论文提出HGWM，将LLM生成的房间锚点先验与持久空间语义记忆结合，用于零样本物体导航：粗阶段以0-10分对候选朝向打视觉语义分，细阶段衡量观测物体、房间上下文与目标先验的符号兼容性，再经相位相关融合与LLM方向建议结合后选择局部动作。在HM3D v0.1上报告62.6% SR、31.5% SPL，WMNav为58.1%、31.2%；MP3D上为46.8%、17.9%，对比45.4%、17.2%；HM3D v0.2完整模型为74.4% SR、31.9% SPL。组件消融使SR下降0.9-2.3个百分点、SPL下降0.6-1.5点。作者称实现通过离线测试，但无逐回合重跑记录，评估仅限仿真。
机器人行业洞察
今日精选
The robotics journal行业消息
研究团队提出Embodied Agent Arena，在几何、空间推理、可供性、任务规划与操作五个维度评测十个VLM智能体，1000个案例由32个既有来源与自建GeoProbe基准（168案例，覆盖相机、运动、深度与尺度估计）组成。结果显示闭源权重模型在全部五个领域领先，开源权重VLM空间推理可用但规划与操作成功率明显更低。执行中智能体可达成早期子目标却失去物体控制、将动作绑定到错误接收区域或提前停止；代码修复能恢复执行但不完成任务，自我审查可能推翻正确判断。
论文提出 Graph-as-Policy（GaP）多智能体编码框架，从模块化开放机器人技能库（MORSL）生成含感知、规划、控制节点的有向计算图，用于物体几何与位姿变化较大的“变异性自动化”（VA）任务。GaP 构建内部仿真环境，并行用不同图排练任务实例，迭代优化图结构与参数以提升成功率和吞吐量。作者在 8 个新开放 VA 基准（4 个仿真、4 个真实世界）上评估，称成功率显著优于基线，并公开代码与数据。
研究提出一种接入ROS 2 Nav2的自然语言策略接口：本地大语言模型将操作员指令转为JSON策略，指定目的地、空间约束及时间或事件条件，确定性检查决定任务是否接受，三个代价地图适配器把接受的策略投影进现有导航栈，不改动规划器与控制器。在150条研究者编写的英文指令上，四个本地模型产出107-142条正确接受策略，规则解析器为44条，各模型错误接受3-20次；故障注入中8个端点/JSON故障与29个验证器阶段故障被拒。仿真与TurtleBot3实验中，任务1-3平均行驶时间较无策略基线在仿真降低18.4-24.5%、实体平台降低23.1-35.0%。
论文提出 LogLook，一种面向前沿视觉语言模型机器人规划器的执行锚定记忆机制：系统保留执行日志与模型此前笔记，由模型决定查看位置，仅在预期变化处返回帧，并在检查所选部分前先略读演示。用基准的运动规划器测量，LogLook 在 token 减少 43%、图像用量不到一半的情况下达到与仅笔记记忆相同的成功率，因记忆或所见内容导致的失败回合大幅减少；直接控制下在 RoboMME 测试集上解决 93.5%。
WorldMirror 提出一种智能体化的真实到仿真框架，从野外机器人演示中构建可交互数字孪生，核心是把真实到仿真构建表述为对可执行世界程序的迭代精化。编码智能体负责分解场景、规划重建步骤并编排图像与三维生成工具，通过验证反馈修正程序；以相机位姿为锚的场景表示将世界组织为静态视觉上下文、支撑几何与可编辑交互资产。在 DROID 数据集上的实验显示，该方法能重建视觉逼真、几何一致的可交互世界，并保持所记录机器人轨迹的物理有效性。
FORCA 以视觉观测和腕部力/力矩测量为输入，自动编写用于接触探测与力响应运动的 Python 程序，并在多次执行之间结合力记录与视觉结果诊断失败、修订运动与力反馈控制逻辑。该方法无需演示数据、任务特定训练或仿真环境。在五个真实机器人任务上，FORCA 在提升操作精度、适应物体或表面属性变化、在表面变化与物体运动下调节接触三类场景中验证有效；与纯视觉变体相比，抓取精度与任务成功率提高，擦拭和剥离中的接触丢失减少。
研究提出用另一个编码智能体（优化器智能体）自动改进视觉界面机器人智能体的harness（提示词、工具与控制规则）。实验显示：每轮rollout数从5增至100可提升留出集成功率，小批次会过拟合；采用Champion-Challenger规则（仅在相同固定用例上胜过现任版本才采纳修订）后，LIBERO任务留出集成功率在30轮内从51%升至67%。将进化harness与预训练策略结合并用多教师在线策略蒸馏回策略，得到独立策略在RoboCasa365官方协议下达62.2%，较起点高4.8个百分点；叠加进化harness后在排行榜基准达71.2%，比最佳已发表条目高13.1个百分点。
论文提出分散式实时多机器人规划器 WarpWeaver，将机器人间耦合替换为局部约束，通过分散式列生成在共享空间协商租金，引导各机器人分散树搜索，并在静止时认证协议的近最优性。仿真中，WarpWeaver 在 Dynobench 上相比集中式离线规划器总行程时间最多减少 22%，相比分散式实时基线最多减少 37%，图连通性任务成功率提高近一倍；六台机器人板载规划硬件实验验证了可实施性。
