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 43 页

10月8日周四第 841–860 条
  1. arXiv · 机器人与计算机视觉82

    COOL:基于好奇心的物体归属学习用于个性化机器人辅助

    论文提出了 COOL 框架,旨在让机器人在日常环境中从观察中自主学习物体归属关系并维持长期空间记忆。该框架利用基于代理的好奇心驱动数据收集策略,引导机器人前往最具信息量的位置以更新陈旧观测。离线实验、消融研究和现实世界评估表明,COOL 能够从真实交互中推断出归属关系,并利用这些知识进行条件化的导航和任务执行。

    推荐理由:论文提出 COOL 框架,通过好奇心驱动的数据收集学习物体归属关系并维持长期空间记忆。

  2. arXiv · 机器人与计算机视觉82

    无需不安全数据即可通过最优性与反事实正则化学习未知约束

    该工作引入 Counterfactual KKT (CF-KKT) 框架,旨在从满足约束的专家行为中推断未知约束。方法首先利用局部学习的可微动力学模型在演示上施加基于 KKT 的最优性条件;其次生成奖励改进的反事实行为以揭示潜在偏好并合成不可行数据。该方法结合了 CIOC 的数据效率与安全性优势及 ICRL 的灵活性,在高维机器人控制任务中展现了优于离线 ICRL 基线的安全性与数据效率。

    推荐理由:提出 CF-KKT 框架,利用局部最优演示与可微动力学模型在无风险探索下恢复未知约束。

  3. arXiv · 机器人与计算机视觉83

    VLM 为何会漏掉小物体以及何时缩放是安全的

    该研究提出基于视觉 token 数量与覆盖内容的理论框架,解释了 VLM 在大图像中漏检小物体的原因及缩放操作的代价。实验表明,局部分解策略在满足特定重叠条件下不会降低召回率,且在某些场景下能提升效果。材料为预印本论文,未涉及真实机器人部署或产品发布。

    推荐理由:理论界定了大图像中漏检小物体的根本限制,并证明局部分解策略在特定条件下可无损提升召回率。

  4. arXiv · 机器人与计算机视觉78

    Robo-COP:通过部署实现机器人编排器与策略的协同进化

    针对 VLA 策略在真实部署中泛化不足且受限于固定编排器的瓶颈问题,论文提出 Robo-COP 框架,使编排器与策略在部署过程中协同进化。该方法从自身执行中筛选技能演示,仅在能解决重复性失败时微调策略,并在新策略提升原有技能表现后才采纳。

    推荐理由:提出 Robo-COP 框架,通过编排器与策略协同进化解决泛化瓶颈,仿真成功率提升约9个百分点。

  5. arXiv · 机器人与计算机视觉84

    多物体多目标投掷的快速规划方法

    论文提出了一种针对物流和仓储自动化的多物体多目标投掷(MOMT)快速规划框架。该方法离线构建可行集模型,在线通过状态匹配与过滤在 5 ms 内生成投掷序列。实验基于配备多指手的 7-DoF 机械臂,仿真显示双物体协同投掷比独立规划快 46%,实物实验确认快 29%。

    推荐理由:该预印本提出了首个多物体多目标投掷统一规划框架,在仿真与实物上验证了通过单次挥臂提升吞吐率的可行性。

  6. arXiv · 机器人与计算机视觉78

    StableGrasp:从单张图像重建物理稳定的手部抓握

    论文提出了 StableGrasp 方法,这是一个基于可微仿真优化的框架,旨在解决仅凭 RGB 图像重建物理稳定人手抓握的难题。该方法将视觉手姿与决定抓取力的控制目标显式分离,通过在可微仿真器中最小化抓取的动能来联合优化几何与控制,同时正则化以保持视觉一致性和几何合理性。

    推荐理由:提出基于可微仿真的优化框架,将视觉手姿与力学控制目标解耦,显著提升了单图重建握持的物理稳定性。

  7. arXiv · 机器人与计算机视觉78

    CureWM:诊断与修复机器人世界模型的失败不敏感性

    论文指出当前机器人世界模型存在对动作变化敏感度弱、在已验证失败场景下仍给出成功预测的问题。作者提出 CureWM 方法,通过从成功演示构建替代动作并在仿真或硬件上验证其结果,利用这些受控对比数据微调现有模型。实验显示,该方法显著降低了模型的过度乐观倾向并提升了成败区分能力。代码已在 GitHub 开源。

