研究在RoboDojo基准的六项操作任务上，于多种推理强度与服务层级设置下评估了九个前沿多模态语言模型直接控制实体机械臂的能力，称这是首次在实体硬件上对广泛前沿LM做系统性比较。结果显示当前模型能完成多种操作任务，但精度与效率不足以在实用动作预算内完成。2026年7月至10月间基准性能翻倍时间为53.9天，最佳执行速率提升4.4倍，最低执行成本下降6.2倍。
机器人行业洞察
今日精选
The robotics journal行业消息
研究团队提出 TRACE，一个面向 Unitree G1 人形机器人的语言条件运动生成与编辑框架，将生成条件锚定在成对训练动作、编辑目标锚定在当前动作上。语言模型从运动数据中学习预测支撑、根节点与手部事件，其时间对齐编码与原始文本共同输入扩散生成器；重力参考状态与轨迹—接触目标用于提升运动学一致性。编辑阶段由类型化请求定义身体—时间范围与相对源目标，参考条件扩散编辑器结合修订事件完成修改，采样时投影保留受保护状态坐标。定量与人工评估显示语义对齐和运动质量优于对比方法，多轮编辑在共享保留约束下执行更可靠，代码已开源。
维也纳工业大学（TU Wien）团队提出零样本框架V2-STRep，将视频生成模型合成的操作视频中的运动转换为可复用机器人技能。该方法用VLM生成结构化任务表示，指定运动阶段、参考对象与约束，目标以点、点法线、轴、平面和6D位姿等最小几何结构描述；VLM给出的2D图像线索经RGB-D观测提升至3D，用于重建任务几何与候选抓取位姿。几何规则负责跨场景运动迁移，任务约束轨迹优化将抓取选择与完整运动规划耦合，并利用剩余旋转自由度适应关节限制。在六个真实操作任务上，执行成功率高于基线，技能可跨场景迁移，并可通过更新部署基础与约束适配新指令而无需重新生成视频。
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。
arXiv 2609.06114v3（替换版）提出DLS方法，将VLA模型适配重新定义为“失败边界学习”，即发现、定位并塑造可恢复偏差与任务失败之间的边界。DLS以少量真实演示加仿真协同训练得到行为先验，通过在线数字孪生推演大规模发现失败边界，并用仿真器特权状态做语义进度定位，给出失败边界被跨越位置的进度感知信号，而非二值标签；这些信号在流动力学中做方向性边界塑造，强化产生成功的去噪方向、抑制产生失败的方向，无需动作似然或辅助评判器。在真实机器人操作任务上，DLS在随机初始状态与未见视觉条件下优于SFT和在线RL基线。
论文提出“最小数据自适应”范式：预训练机器人策略仅凭一次演示，随后通过自主在线交互学习新任务。作者指出，预训练策略在新任务上零样本失败，但单次演示可将其行为先验引导至粗略任务跟随。据此提出 MiDAS，将少演示行为克隆与基于冻结 VLA 表征的价值型残差学习结合，并强调数据平衡以防探索崩溃。在 LIBERO 与 RoboCasa 任务上，MiDAS 从单次演示初始化显著提升性能；在双臂 YAM 平台上，约六小时在线交互后任务成功率提升。
arXiv 发布 FluxVLA Engine（编号 2609.17210v2，替换版），定位为开放、配置驱动的 VLA 工程平台，不提出新的策略模型，而是统一数据集、视觉-语言与世界模型、动作头、奖励/优势加权学习、分布式训练、仿真评测、优化推理和机器人操作端的接口。平台集成可组合双臂仿真、自动数据生成，以及模型解耦的人在环 rollout、接管、纠错采集与奖励标注，并用实时分块（RTC）、加速推理后端、远程 GPU 服务和轨迹后处理支持真机执行。代码已在 GitHub 开源。
Inside-JEPA 在 JEPA 潜状态内为有序实体对设置关系通道，并证明逆动力学损失在读取这些通道时无需关系标签即可 grounding 它们。在 Something-Something V2 上，仅潜预测与随机关系头相当；逆动力学监督在十个带标注框设置中提升关系 AUROC .065-.103，在 RH20T 机器人片段上提升 .081，在五个关系上提升 .050-.061。给定动作时预测关系变化 AUROC 为 .599，接近观测未来关系的 .621；一步关系目标下监督读出在 43% 情况下将正确动作排进 65 个动作的前五。
arXiv 2604.07993v3 提出 HEX，一个面向全尺寸双足人形机器人协调操作的以状态为中心的 VLA 框架。HEX 引入人形对齐的通用状态表示以支持跨异构具身学习，并用专家混合统一本体感受预测器从大规模多具身轨迹数据建模全身协调与时间运动动态；推理时用轻量历史令牌总结过去观察，避免重复编码历史图像。框架还采用残差门控融合机制与流匹配动作头，将视觉-语言线索与本体感受动态结合生成动作。真实人形操作任务实验显示，HEX 在任务成功率和泛化性上达到 SOTA，尤其在快速反应和长时程场景中。
