图像 grounding 推理能力并保留文本性能。

    推荐理由:提出 RECAP 方法,利用视觉重访信号优化 GRPO 训练,提升多模型在图像 grounding 上的推理准确率。

  3. arXiv · 机器人与计算机视觉80

    DRILL:通过改进策略而非预测像素来训练世界模型

    论文指出当前世界模型多用于预测下一帧像素,但这并非强化学习中想象回放的唯一目的;作者提出 DRILL 框架,利用下游回报信号更新世界模型。实验显示该方法在五个操作仿真器和两个 VLA 骨干上均能提升策略成功率,且能与 RLVR 预训练互补而非竞争。

    推荐理由:提出 DRILL 框架,证明以策略效用为目标的世界模型训练优于单纯像素预测,在多个仿真器与 VLA 骨干上提升成功率。

  4. arXiv · 机器人与计算机视觉78

    Co^2Gen:无需遥操作自动生成多机器人协作任务计划以微调 VLA 模型

    针对视觉语言动作(VLA)模型在与其他机器人或人类协作方面的能力不足问题,本文提出 Co^2Gen 框架。该框架利用去中心化协同规划方法生成可执行的多机器人协作计划,进而产生协作演示数据用于微调 VLA 模型。实验表明,基于该方法生成的数据进行微调的模型,在执行去中心化协作任务时的表现与使用人类遥操作数据微调的模型相当。

    推荐理由:提出无需遥操作的协同规划框架,生成数据微调 VLA 模型效果媲美人类演示。

  5. arXiv · 机器人与计算机视觉78

    GlobMP:一种具有全局收敛性的连续时间运动规划与转向方法

    论文提出了 GlobMP(Global Motion Planning)算法,这是一种基于梯度投影的连续时间规划方法,旨在同时满足避障约束和保持轨迹接近学习策略提出的初始路径。

    推荐理由:提出 GlobMP 算法,在连续时间框架下解决多机器人避障与轨迹平滑优化问题。

  6. arXiv · 机器人与计算机视觉78

    OASIS:面向动态环境开放词汇检索与导航的在线锚点中心场景推理系统

    针对现有机器人建图方法在语义上下文与计算成本间的权衡难题,论文提出 OASIS 统一系统,利用稀疏锚点节点整合多模态表征以支持推理、验证与导航。系统在仿真和真实环境中演示了复杂开放词汇检索、动态环境导航以及在场景变化后对位移物体的重定位能力。材料为预印本,已获 ACM Multimedia 2026 口头报告录用。

    推荐理由:提出基于锚点的在线推理系统,在仿真与真实环境中验证了动态场景下的开放词汇检索、导航及物体重定位能力。

  7. arXiv · 机器人与计算机视觉82

    外部化记忆:一项关于具身智能体经验应存储在哪里的预注册研究

    该论文通过预注册实验对比了将具身智能体的经验嵌入策略权重与作为外部检索缓冲器的效果。结果显示,将冻结的检索缓冲器附加到固定学生权重上比仅行动控制提升 34 个百分点,显著优于将记忆蒸馏进权重的方案(后者因统计功效不足被撤回)。研究结论建议采用外部化记忆架构,即保留独立缓冲器而非将其参数化入模型权重。

    推荐理由:预注册研究表明将记忆外置并作为检索缓冲器使用时,比嵌入权重更能提升具身智能体在视觉条件化任务上的表现。

  8. Hugging Face Daily Papers84

    SkeLAM:一种用于机器人世界模型的骨架引导潜在动作模型

    论文提出了 SkeLAM 模型,旨在解决传统重建驱动方法中机器人运动与环境响应混杂的问题。该方法将潜在动作分解为由机器人骨架监督的刚体运动分量和保留互补视觉动态的残差分量,并通过跨模态交换重构确保两者可互换。

    推荐理由:提出基于骨架引导的潜在动作模型 SkeLAM,通过解耦运动与视觉动态提升机器人世界模型的生成可控性与零样本迁移能力。

  9. 工业和信息化部 · 文件与征求意见75

    工信部公开征求《汽车数据安全要求》等五项强制性国家标准意见

    工业和信息化部装备工业一司组织全国汽车标准化技术委员会开展制修订工作,形成《汽车数据安全要求》等五项强制性国家标准的征求意见稿。征求意见截止日期为2026年12月19日,涉及智能网联汽车泊车组合驾驶辅助系统安全、自动泊车系统安全及车载无线广播接收系统等具体领域。

    推荐理由:工信部公开征求五项强制性国家标准意见,涵盖数据安全、外部照明及泊车辅助系统安全要求。

  10. Hugging Face Daily Papers82

    RynnUnify:迈向统一的具身大脑

    Hugging Face Daily Papers 转述了一篇 arXiv 论文,介绍 RynnUnify 这一 16B 参数规模的统一具身模型。该模型结合视频语言推理实现长视界视觉规划与物理预测,并通过强化学习扩展智能体能力以推断未观测状态,同时开发世界 - 动作扩展将理解转化为机器人控制。

    推荐理由:该预印本介绍了 RynnUnify 统一具身模型,展示了其在视觉规划、物理预测及机器人控制上的实验结果与基准。

10月22日周四
  1. Hugging Face Daily Papers78

    ToM2Vec:面向多智能体协作的连续思维向量研究

    为了解决大语言模型难以在文本空间中准确表征多个可能伙伴状态的问题,该研究提出 ToM2Vec 方法,利用固定预算的连续推理令牌学习抽象思维理论。训练时通过匹配伙伴的实际思想进行监督,测试时生成的令牌作为智能体思考与行动的条件器。