    推荐理由:针对机器人世界模型对失败不敏感的问题,提出通过构建替代动作并在仿真或硬件上验证结果后进行微调的修复方法。

  8. arXiv · 机器人与计算机视觉82

    FlashNeRD:面向高性能的富接触神经机器人动力学

    论文 FlashNeRD 针对现有神经机器人动力学模型速度慢、仅支持预定义点接触及缺乏双向耦合的问题,提出并行流式架构与通用编码器。实验表明其推理速度比优化版 NeRD 快 55 倍,策略学习(如 ANYmal 运动)加速 3.8 倍,且能完成固定接触模型无法处理的平台攀爬任务。

    推荐理由:FlashNeRD 提出并行流式架构解决 NeRD 速度瓶颈与接触限制,实验显示策略学习加速显著且能处理复杂操作。

  9. arXiv · 机器人与计算机视觉83

    Workhorse:基于人类数据的鲁棒全身人形机器人位姿规划与操作研究

    论文提出 Workhorse 框架,通过无机器人参与的人类演示数据,分别训练预测躯干、手腕和脚部五连杆目标的视觉规划器及强化学习全身跟踪器。系统在真实 Unitree G1 上展示了分拣盒子、踢球、接住抛掷物以及翻越行李箱的能力,并在有人推搡或拿走物体时保持恢复能力。仿真实验显示,该系统在演示室副本中完成分拣任务的成功率分别为 77%(含干扰)和 83%(无干扰)。

    推荐理由:Workhorse 利用人类演示数据训练视觉规划与强化学习策略,在 Unitree G1 上实现抗干扰的全身操作。

  10. arXiv · 机器人与计算机视觉78

    MimicX:一种将策略纳入循环的监督细化框架用于视频驱动的人形运动跟踪

    论文提出了 MimicX 框架,旨在解决基于视觉的人形机器人运动在物理执行中出现的持续失败问题。该方法从重建和重定向的运动开始,利用策略执行反馈来定位困难过渡和受影响的身体区域,并联合调整跟踪目标与重置课程以支持策略延续。

    推荐理由:该文提出利用执行反馈优化视频驱动的人形运动跟踪,在四个核心任务上显著降低误差并延长稳健执行时间。

  11. arXiv · 机器人与计算机视觉82

    SAFE:利用低成本声学传感统一检测机器人抓取中的滑移与断裂

    针对机器人抓取易碎物体时的状态感知难题,论文提出了 SAFE 方法,该方法无需视觉或先验材料知识,仅通过两个被动 PVDF 声学传感器和电机本体感知即可实时检测滑移与断裂。

    推荐理由:提出基于低成本声学传感器的滑移与断裂检测方案,在未知材质下实现高准确率闭环控制。

  12. 盖世汽车 · 汽车资讯76

    临界点OmniHand 3 Ultra完成苏绣精细操作演示

    临界点(AGILINK)宣布其旗舰灵巧手OmniHand 3 Ultra在苏州向红绣府完成了上绷、劈丝、捏针等多道苏绣工序,成功实现0.01毫米级丝线操作。该产品采用全直驱传动与21个主动自由度,配备指尖视触觉传感器及DUET双层具身接触智能架构,通过强化学习实现了复杂工序的连贯控制。目前OmniHand 3 Ultra已开启预订,累计交付量超1.5万台,位居国内灵巧手市占率第一。

    推荐理由:原文展示了OmniHand 3 Ultra在苏绣非遗场景下的精细操作能力,验证了其在极细丝线处理与长时序动作规划上的实际表现。

  13. Hugging Face Daily Papers77

    Long-WAM:在实时控制约束下扩展因果世界 - 动作模型的上下文长度

    该论文提出 Long-WAM 框架,旨在解决实时机器人控制中视觉历史过长导致延迟的问题。核心发现是视频基础模型采用自回归(AR)预训练能更有效地利用长历史上下文。