研究比较机器人工具路由的四种策略：三种基于 ChromaDB 的语义检索方法（固定阈值、相对距离、子句感知聚合）与一个云端 1200 亿参数大模型基线。在 164 条人工标注提示（分三个复杂度级别，最高需至少三个工具）上，CDB-v3 在仅检索方法中宏平均综合得分最高，为 0.7822，大模型基线为 0.8869。大模型路由质量更高，但 CDB-v3 延迟显著更低且可本地部署、无需云连接，作者据此指出隐私敏感、连接受限与资源受限机器人系统存在质量-延迟权衡。
论文提出 TEAR（任务证据权威路由）框架，在机器人端在线决定人类遥操作与本地自主两种控制源之间的权威分配。仲裁依据两类证据：网络状态证据决定遥操作可用性，任务语义证据判断自主执行是否仍与当前任务一致；轻量级时序仲裁器结合机器人状态与当前权威归属决定切换时机。在动态网络条件下的仿真与真实试验中，TEAR 任务成功率接近纯遥操作，遥操作仅占控制步数的 19.8%–27.4%，相比纯自主执行成功率提升 30%–40%。
该论文提出 Co^2Gen 框架，用于在无需人类遥操作的情况下自动生成多机器人协作数据，以训练去中心化 VLA 模型。框架先用去中心化协同规划方法生成以可执行函数形式表示的多机器人协作计划，再用该计划产出协作演示数据，并以去中心化方式微调 VLA 模型。实验显示，用这些数据微调后的 VLA 模型在去中心化协作任务上的表现，与用人类遥操作协作数据微调的模型相当。
论文提出 OASIS（在线锚点中心场景推理系统），用稀疏锚点节点表示室内环境，每个节点融合语义描述、视觉特征与几何状态，支持在线建图、开放词汇检索与导航。系统复用导航中采集的瞬时观测，在场景变化后重新定位被移动的物体，并以紧凑记忆支持按需证据提取与分层检索。在仿真与真实环境的标准检索基准及静态、动态导航任务中完成验证。
论文提出 CARE 框架，用轻量评论家模型监测本地执行器的执行可靠性，在不可靠时把控制权升级给更强的云端模型，并在升级后保持控制直至智能体恢复，避免逐步切换；共享交接记忆跨执行器维护执行上下文与任务级进度，使模型介入时无需从头开始。在多个具身基准上，CARE 的任务成功率比最强协作基线高 6.3-18.3 个百分点，接近或超过纯云端方案，同时将动作间隔中位延迟降低 28.8-82.6%。
ASPIRE 是一个在“代码即策略”范式下自主编写并迭代改进机器人控制程序的持续学习系统，由闭环执行引擎、持续扩展的技能库和进化搜索三部分组成。在扰动操作任务上较此前方法最高提升 77%，Robosuite 双臂交接任务提升 72%，长时程家庭任务最高提升 32%；未见长时程任务零样本成功率为 31%，此前方法为 4%。使用 Claude Opus 5.5 时在全部 80 个 LIBERO-Pro 任务上平均成功率 99%，代表性 Robosuite 与 BEHAVIOR-1K 任务达 100%；仿真习得技能可跨本体与 API 降低真实机器人编程量，在线交互技能使其能逐步提效解开魔方。
arXiv 2609.29166v2 提出 HarnessPAI，一个与模型和本体无关的物理AI框架，将代码作为组织底层动作原语的可执行、可进化接口：单次 rollout 内以固定程序开环执行并检查，跨 rollout 则用执行反馈修订程序、把失败蒸馏为可复用技能。该框架在桌面机械臂、家用机器人、扫地机器人和足式行走智能体上相较基线取得一致提升；收敛后的程序还能为 VLA 与 WAM 模型生成微调训练数据，用于这些模型难以自行获得成功轨迹的任务。
论文将机器人视为可转移资源，研究异构多团队协作中的动态分配问题，并借鉴生态学汉密尔顿法则构建利他决策机制，该一般异构资源分配问题被证明为NP难。作者提出集中训练、分散执行的图神经网络策略，在团队交互图上预测机器人级转移决策与机器人到团队的分配。灭火场景评估中，15台机器人的五次配对物理试验显示，GNN在全部五次试验中达到建模的灭火停止阈值，静态固定团队分配仅两次达到。
该论文提出 HEHA 分层探索框架，用于无人机、轮式与足式等异构机器人协同探索未知环境。其全局规划模块采用新算法 RCH，在可通行性约束下求解大规模多哈密顿路径问题（mHPP），以最小化各机器人最大路径长度（makespan），并快速给出有界次优解；局部规划器同样考虑异构性以减少重复探索。实验显示，在异构可通行性条件下，RCH 的 makespan 比多个基线最多小 47%，HEHA 的探索时间比现有方法最多减少 30%。
论文提出 PAPAV 能力中心框架，将多模态具身智能体（MMEA）定义为耦合多模态任务推理与物理动作、并依据反馈修正决策的目标导向系统，包含感知状态、预判动作效果、规划路径、通过接口或本体执行、验证结果五项功能。作者据此对比 MMEA 与计算机使用多模态智能体（MMA）及机器人系统（RS），指出部分可观测、结果不可验证等五项物理约束使可预先固定的选择更少、纠错空间更小。在 64 个基准中，显式评估集中于“执行”，仅 5 个评估“预判”、3 个评估“验证”。