    推荐理由:该文提出连续思维向量方法,在多智能体协作中通过潜在空间推理提升对伙伴状态的抽象理解与泛化能力。

  2. arXiv · 机器人与计算机视觉82

    BiMoGen:基于统一掩码离散扩散的双向运动文本生成

    BiMoGen 是一个统一的掩码离散扩散框架,用于双向运动文本建模。该方法采用解耦的单模态与跨模态两阶段训练策略,并引入生成感知自修正机制以缓解训练测试不匹配问题。实验在 HumanML3D 和 KIT-ML 数据集上验证了其在文本生成动作描述及动作描述文本任务上的竞争力。

    推荐理由:该文提出基于掩码离散扩散的双向运动文本生成框架,通过解耦训练与生成感知自修正机制解决时序一致性问题。

  3. arXiv · 机器人与计算机视觉78

    超越外观偏移:面向 VLA 模型的基于任务语义的动作校准

    论文提出 BAS-VLA 框架,旨在解决视觉语言动作(VLA)模型难以区分应保留行为的外观变化与需调整行为的语义变化的问题。该框架在冻结基座模型上构建以‘破坏性’为中心的校准核心,并辅以选择性证据门控机制来修正外观诱导的漂移。实验显示,BAS-VLA 将任务切换成功率从 2.3% 提升至 68.5%,同时在保持风格不变的外观偏移下将成功率从 42% 提升至 70%,且未降低原始性能。

    推荐理由:提出 BAS-VLA 框架解决 VLA 模型在外观变化与语义变化下的策略漂移问题,显著提升任务切换成功率。

  4. arXiv · 机器人与计算机视觉78

    ReStruct:基于物理感知的任务结构重配置实现推理时机器人行为引导

    论文提出了 ReStruct 方法,旨在解决部署学习到的机器人策略时的推理时行为引导难题,即在无需重新训练的情况下将策略导向用户偏好。该方法构建于神经自动机策略之上,将其分解为捕捉任务结构的高层状态机骨架和表示残差策略的低层连续控制器。

    推荐理由:提出 ReStruct 方法,通过重构任务结构实现推理时行为引导,在仿真与真实世界中均优于现有方法及 VLA 模型。

  5. arXiv · 机器人与计算机视觉78

    μ_0:一种可扩展的 3D 交互痕迹世界模型

    论文提出了 μ_0,这是一种基于 3D 轨迹的可扩展世界模型,旨在通过预测物体、工具及接触区域的平滑 3D 轨迹来替代像素重建或直接动作建模,从而实现无需具身特定标签的机器人学习。

    推荐理由:该工作提出基于 3D 轨迹的世界模型,无需动作标签即可实现跨机器人泛化,预训练版本已接受 CoRL 2026。

  6. arXiv · 机器人与计算机视觉78

    MiTaS:面向接触丰富操作的多分辨率触觉模仿学习研究

    该论文提出多分辨率触觉感知框架 MiTaS,利用模态特定卷积主干与 Transformer 融合机制,整合 RGB 相机、GelSight Mini 传感器及高频事件驱动 Evetac 传感器的信息。系统性实验在五项接触丰富的操作任务中验证了该方法的有效性,平均成功率为 80%,而纯视觉基线仅为 35.5%。该成果已提交至 CoRL 2026 会议,预印本发布于 arXiv。

    推荐理由:该工作提出多分辨率触觉表征框架 MiTaS,融合 RGB、GelSight 与事件相机数据,在五项接触丰富任务中平均成功率达 80%,显著优于纯视觉基线。

  7. arXiv · 机器人与计算机视觉78

    让事情保持简单:视觉语言动作模型的一步动作生成方法

    论文提出针对视觉语言动作模型(VLA)的高效一步生成策略。研究发现,仅将训练时间步分布偏向噪声端点,即可在 LIBERO、CALVIN 等基准上获得强单步策略;对于开源 VLA 模型,简单替换迭代解码为单次前向传播即可达到与多步解码相当的效果。

    推荐理由:研究发现 VLA 因条件 - 目标结构特性,仅需调整时间步分布即可实现高效单步动作生成,无需蒸馏或专用目标。

  8. arXiv · 机器人与计算机视觉78

    反馈式世界模型实现扩散策略的精准引导

    针对世界模型在分布外状态预测不可靠的问题,本文提出一种推理时的反馈机制,利用执行后的真实观测在线校正预测偏差。该方法引入动作感知引导以优化控制翻译,并在 LIBERO-Plus、Robomimic 及实物操作任务中显著提升了策略性能,将预测误差降低最高达 76.4%。实验证明该机制可即插即用,能改进预训练基础模型 Fast-WAM-Joint 的预测效果而无需更新其参数。

    推荐理由:提出推理时反馈机制,无需额外训练即可修正预测误差并提升策略性能。

  9. arXiv · 机器人与计算机视觉78

    ExtremControl:低延迟人形机器人遥操作与缩放速度前馈

    论文提出 ExtremControl 低延迟全身控制框架,通过底层加入缩放速度前馈减少约 70ms 跟踪延迟,并直接在 SE(3) 位姿上操作以避开关节空间重映射。系统支持光学动作捕捉与 VR 追踪,端到端延迟低至 50ms,实现了乒乓球平衡、抛接球等现有遥操作无法完成的任务。

    推荐理由:提出 ExtremControl 框架,通过速度前馈与 SE(3) 位姿控制将端到端延迟降至 50ms,支持乒乓球平衡等新任务。