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 7 页

11月11日周三第 121–140 条
  1. arXiv · 机器人与计算机视觉83

    从视频帧到机器人元帧:面向世界动作模型的统一潜在接口

    该研究针对世界动作模型(WAMs)需注入低维机器人信号的难题,提出 MetaWAM 方法,将姿态、动作等信号折叠进单一频域通道并通过逆 DCT 提升,无需增加模块即可对齐预训练视频扩散模型的先验。在 RoboCasa 基准上成功率达 68.9%,推理延迟降低 39%;在三项真实 Franka 任务中成功率为 85.0%。代码与模型已公开。

    推荐理由:提出 MetaWAM 统一接口,将机器人信号折叠进单一频域通道,无需额外模块即可对齐预训练视频扩散模型的先验分布。

  2. arXiv · 机器人与计算机视觉78

    Elastic-WAM:自适应时空想象用于高效机器人控制

    该论文针对世界动作模型(World-Action Models)迭代视频去噪带来的高推理开销问题,提出 Elastic-WAM 方法。该方法通过自适应分配时空细化计算资源,统一调控何时停止世界细化、每步推进多远以及刷新哪些区域。研究在多样化仿真基准和真实长程操作任务中评估,结果显示其兼具最先进的控制性能与更低的推理延迟。材料为预印本论文,未提及具体开源代码或模型权重下载链接。

    推荐理由:提出弹性计算分配机制,在仿真与真实长程操作中实现控制性能领先且降低推理延迟。

  3. arXiv · 机器人与计算机视觉78

    LaST0.5:一种具备交互中心潜在推理的通用世界动作模型

    论文提出了 LaST0.5 这一新型世界动作模型(WAM),旨在解决现有模型全球场景表征忽视局部机器人 - 物体交互的问题。该模型在混合 Transformer 架构中引入交互中心潜在专家,利用视觉交互线索学习紧凑的潜在空间,并通过自适应的世界到动作转移机制调整执行与重采样。

    推荐理由:提出 LaST0.5,通过引入交互中心潜在空间弥合世界演化与操作生成的表征差距。

  4. arXiv · 机器人与计算机视觉83

    EVAThink:基于证据充分性引导的视频理解自适应思考训练

    针对视频理解中采样帧是否提供足够证据的问题,作者提出了 EVAThink 框架以增强模型的自适应思考能力。该方法首先通过可恢复的证据差距挖掘构建稠密与稀疏视图对,筛选出稀疏视图需显式推理的样本进行监督;随后利用证据引导的两阶段强化学习优化回答模式偏好并提升首 token 效率。

    推荐理由:提出证据充分性引导训练方法,仅需少量样本即可提升视频理解模型在固定帧数下的回答模式选择与推理效率。

  5. arXiv · 机器人与计算机视觉83

    WAM 在 BEHAVIOR-1K 挑战赛中获亚军:2026 BEHAVIOR 挑战赛第二名方案

    该工作提交了 Team IF1001 的 2026 BEHAVIOR Challenge 第二名方案,评估移动操作能力涵盖 100 个家庭任务。方法基于 Cosmos 3,通过丰富视觉历史、任务进度条件化及特定技能 LoRA 适配器进行改进。

    推荐理由:报告了基于 Cosmos 3 改进的 WAM 在 BEHAVIOR Challenge 中获第二名的结果,公开了任务进度条件化与 LoRA 适配等关键工程细节。

  6. arXiv · 机器人与计算机视觉78

    PneuGen:面向任务的软体机器人代理协同设计框架

    论文提出 PneuGen 框架,利用大语言模型智能体对软体机器人的几何、形态及驱动参数进行高效搜索与设计。系统包含负责生成设计的代理和负责分析仿真诊断并提出修改建议的评论员代理,结合可复用的物理先验模块响应模型实现自动验证与有限元仿真迭代。

    推荐理由:提出利用大语言模型智能体进行软体机器人参数化设计与仿真迭代的框架,在抓取与形变匹配任务中优于传统优化基线。

  7. arXiv · 机器人与计算机视觉78

    矩形物体协同推进行动力的力闭锁条件研究

    Duy Anh Nguyen 和 Trung Dung Ngo 提出了一种用于矩形物体协同推行的平面力闭锁条件的解析公式。该条件独立于质心,仅取决于四个无摩擦接触点的位置,可用于验证接触构型的几何可行性并指导调整。

