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。
机器人行业洞察
今日精选
The robotics journal行业消息
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。
NVIDIA 发布预训练关系型基础模型 Kumo Relational，可直接在企业数据库上做预测：给定预测查询后，模型收集最多 1 万条历史样本作为上下文，单次前向传播输出流失、需求或欺诈等结果，无需任务特定训练、特征工程或表展平。在 15 个数据库的 41 项任务上，它超过监督式关系深度学习模型和专家特征工程的梯度提升树流水线；在 SAP SALT 基准上，其平均倒数排名（MRR）比 AutoGluon 集成高 8%。模型可扩展至 5000 亿行以上数据库，通过 NVIDIA 开源 GPU 原生结构化数据模型库或 NVIDIA NIM 提供。
Hugging Face 发布 TorchTPU，为 PyTorch 增加 TPU 原生后端，Transformers、Diffusers 和 Kernels 可直接在 TPU 上运行，无需再经 torch_xla 或 Optimum TPU。安装命令为 pip install torch-tpu 并指定 PyTorch CPU 构建索引；Transformers 中传 device_map="tpu" 即可加载模型，Diffusers 中 pipe.to("tpu") 即可推理。TorchTPU 附带为 TPU 调优的 Pallas 内核、分布式训练支持和 torch.compile 集成。
MIT衍生公司SanaHeal开发出一种生物粘合技术，可快速粘附于湿润不平整组织表面并形成气密液密密封，替代缝合与吻合器。该技术灵感来自藤壶和蜘蛛网，已获监管批准用于创伤止血，计划明年进入人体试验，用于术中止血及组织修复。创始人Hyunwoo Yuk称其使用方式类似便利贴，侵入性更小、更易与手术机器人配合。
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%。
论文在HighwayEnv测试台上受控评估LLM驾驶智能体的经验记忆，发现已报告的增益主要来自预热池抽样，且未超过token匹配填充对照。