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 6 页

11月13日周五第 101–120 条
  1. arXiv · 机器人与计算机视觉78

    PERA:用于连续全身控制的插件式机器人动作专家

    论文提出 PERA 方法,旨在解决运动模仿中微调整个策略会干扰现有行为、独立训练每个策略成本高的问题。该方法冻结预训练的混合专家策略,利用任务奖励或教师动作监督训练额外的任务专家及其路由分数。

    推荐理由:提出 PERA 方法,通过冻结预训练策略并新增任务专家实现连续全身控制技能复用,在 Unitree G1 仿真中成功完成十项新任务且保留原有动作。

  2. arXiv · 机器人与计算机视觉78

    MOSAIC:面向杂乱场景的模块化障碍物与空间感知操作框架

    针对现有视觉语言动作模型在杂乱环境中依赖隐式推断几何关系导致碰撞的问题,本文提出 MOSAIC 框架,通过辅助语义定位任务预测目标、目的地及障碍物的角色掩码,并结合三维重建深度构建几何 token 注入动作专家。

    推荐理由:该框架通过引入几何与障碍物感知模块,在杂乱场景中将 VLA 模型的成功率提升 5.1%,相关代码与数据集将在接受后开源。

  3. arXiv · 机器人与计算机视觉82

    GraSLA:一种以抓取假设为几何先验的轻量级空间语言动作模型

    针对模仿学习下连续动作策略行为多样性不足的问题,该工作提出 GraSLA 模型,将 6-DoF 抓取检测提供的假设作为几何先验,结合空间与语言基础模型通过双向交叉注意力进行连续动作预测。在 LIBERO 基准测试中,该模型平均成功率达到 99.30%。

    推荐理由:该工作提出将抓取假设作为几何先验融入连续动作策略,在 LIBERO 基准上实现 99.30% 成功率。

  4. arXiv · 机器人与计算机视觉82

    TraceKV:一种用于推理视觉语言模型的策略保持低秩 KV Cache 压缩方法

    针对大上下文和长推理痕迹带来的 KV Cache 需求,现有低秩压缩方法易导致预测策略漂移。本文提出 TraceKV,通过统一在策校准、敏感性感知 SVD 及全局秩分配,显著降低推理过程中的策略 KL 发散。

    推荐理由:提出 TraceKV 框架,在无需微调下实现 KV Cache 压缩与策略保留,兼顾推理精度与显存效率。

  5. arXiv · 机器人与计算机视觉78

    阅读桌面:面向 Chef's Hat 卡牌游戏的仿真到现实游戏状态检测

    针对桌面卡牌游戏中物体识别成本高、标注难的问题,作者开发了一套全自动的合成数据采集管线。该方法利用已知三维坐标的重投影自动生成标签,并结合域随机化技术以弥合仿真与现实的差距。

    推荐理由:提出利用重投影与域随机化构建合成数据管线,在真实机器人上实现卡牌游戏状态检测的高精度感知。

  6. arXiv · 机器人与计算机视觉78

    低成本移动双臂长周期清洁任务中的 VLA 模型评估

    本文介绍了一个集成两个 LeRobot SO-101 机械臂、TurtleBot 4 底盘及 LeRobot-ROS 2 软件栈的低成本移动双臂平台,并以长周期的马桶清洁为案例研究。

    推荐理由:该研究在低成本移动双臂平台上评估了多种 VLA 模型,发现 $ ext{ extpi}_0$ 表现最佳,而增强变体未见提升。

  7. arXiv · 机器人与计算机视觉78

    BiPOP:面向长时程双臂操作的偏序规划框架

    针对双臂机器人操作中空间与时序耦合的协调难题,本文提出 BiPOP 框架,将大语言模型用于自然语言指令的形式化翻译,结合显式时空模型与时间偏序规划器生成逻辑一致且支持并行执行的计划。实验表明该方法在仿真长时程任务中优于开环及 ReAct 风格规划,并在真实双臂机器人 NICOL 上实现了端到端运行。