    推荐理由:该研究推导了矩形物体在四接触点下的平面力闭锁充要条件,并将其集成到轨迹跟踪框架中,仿真显示显著降低了位置与姿态误差。

  8. arXiv · 机器人与计算机视觉82

    Maze Runner:基于线特征定位与控制屏障函数的自主迷宫导航

    Maze Runner 是一个开源的自主导航栈,旨在解决稀疏重复几何下的定位、狭窄走廊规划及估计或地图错误时的安全控制问题。该栈在 Gazebo 仿真环境中驱动 Husarion ROSbot XL(配备 2D LiDAR),通过 RANSAC 和总体最小二乘法从扫描中提取带不确定性的墙体线,并分别用于基于地图的扩展卡尔曼滤波定位和在线构建地图的 EKF SLAM。

    推荐理由:该工作提出了基于线特征定位与控制屏障函数的自主迷宫导航栈,在仿真中实现了厘米级定位与实时规划控制。

  9. 盖世汽车 · 汽车资讯78

    禾赛科技三季报:激光雷达与机器人动力模组放量,推出Kosmo世界数据引擎

    禾赛科技公布2026年第三季度未经审计财务数据,营收10.7亿元,连续六个季度GAAP盈利。其中战略增长业务(SGI)营收9,051万元,环比增长101.4%。

    推荐理由:禾赛公布三季报,机器人动力模组出货超3.5万套并进入NVIDIA Isaac GR00T方案,同时发布Kosmo世界数据引擎。

  10. MIT CSAIL News72

    Workspace Models:一种新型记忆架构帮助机器人快速掌握复杂技能

    MIT CSAIL 和卡内基梅隆大学研究人员提出了名为 Workspace Models 的新方法,旨在解决现有基于 AI Agent 的机器人在处理长历史视觉数据时存在的延迟高、计算成本大及反应慢的问题。

    推荐理由:MIT CSAIL 与卡内基梅隆大学提出 Workspace Models,通过离线大模型蒸馏轻量化模块解决机器人长时记忆延迟问题。

11月10日周二
  1. Google DeepMind82

    DeepMind 发布 Gemini Robotics 2.5 模型以加速现实世界灵巧操作能力

    Google DeepMind 正式发布 Gemini Robotics 2.5,这是其目前最强大的视觉语言动作(VLA)模型,旨在提升机器人学习速度与广度。该模型在超过 200 项任务测试中,相比基线成功率高出 30% 至 100%,完成任务速度快 20% 至 30%。

    推荐理由:原文介绍了 Gemini Robotics 2.5 在任务广度、可靠性与安全方面的提升,并披露了与奔驰产线合作的实测数据及 ASIMOV-Jailbreak 基准。

  2. 量子位82

    蚂蚁灵波开源触觉预训练基础模型 LingBot-Touch

    蚂蚁灵波开源触觉预训练基础模型 LingBot-Touch 及其轻量版 Tiny,旨在解决原始触觉信号导致动作模型性能下降的问题。该模型将磁、视、压阻三类传感器数据统一编码为触觉 Token,支持跨硬件与传感器布局的泛化。

    推荐理由:蚂蚁灵波开源触觉预训练基础模型 LingBot-Touch,通过统一编码解决多传感器数据异构难题,显著提升机器人精细操作成功率。

  3. arXiv · 机器人与计算机视觉78

    GeoWind2Plan:面向任务时间的城市三维风场预测与无人机节能规划框架

    论文提出 GeoWind2Plan 框架,解决城市低空飞行中建筑重塑风场导致的路径规划能耗依赖问题。该框架将建筑几何转化为参考风场帧,利用局部几何条件化的神经算子快速预测任务相关的三维风片并拼接成局部风场,随后基于物理驱动的无人机能量模型优化可行路径与速度剖面。