    推荐理由:该工作提出 Long-WAM 框架,通过自回归预训练显著延长因果世界 - 动作模型的上下文窗口,在真实机器人上实现长视界动态操作的高成功率与实时部署。

  14. Hugging Face Daily Papers78

    Sensor-Language-Action 模型:连接感知与行动的统一框架及 OpenSLA 发布

    论文介绍 Sensor-Language-Action (SLA) 建模框架,将多模态传感器观测、自然语言与动作在统一模型中连接,利用语言作为语义接口实现异构动作的表示、预测与解释。

    推荐理由:该工作提出统一传感器、语言与动作的建模框架,并构建大规模基准验证其在临床预测等真实任务中的性能。

10月7日周三
  1. Hugging Face Daily Papers82

    DAEDALUS:从自生成任务启动代理记忆的方法

    针对大语言模型代理缺乏环境操作知识且易重复犯错的问题,该研究提出 DAEDALUS 方法,通过配对探索者与求解者代理,在无先验知识和验证器情况下自生成可解任务并提炼启发式规则存入记忆库。实验显示该方法在 AppWorld、τ²-bench 和 AutomationBench 等基准上相比无记忆基线平均成功率提升最高达 15.9 个百分点,且推理成本低于多数训练任务方法。研究代码与工件已开源。

    推荐理由:该方法通过自生成任务构建无需先验知识的代理记忆,在多个基准上显著提升了成功率并降低了推理成本。

  2. Hugging Face Daily Papers78

    NeMo-DCR:面向万亿参数规模智能体强化学习的位精确差分压缩重拟合方法

    论文提出 NeMo-DCR(Delta-Compressed Refit)方案,解决智能体强化学习中全量权重同步耗时过长的问题。该方法仅传输变化量且保证接收端比特位完全一致,利用仿射映射投影变化和可压缩 XOR 掩码处理残差,结合对象存储流式传输替代跨集群集体通信。

    推荐理由:提出 NeMo-DCR 方案,通过位精确差分压缩将万亿参数模型跨集群重拟合时间从 87.5 分钟降至 150 秒。

  3. Hugging Face Daily Papers78

    从证据到行动:工具使用智能体的失败模式分析

    论文提出 SafeActBench 基准(656 个案例),研究工具使用智能体在从决策到执行的链条中,常因调查不完整或过早行动导致失败。即使获得必要证据,单步执行可靠但多步工作流仍暴露未解决的前置条件与执行不全问题。材料引入溯源绑定的证据账本与确定性轨迹评估器来追踪信息建立、动作发生及下游依赖满足情况。

    推荐理由:SafeActBench 基准揭示工具使用智能体在决策与执行间存在证据链断裂,静态评估强但交互执行弱。

  4. arXiv · 机器人与计算机视觉82

    FineART:面向双臂操作的细粒度标注数据集与视觉语言动作模型

    作者开源了 FineART 数据集和 FineART-VLA 模型,旨在解决现有数据缺乏长程多步骤双臂任务支持的问题。该数据集包含 40,543 集(共 1,718 小时)跨越 151 个任务的轨迹及 533,913 个子任务标注。

    推荐理由:作者开源了包含超 4 万集双臂任务的数据集与 VLA 模型,通过细粒度子任务标注将长程任务成功率从 16% 提升至 76%,并支持零样本泛化。

  5. arXiv · 机器人与计算机视觉84

    PointZero:一种用于学习可迁移 3D 动力学的 3D 点轨迹补全方法

    PointZero 是一种基于 Transformer 的世界模型架构,通过 3D 点轨迹补全这一预训练目标,在不依赖机器人动作标签的情况下学习丰富的 3D 动力学先验。该方法在 PGND 基准测试及多项仿真与真实世界操作任务中表现优于或持平于基线。作者开源了包含 290 万帧合成数据的多样化数据集、模型检查点及完整训练配方。

    推荐理由:该论文提出无需机器人动作标签的预训练目标,在仿真与真实操作任务上均优于基线。

  6. arXiv · 机器人与计算机视觉78

    原子运动坐标:面向语言可引导与力响应操作的几何化方法

    该论文提出原子运动坐标(Atomic Motion Coordinate),通过结合文本指令与前向运动学构建几何化坐标系,并将接触历史注入动作专家块以增强力适应性。

    推荐理由:提出原子运动坐标方法,在离线干预与真实机器人实验中显著提升了语言可引导性与力适应性能。