    推荐理由:提出 BiPOP 框架,结合大语言模型与时间偏序规划解决双臂长时程任务协调难题。

  8. arXiv · 机器人与计算机视觉78

    Elastra:一种用于弹性体交互的仿真框架

    针对机器人与床垫、蹦床等弹性表面交互导致的形变问题,作者提出 Elastra 仿真框架。该框架利用仅垂直移动的单元结合弹性连接与阻尼来模拟变形与恢复过程,并通过接触力驱动运动更新几何以计算后续受力。

    推荐理由:该框架通过垂直移动单元模拟弹性体变形,在床垫与蹦床场景下将机器人站立成功率提升显著。

  9. arXiv · 机器人与计算机视觉78

    Decide Before You Move:基于扩散生成的搜索参考实现半静态环境零样本开放词汇物体导航

    该研究提出了 PreNav 框架,旨在解决室内半静态环境中的开放词汇物体导航问题。系统利用大语言模型将目标与家具的共现关系转化为空间先验,再通过条件扩散模型生成有序的中心线及带状区域作为全局搜索参考,从而避免在每一步都调用昂贵的视觉 - 语言模型。

    推荐理由:PreNav 框架利用扩散模型生成全局搜索参考,在无需微调的情况下实现了半静态环境下的零样本开放词汇导航。

  10. arXiv · 机器人与计算机视觉78

    基于熵的视图选择存在盲区:对 VLM 测试时适应的审计

    该论文审计了视觉语言模型在测试时适应中的视图选择机制,发现依赖预测熵的方法无法有效识别正确视图,仅能恢复约五分之一由理想方法获得的准确率。研究提出利用裁剪保留比例作为新信号,在 15 个基准数据集中优于现有最强评分函数。该工作已获 NeurIPS 2026 研讨会接收。

    推荐理由:研究发现熵值无法区分正确与错误视图,利用裁剪保留比例作为新信号可显著提升测试时适应的准确率。

  11. arXiv · 机器人与计算机视觉78

    面向搜救的地形感知多无人机汤普森采样算法

    本文提出一种用于搜救应用的去中心化地形感知多无人机汤普森采样算法。该方法利用基于历史数据的 SAR 模型(位移环、高程等)构建定位概率分布,并通过贝叶斯推断更新高斯后验均值与方差以平衡探索与利用;同时引入分数森林覆盖率指标来量化植被遮挡带来的观测不确定性。

    推荐理由:提出地形感知多无人机汤普森采样算法,结合 SAR 历史模型与森林覆盖不确定性,在仿真中验证了搜救成功率。

11月12日周四
  1. The Robot Report82

    Runway 发布 Praxis-1 世界动作模型用于具身智能

    Runway AI Inc. 昨日发布了其世界动作模型 Praxis-1,该模型现以 Apache 2.0 开源权重形式向开发者开放,支持商业使用。Praxis-1 是一个拥有 27B 参数的混合专家扩散 Transformer,旨在预测视频与动作,基于 Runway 的视频基础模型构建,强调先理解物理世界再学习行动。

    推荐理由:Runway 发布 Praxis-1 世界动作模型,提供 Apache 2.0 权重与推理代码,支持多形态机器人及 NVIDIA 硬件部署。

  2. 智东西 · 机器人84

    CoRL 2026 放榜:伯克利 SuperMimic 获最佳论文,英伟达斯坦福 RoboTTT 获最佳学生奖

    机器人学习顶会 CoRL 2026 公布获奖名单,加州大学伯克利分校的 SuperMimic 研究获得最佳论文奖,该方法基于可微世界模型将人形机器人全身控制训练算力降低超千倍,单卡 3 小时即超过百卡基线并已在宇树 G1 真机验证。英伟达与斯坦福联合团队的 RoboTTT 获最佳学生论文奖,其通过测试时训练将策略上下文扩展至 8000 个时间步,在多项灵巧装配任务中平均完成率提升至 79%。