    推荐理由:该框架在仅用背景风与建筑几何的条件下,实现约 3 秒的走廊局部三维风场预测,相比 CFD 快数千倍,且规划出的轨迹在 CFD 评估下显著降低能耗。

  4. arXiv · 机器人与计算机视觉82

    LAFP:通过流匹配保留潜在策略学习中的潜在动作结构

    针对大规模无标签视频与有限真实交互数据训练潜在策略时,现有行为克隆方法易导致多模态动作分布坍缩的问题,本文提出 Latent Action Flow Policy(LAFP)。

    推荐理由:提出利用流匹配保持潜在动作结构的方法,在模仿学习任务中平均成功率提升 8.2%。

  5. arXiv · 机器人与计算机视觉82

    MineXplore:面向无 GPS 地下环境的强化学习探索开源基准

    论文提出了 MineXplore,这是一个基于 MuJoCo 的开源导航基准,数据源自智利铜矿实地测绘。环境重构了 104,423 平方米的隧道网络,包含八边形截面、LiDAR 来源的锯齿状几何、三种地形摩擦区及周期性照明。

    推荐理由:该基准提供基于真实矿场几何的地下导航环境,支持 GPU 加速学习流程,并验证了策略在 GNSS 拒止条件下的稳定性。

  6. arXiv · 机器人与计算机视觉82

    基于逆运动学的智驾 VLA 模型:解决盲点规划与捷径学习问题

    该论文指出代表性驾驶视觉语言模型(Driving VLAs)存在反事实障碍插入下的盲点规划问题,即车辆出现在前方时轨迹仍不变。研究通过偏差 - 方差分析发现模型依赖 ego 状态和指令的捷径,并提出了一种受逆运动学启发的架构:利用 LLM 预测未来视觉场景提供密集监督,并设计独立的逆运动学网络仅基于当前和未来视觉状态解码轨迹,以抑制对 ego 状态的依赖。

    推荐理由:该研究通过逆运动学架构解决了智驾 VLA 模型依赖 ego 状态捷径的问题,仅用摄像头在 NAVSIM 和 nuScenes 上实现了 SOTA 轨迹规划性能。

  7. arXiv · 机器人与计算机视觉82

    超越动作残差:基于瓶颈潜变量的现实机器人策略引导

    论文提出 Z-Perturbation Reinforcement Learning (ZPRL) 方法,通过冻结预训练的流匹配策略并利用奖励驱动的残差扰动在紧凑的瓶颈潜变量空间进行在线强化学习适应。

    推荐理由:提出通过瓶颈潜变量接口进行在线强化学习策略引导,在仿真与真实世界中均提升了预训练模仿策略的样本效率与成功率。

  8. arXiv · 机器人与计算机视觉78

    ALAM:一种用于视觉语言动作模型的代数一致潜在动作模型

    针对视觉语言动作模型缺乏带标注动作数据的问题,该研究提出 ALAM 模型,从无动作视频中提取物理世界变化先验。通过帧三元组学习受重建约束且符合组合与可逆一致性的潜在转换,构建局部加性转换空间。

    推荐理由:该工作提出代数一致潜在动作模型,利用无标签视频构建结构化先验,显著提升 VLA 策略在仿真及真实任务中的成功率。

  9. arXiv · 机器人与计算机视觉85

    MolmoB0T:大规模仿真赋能零样本操作

    论文挑战“仿真无法直接迁移至现实”的共识,证明在足够大规模的合成训练数据下,无需真实数据采集或微调即可实现静态与移动操作的零样本泛化。作者开源了 MolmoBot-Engine 生成管线及包含 170 万专家轨迹的 MolmoBot-Data 数据集,并基于此训练了三类策略模型。

    推荐理由:提出仅靠大规模合成数据即可实现零样本现实世界操作,并开源了生成管线与百万级轨迹数据集。

  10. arXiv · 机器人与计算机视觉78

    Logit-Conditioned Diffusion Decoding for Frozen Discrete-Token VLMs

    论文提出 DCDD 框架,旨在解决预训练离散 Token 视觉语言模型(VLM)因 VQ-VAE 解码阶段导致的视觉保真度瓶颈。该方法无需重训基础模型,而是利用模型采样前计算出的 Logit 分布作为条件来驱动扩散解码器。

    推荐理由:该工作提出 DCDD 框架,在不重训预训练离散 Token VLM 的前提下利用采样前 Logit 分布提升生成图像保真度。