该论文从理论上分析点云配准中最大团与最大共识两种鲁棒公式的关系，证明在任意固定正容差下，最大团的对齐误差可以任意大，其规模也可以任意大于最大共识集，并给出界定该误差的几何条件。旋转固定时，论文推导出尖锐误差界及精确刻画平移子问题最大共识的检验方法。论文还研究 group-k 一致性，确定在维度 d≥2 时，旋转和平移的最小分组规模为 d+1，允许反射时为 d+2，以保证对齐误差界与点云尺度和几何无关。证明使用 Lean 定理证明器验证。
机器人行业洞察
今日精选
The robotics journal行业消息
研究提出“失败归因”问题：判断 VLA 模型中哪些视觉损坏对当前回合的失败风险有贡献、移除后能带来多大收益。方法为因子化风险模型，分别学习场景与损坏表示，通过潜在干预从当前图像和任务指令估计移除收益，无需成对干净图像或额外反事实 rollout。在仿真中对 OpenVLA 和 π0.5、在 Franka 机器人上对 π0.5-DROID 评估，归因误差约为前沿 VLM 的 1/3，并可用于硬件在线失败监测。
XoNav 是一种四执行器髋部外骨骼，通过矢状面执行器提供前进与两级制动提示、额状面执行器提供两级转向提示，将导航引导直接施加于髋关节。基于双侧 LSTM 的步态分类器使用两个大腿 IMU，对未见用户召回率 95.2-97.9%，支撑相到摆动相、摆动相到支撑相的平均检测延迟分别为 38.6 和 63.1 毫秒。约束人在回路贝叶斯优化个性化制动与转向参数，最强制动提示低于安全限值的 53%。蒙眼绿野仙踪试验中，参与者 98.8% 的行走距离保持在 0.75 米宽通道内，平均前进速度每轮提升 4.9%；结合穿戴摄像头、RTAB-Map 与 Nav2 还完成了自主导航及绕行未建图障碍物的可行性研究。
研究提出一种面向自闭症谱系障碍（ASD）教育场景的半自主机器人方法：配备摄像头的机器人通过基于视觉的大语言模型，将鞋盒任务（Shoebox Tasks）的照片转换为PDDL规划域描述，并生成动作计划。团队在Nao人形机器人上实现机器人接口，可自主执行多种鞋盒任务，并通过动作演示、语音指令或手势提示下一步或报告检测到的失败。求解器仅以拍摄图像为输入，教师无需编程；经适配的接口可集成到多种教育机器人中。
EmbodyHOI 在冻结的流匹配手-物交互轨迹生成器采样循环内嵌入针对特定人形本体的可微逆运动学求解器，将梯度回传以联合优化人形相对物体的位置，引导仅在推理阶段生效，因此一个在人体手部姿态上训练的生成器无需重训练即可迁移到不同人形本体。在 ARCTIC 轨迹上，针对宇树 G1 与 H1-2 两款人形机器人，该方法将重定向后的腕部误差从 8.9 cm 降至 0.6 cm，50 个随机 G1 任务成功率从 68% 升至 79%，四项任务 H1-2 套件从 62% 升至 76%。作者称事后腕部精修与等算力 best-of-N 选择虽 IK 能量更低，但训练出的策略更差。
该论文针对线性组合分数的扩散策略提出一种可直接插入的分数去相关辅助损失，动机来自投影组合理论，通过直接惩罚各组件噪声预测之间的重叠来促使因子专门化，几乎不改动架构、不增加计算开销。作者在多个基准上验证，该损失持续减少组件间可测量的重复计数、改善任务分解，并在不损害多任务性能的前提下产生行为上有意义的专门化。
DexGraspFlow 提出条件连杆级 SE(3) 流匹配框架，融合局部物体几何、连杆几何与运动学树距离导出的注意力偏置，用双流 DiT 建模连杆—连杆与连杆—物体交互，联合学习平移与旋转速度场并积分生成连杆位姿，再经逆运动学恢复关节构型。在三款机器人手、30 组物体—手部配对上，平均仿真成功率 95.33%，含逆运动学的平均生成延迟较当前最优基线低约 49%。模型对七种去指变体与掌心朝向引导实现零样本适应；针对部署手部训练的模型在 100 次真机抓取中成功率 91%。
该论文提出一种实时交互感知框架，利用嵌入式电容传感，使仿壁虎干黏附界面在黏附全周期内估计接触状态，并将状态划分为空闲、接近、接触、啮合、脱离五类。研究用实验采集并增强的传感器数据，对比评估了六种适合嵌入式部署的轻量机器学习模型，其中随机森林离线分类准确率最高，达95.65%。在线部署时，随机森林结合规则状态机将准确率从78.02%提升至93.14%，宏F1为0.9343，推理周期53毫秒。
研究团队构建统一数据流水线，将机器人操作记录与多来源视觉数据结合，自动标注后转为可验证的定位监督信号，生成约150万样本。基于Qwen3.5-9B微调得到ACE-Brain-0.6，在7个公开定位基准中的4个上超过GPT-6 Astra，总体平均分75.41对73.68。在固定微调设置下，随数据版本扩充覆盖更多定位场景，总体定位性能持续提升。
作者提出具身恢复重规划环境ERR-Env，为任务进度与执行错误提供反馈，并构建覆盖正常、中间与错误状态的留出任务基准ERR-Bench。其在线强化学习方法AGT-GSPO结合回合级奖励与动作分组优势估计，训练出2B参数的具身VLM ERR-VLM。在ERR-Bench上，ERR-VLM的无错误完成严格成功率提升10.25个百分点，恢复率提升22.95个百分点；评估还显示多种VLM的任务进度与执行可靠性存在不匹配。
研究者提出 Embodied Playground 基准，用于评估基础模型智能体在长时程任务中协调物理、策略与空间推理的能力，要求智能体跟踪任务进度、满足中间约束并依据执行反馈修订计划。该基准包含 410 个任务环境，覆盖基础操作、序列谜题与多阶段家务活动，并从中整理出跨 5 个套件、16 种任务类型的 100 个代表性任务 EP-100，以及 EP-Easy、EP-Hard 难度划分和 20 个任务的精简版 EP-20。共享协议规定了观测与工具访问、资源预算、重复试验，以及对目标完成、规则合规和物理有效性的独立检查。
研究提出在标准腹腔镜器械上安装传感器记录外科医生操作，无需机器人采集演示即可训练双臂手术策略，并在活兔上完成阑尾切除术。
提出统一多模态世界模型 Thinker-WM，用共享 Transformer 联合建模 RGB、深度与机器人动作，支持多种生成与策略推理功能，并在三个具身世界模型榜单排名第一。
研究提出免训练智能体循环，让视觉语言模型用标记工具计数，并按儿童计数发展原则审计其串行视觉推理过程。
论文系统评测 GPT-6 Astra 的闭环机器人操控能力，发现语义推理与物理执行存在明显差距，并提出几何约束新基准 LIBERO-GeoMotion，零样本成功率仅 11.1%。