该论文指出流匹配VLA部署中数值求解器深度与执行时域通常被解耦选择，并揭示二者存在由符号反转支配的计算-执行耦合：快速重规划下粗糙积分降低精度，但延长开环执行时粗糙积分反而提升任务表现，其机制是数值截断使横向动作离散度围绕不变的轨迹质心收缩，起到抑制开环漂移累积的隐式正则化作用。在LIBERO、RoboTwin 2.0及真实Franka操作任务上，针对π0、π0.5、GR00T等VLA骨干模型，利用该耦合可在无需训练、不改架构的前提下提升任务成功率并大幅降低推理延迟。
机器人行业洞察
今日精选
The robotics journal行业消息
DiscoDemo 将强化学习用作下游视觉运动模仿学习的数据生成器，而非可部署控制器：训练带特权信息的潜在条件 RL 生成器，结合并行逆向课程与成功门控多样性目标，产出多个成功闭环行为，经安全过滤后导出为静态数据集。在四个操作任务上，仿真中下游成功率由最强基线的 40% 升至 62%，真实机器人上由 39% 升至 78%，成功状态覆盖更广。作者称该多样性收益对预训练流匹配 VLA 有效，并与纠错数据采集互补。
EgoForesight 提出一种视觉-语言-动作框架，联合利用机器人演示与第一人称视频训练策略，以降低含噪动作标签的影响。方法包含可靠性条件化损坏、可靠性加权回归，以及用指数移动平均教师从干净未来场景变化中蒸馏特权未来表征。在 30,000 小时预训练数据下，其扩展斜率比基线更陡，真实世界开环动作 MSE 降低 20.5%，RoboCasa 少样本成功率提升 8.1 个百分点；后训练后在仿真与真实灵巧操作中均表现较强。
研究用强化学习训练一个由20台月球小型机器人共享的策略，奖励仅为月夜结束时最冷5台机器人的平均温度，不涉及位置、间距或运动信息。结果涌现出聚集与在受庇护核心和暴露边缘间循环两种行为，与帝企鹅越冬方式相同。十次运行测得生存阈值为155.6±1.3 pcm-h（1 pcm-h=7.2 kJ），比静止抱团低37%，距物理下界13%以内；在静止抱团损失6台机器人的能量预算下全部存活。该行为无需共享空间参考和机器人间接触，可从20台迁移至40台而无需重训。
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。
研究提出导航基础模型 RepresentNav，用三层 transformer（Representation Residuals）对多个视觉基础模型全深度特征做注意力，构建由策略目标驱动的自建表征空间，并在动作前用潜在思维链预测下一时刻场景表征，以 JEPA 架构端到端训练。在 VLNVerse 细粒度任务上成功率达 83.80%，较此前最优高 20.05 个百分点；EVT-Bench 干扰物跟踪单相机达 85.5%（+10.1）；相同编码器下自建空间优于拼接输出，想象使碰撞减少四分之一。单个潜在表征可解码未来场景的深度、语义与三维占据，占据无监督仍优于预训练编码器作用于真实未来帧。
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 P³-WAM 统一世界动作模型，面向第一视角灵巧操作，包含 Perceive（从视频重建关节手部运动与相机轨迹）、Predict（按给定动作生成视觉未来）、Plan（以初始图像、语言指令和可选视觉目标为条件，联合生成动作轨迹与预期视觉后果）三种模式。模型采用混合 Transformer 架构，将结构化三维动作表示接入预训练视频扩散 Transformer，共享基础权重并设模态特定适配与双向视觉-动作注意力，随机化模态可见性使视频与三维动作可作条件或预测目标。实验称统一训练在四项数据集的三维手部重建与动作条件视频预测上优于专用基线，生成的操作视频在指令遵循与动作推进上强于视频生成基线。
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。
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。
研究提出一个真实世界双臂灵巧抓取大尺寸物体的框架，包含采集关节角度、视觉观测与力信号的多模态数据集，基于去噪扩散概率模型（DDPM）从分割点云生成关节级抓取构型的模块，以及将运动规划与在线抓取细化结合的执行策略。该方法可从单视角输入合成可执行的双臂抓取，降低对完整三维物体模型的依赖。在双臂机器人上的实验显示，对几何形状与位姿各异的未见物体取得较高成功率，消融实验验证了各关键组件的贡献。
研究团队设计并制造了一款个性化气动软体机器人外骨骼手套：先用拓扑扫描获取用户手部解剖数据，再用硅胶模铸成型。有限元分析评估了执行器与简化个性化生物力学手指模型之间的物理人机交互接触力，结果显示关节动员充分，但近节指骨存在非理想压缩。气动压力控制实验表明，该手套可准确、定向地驱动掌指（MCP）与近端指间（PIP）关节；多设计对比显示，放松应变限制层能改善执行器与手指关节的对齐。
研究提出 ReactiveBFM 实时闭环规划-控制框架，通过按计划进行的前缀采样课程，让生成式规划器从并不完美的物理状态中学习误差恢复行为，以缓解级联方案中的累积暴露偏差；并引入异步重规划机制与轨迹分块，协调自回归规划与高频跟踪之间的延迟失配。该框架部署于宇树 G1 人形机器人，实现零样本移动目标到达；在严重扰动下的 sim-to-sim 基准测试中成功率达 93.1%，比级联开环基线高 28.6%。
论文提出摩擦感知的双臂箱体操作框架，将在线惯性估计与凸接触力旋量优化结合：惯性估计模块根据测得的接触力旋量估计物体质量与质心，优化模块在椭球摩擦极限面约束下用二阶锥规划（SOCP）求摩擦可行的接触力与扭转力矩，并加入离线轨迹细化以减少物体与环境的不期望接触。框架将摩擦可行性作为硬约束、在可行域内最小化接触力，无需分别调参避免滑移与过度挤压。在真实双臂机器人系统上针对不同质心配置的实验显示，该方法可举升惯性属性未知的物体并保持稳定摩擦接触。
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 2604.24033v2 提出事件相机状态估计基准框架 EvSLAM，覆盖多种数据采集平台、极端光照场景与挑战性运动模式，并给出面向移动机器人的高速机动严格定义及新评估指标。作者指出，现有事件相机 VO/VIO 方法多局限于贴近结构的正面平行快速晃动或纯三自由度旋转假设，无法泛化到线速度与角速度均可能较大的 6-DoF 剧烈机动，且当前公开数据集存在不足。该框架对 SOTA 方法进行基准测试，用于评估事件相机方案的实际运行极限。