arXiv 2603.25044v3 提出 ThermoAct 框架，在视觉-语言-动作（VLA）模型中引入热成像信息，用于人机协作场景下的机器人任务执行。系统以视觉-语言模型（VLM）作为高层规划器，将复杂自然语言指令分解为更简单的子任务，从而支持高效数据采集与复杂操作推理。与仅依赖视觉数据的方法不同，该框架让机器人感知物体物理属性并主动保障环境安全；真实任务场景实验验证了框架可行性，并显示相较现有纯视觉系统可能提升任务成功率与安全性。项目主页为 youngchae912.github.io/ThermoAct/。
论文提出RL-Co框架：先在真实与仿真演示混合数据上做SFT热启动，再在仿真中用强化学习微调，并加入真实数据辅助监督损失以缓解灾难性遗忘。在四个真实桌面操作任务上，用OpenVLA和π0.5两种VLA架构测试，真实世界成功率分别提升24%和20%，优于仅真实微调与基于SFT的协同训练，对未见任务变体泛化更强、真实数据效率更高。
论文提出无需训练的离线指标 S²（感觉运动对齐），衡量模型感知表示与物理运动几何结构的对齐程度，在多个具身模型系列中与下游机器人任务成功率正相关。S² 可在闭环评估前用于模型优先级排序，并能在 VLM 微调为 VLA 之前识别有前景的骨干网络。作者据此将柏拉图表示假说扩展到具身模型，并为 VLA 与世界动作模型中的现象提供表示层面解释。
论文提出 Echo 框架，在单个 VLA 策略内同时学习任务状态信号与动作生成：用停止、失败两个信号作为每个动作块的两个维度，与机器人动作一起去噪，其组合可区分执行中、成功完成与失败。该方法无需帧级进度标注，通过构建成功、失败、恢复三类互补监督轨迹来学习信号；并让状态信号比动作更快去噪，使后续动作去噪以更干净的状态估计为条件。真实世界操作实验显示 Echo 能准确预测任务状态并持续提升策略性能。
该论文提出 SCOPE 框架，用于自动生成多样且可执行的 TAMP（任务与运动规划）数据集，以缓解 LLM 微调所需高质量数据稀缺的问题。SCOPE 引入多级多样性指标以最大化场景信息熵，并设计计划反馈纠错流水线，将规划器执行失败作为反馈信号回溯修正场景图中的逻辑不一致，保证物理可行性。实验显示，SCOPE 对错误场景图更鲁棒、生成数据质量更高；用其数据微调的 TAMP 模型成功率较使用 DELTA（基于 PDDL 的先进规划器）生成数据微调的模型绝对提升 12.33%。
SkeLAM 将潜在动作分解为两部分：一部分是由机器人骨架监督锚定的运动学分量，另一部分是保留互补视觉动态的残差分量；并通过跨模态交换重建，使 RGB 与骨架导出的运动学表示可以互换。世界模型通过独立条件通路纳入这两个分量，并用分支 dropout 降低对由未来信息导出的残差信息的依赖；轻量适配器将机器人动作映射到运动学空间，再经微调适配预测条件。在 DROID 上，与 DreamDojo 相比，末端执行器 ADE 降低 19.5%、LPIPS 降低 11.1%；定性结果显示，生成的 rollout 中可实现零样本的人到机器人运动迁移，策略评估的预测成功率与真机执行结果一致。
针对现有 VLA 模型在多视角输入下持续依赖腕部视角、缺乏跨操作阶段动态调整全局-局部视角依赖的问题，作者提出阶段感知多视角路由框架 FocusVLA：从历史动作预测未来交互意图，并据此在动作生成过程中动态路由视角。在 RoboTwin 2.0 上，其平均成功率较最强基线 π0.5 提升 10.10 个百分点；真实世界评估成功率从 71.7% 升至 85.0%，相对 π0.5 提升 13.3%。其意图预测与动态路由模块可在不修改核心架构的前提下集成进现有 VLA 框架。
论文提出 WholeBodyMem，一种面向人形机器人全身 VLA 策略的物体引导感知记忆模块，用于保留机器人执行目标动作前观察到的物体事件前史。方法用 SAM3 跟踪任务物体，按事件因果地在自适应预算内选取关键帧，动作专家通过交叉注意力结合编码外观、几何与时间的物体 token 读取。作者同时发布 HuMeGo 基准，含 6 个仿真任务与 6 个真实 Unitree G1 任务。结果显示基础策略成功率在仿真中从 29.1% 升至 72.6%，真机从 36.7% 升至 88.3%，标准 SIMPLE 任务从 70.2% 升至 86.9%。
论文提出三种对机器人控制进行数学抽象建模的数据生成流程，用其程序化生成的合成数据预训练 Transformer，在未接触任何真实机器人行为的情况下，于未见过的物理机器人任务上取得非平凡的零样本动作预测性能，且专用控制先验优于通用因果先验。与算力匹配的真实机器人数据基线相比，后者仅在自身训练过的数据集上占优。作者据此认为，程序化生成的数学抽象可作为昂贵具身数据采集的潜在补充。
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。
TRACE是一个面向地面机器人在非结构化森林环境中自主运行的可通行性感知反应式导航框架。它利用基于正负自然语言提示集的VLM置信度图，通过证据融合生成密集可通行性地图，并按先前已通行路径的迹象对地形排序；随后提取带可通行性标注的点，经百分位分箱与样条或正则化多项式拟合得到路径左右边界，作为软障碍约束纳入NMPC。真实森林环境实验显示，该框架能在杂乱、可变形、视觉模糊地形中平滑导航。