    推荐理由:CoRL 2026 最佳论文展示可微世界模型将人形机器人训练算力降低千倍,最佳学生奖提出长上下文策略方法。

  3. 盖世汽车 · 汽车资讯83

    DeepMind 发布 Gemini Robotics 2.5 视觉语言动作模型,奔驰工厂测试成功率达 96%

    谷歌 DeepMind 于 11 月 12 日发布新一代视觉 - 语言 - 动作(VLA)模型 Gemini Robotics 2.5,重点提升机器人在复杂环境中的灵巧操作、任务执行可靠性及安全性。

    推荐理由:DeepMind 发布 Gemini Robotics 2.5,在奔驰工厂概念验证中实现 96% 分拣成功率,并开放给合作伙伴。

11月11日周三
  1. arXiv · 机器人与计算机视觉78

    无需专家演示的安全近似非线性模型预测控制

    论文提出了 Sequential Approximate MPC (Seq-AMPC),这是一种无标签的循环框架,利用共享参数生成完整控制序列。该方法通过已知动力学直接训练策略,并引入基于安全滤波器的阶段成本依赖接受容差,以在存在神经近似误差时保持递归可行性和渐近收敛性。

    推荐理由:提出无需专家演示的 Seq-AMPC 框架,在四类基准上实现接近 NMPC 的成本比与高采纳率。

  2. arXiv · 机器人与计算机视觉82

    基于多视图关系蒸馏的视觉 - 语言模型空间推理研究

    针对视觉 - 语言模型在具身智能和自动驾驶中存在的几何脆弱性问题,本文提出多视图关系蒸馏方法。该方法通过蒸馏跨视图的 patch-wise 余弦相似度而非教师特征本身,在编码几何对应关系的同时保留预训练对齐。实验表明,该方法在物体定位、密集描述等任务上优于监督微调与特征蒸馏,且参数更少、延迟更低。代码已开源。

    推荐理由:提出多视图关系蒸馏方法,在提升视觉空间推理能力的同时保持语言对齐,且参数开销低于特征融合。

  3. arXiv · 机器人与计算机视觉82

    SSR:迈向开放世界的稳健与人称对称人形机器人穿越框架

    论文提出 SSR 框架,旨在解决人形机器人在非结构化地形上的安全高效移动难题。该方法通过自监督学习结合想象落脚点引导,预测摆动脚接触点并评估支撑稳定性以减少滑倒;同时利用等变潜在空间对称性增强实现高维视觉下的双侧协调,并结合特定地形的多判别器运动先验鼓励类人行为。实验表明 SSR 在楼梯、宽缝隙和高台等极端挑战下均能实现安全稳定的长时程穿越。

    推荐理由:提出端到端框架 SSR,利用想象落脚点引导与对称性增强实现人形机器人在复杂地形的稳定行走。

  4. arXiv · 机器人与计算机视觉78

    MAPLE:基于潜在空间的端到端自动驾驶多智能体博弈框架

    论文提出 MAPLE 框架,旨在解决视觉语言动作(VLA)模型因传统模仿学习训练导致的闭环评估脆弱性问题。该框架在 VLA 模型的潜在空间内实现反应式、多智能体的动态驾驶场景推演,使自车与周边交通流能独立控制并相互响应,从而支持闭环训练。

    推荐理由:提出 MAPLE 框架,在 VLA 模型的潜在空间实现可扩展的闭环多智能体博弈训练,无需外部仿真器。

  5. arXiv · 机器人与计算机视觉82

    Generative Scenario Rollouts for End-to-End Autonomous Driving

    论文提出了 Generative Scenario Rollouts (GeRo) 框架,旨在解决当前端到端自动驾驶系统过度依赖稀疏轨迹标注模仿学习的问题。该框架将 VLA 模型作为规划器,通过自回归策略联合执行规划与基于语言的未来交通场景生成。

    推荐理由:提出 GeRo 框架,利用 VLA 模型进行语言引导的自回归场景生成与规划,在 Bench2Drive 基准上显著提升了端到端自动驾驶的得分与成功率。