研究提出 LAW 闭环框架，用混合专家视觉语言模型规划子任务并异步评估执行状态，融合世界-动作模型生成的动作，WAM 内部以 Mixture-of-Transformer Experts 做联合视频-动作建模，双流分层视觉记忆维护时序上下文。在 50 个 RoboTwin 任务上平均成功率 94.21%，将 WAM 主干换成 OpenWAM-α 后升至 95.56%，称创 RoboTwin 开源最优；2B 参数 VLM 优于 Embodied-R1.5 与 GPT-5.5 High 变体。三个长程真机任务平均成功率 65%，对比 π0.5 的 28.33% 与 Fast-WAM 的 25%。
机器人行业洞察
今日精选
The robotics journal行业消息
研究团队提出 CLARO，一个由视觉语言模型（VLM）驱动的智能体，负责编排开放词汇目标检测、分割、6 自由度抓取和非抓取式推动等技能，用于在杂乱环境中定位并取出语言指定的目标。系统维护过往动作记忆以支持长时程执行，输出抓取位姿或 3D 路点，无需任务特定训练即可跨机械臂迁移。在动态仿真环境与标准图像基准上，CLARO 平均成功率为 89.1%，在高杂乱场景中相对最强对比方法提升超过 16%；部署到真实机械臂后成功率为 88.8%，展示了仿真到现实的泛化能力。
威斯康星大学麦迪逊分校人机交互团队提出 SHRIMP 系统，用自然语言自动生成分层机器人基元任务计划，并支持用户通过重新提示和显式纠正迭代修订。每次修订后，用户可在仿真中验证计划，确认后再在物理机器人上执行。研究招募 35 名参与者完成桌面厨房任务规划，结果显示 SHRIMP 提升了用户的感知控制感与机器人透明度。系统视频与源代码已公开。
arXiv 2602.16444v3 提出 RoboGene，一个面向单臂、双臂和移动机器人的智能体式操作任务生成框架，由多样性驱动采样、智能体自我反思评估任务质量、以及经人工验证的反馈记忆三部分组成。研究团队通过大规模真实世界实验采集了 1.8 万条轨迹，并提出任务可行性与多样性指标；RoboGene 在任务生成上显著优于 GPT-4o 和 Gemini 2.5 Pro，用其生成数据训练的 VLA 模型成功率更高、泛化更强。数据集已发布于 Hugging Face（X-Humanoid/RoboGene）和 ModelScope。
该研究提出 UniManip 框架，以智能体操作图（AOG）作为任务编排、状态跟踪、执行验证与闭环失败恢复的显式认知与操作主干。高层语义意图经物理接地场景图转化为可执行原语，该场景图提供几何可供性、接触感知交互参数与无碰撞轨迹合成。框架将高层智能体层与低层场景层耦合，从非结构化感知实例化以物体为中心的场景图，经安全感知局部规划器参数化为无碰撞轨迹，并利用结构化记忆自主诊断与恢复执行失败。在 LIBERO-Pro 上取得最优性能，真实世界实验显示跨任务、跨本体与跨灵巧手的零样本泛化，任务成功率分别超过领先 VLA 模型和分层基线 22.5% 与 25.0%。项目页面已开源。
研究团队发布 IndustryNav 仿真环境，包含 24 个仓库场景，用于闭环导航至指定目的地，并引入安全感知指标记录每条轨迹的碰撞与近碰撞预警。对 11 个开源与闭源视觉大语言模型及 3 个导航基线的实验显示，智能体能够抵达目标，但会与移动障碍物发生碰撞，说明任务成功与安全导航之间存在差距。该环境还通过自动 oracle 轨迹与仿真器交互支持策略学习，并保留部分场景用于泛化测试；实验表明策略可在熟悉的仓库中完成新路线，却无法迁移到保留布局，跨场景泛化仍是待解问题。
arXiv 2610.35832v1 发布技术报告，在EBench上评测GPT-6-Astra作为机器人智能体核心，采用与后训练策略相同的视觉与本体感知观测协议。直接控制配置下，智能体直接生成路点命令，整体表现与后训练策略相当，短时程任务领先且跨泛化维度波动最小，但在长时程任务、桌面操作和高精度接触密集任务上落后。带策略的框架允许调用后训练VLA或WAM策略执行动作，整体成功率提升至最强对比策略水平并大幅降低token成本，但因策略调用不理想、固定指令无子目标、恢复控制时抓取被打断，仍低于各组件逐任务上限。
论文提出 TrySee，一种模块化闭环机器人任务规划流水线，将通用 VLM 推理与领域专用感知模块及成熟机器人组件结合，无需微调 VLM 或端到端演示，通过可替换感知模块与运动规划实现适配。系统包含反应式循环规划流水线、领域专用模块化视觉预处理以提供在线接地，以及动态预处理选择机制以提升可扩展性。评估覆盖 5 个差异显著领域的规划任务，含真实机器人拆解任务，并在棕地环境开展现场测试，验证在领域专用训练数据有限时集成 VLM 规划的实用性。
arXiv 2610.35604v1 提出免训练框架 RoboDoctor，在模型权重固定的前提下，把执行过程作为适应环节：反馈既指导当前动作，也为修正后续决策提供依据。框架围绕三个修正目标连接诊断、有依据的动作与持久经验，在策略与语言模型智能体之间分配控制权，由干预机制决定何时介入协助，并通过观察到的效果改进物理方法；关联经验记录保留决策理由、尝试方法、结果与复用条件。在 54 个 RoboDojo-Sim 任务条目上，五维平均分 57.10，原生成功率 49.44%，记录交互显示策略变化、选择性纠正与抓取修正。作者指出仍需对照试验分离跨回合经验的贡献。
研究团队提出 EmbodiedLab 基准，要求机器人在物理仿真实验室中「为知而行」：智能体获得目标与实验装置后自行选择流程，通过相机读取仪器，改变系统状态并观察反馈，直至发现规律或达成目标。该基准覆盖五个学科、14 个实验装置平台上的 30 个实验，每个实例重新采样系统参数，结果无法预先得知但可精确评分，且每个实验均经验证可解。团队在开发者编码智能体中评估六个前沿模型，比较原生控制、增加感知与运动规划、以及从最强智能体蒸馏操作技能三种配置；原生控制下最强智能体成功率不足一半，多数失败发生在与装置交互环节，操作技能对较弱智能体的提升大于感知与规划。基准与评估代码已在 GitHub 开源。
arXiv 发布 Labference 基准，用于评估机器人实验室中观察到的物理执行结果如何影响后续操作选择，以及这些选择如何转化为实际动作。其评估协议通过受控的证据变化测试依赖结果的行为适应，并分别测量操作选择、物理执行与任务完成；同时从共享检查点出发，用匹配的 Oracle 辅助续接评估哪些支持能改善后续选择。初步评估显示，被测 VLA 策略虽能成功转移物体，但存在目标选择错误；GPT 驱动的控制能正确选择，却出现执行失败和较高计算开销。
论文提出 RetroNav，一个无需训练、可自进化的导航框架，把导航、记忆积累与失败反思整合在一起。它构建统一记忆系统，将几何与语义场景知识和历史导航经验关联，并区分客观观察与依赖任务的解读。每次导航尝试后由独立评估器判断是否需要重试；若需要，Retrospection Agent 依据积累的场景知识与导航记录回溯历史决策，生成有证据支撑的重试简报以指导下一次尝试。RetroNav 在五个导航基准上取得当前最优性能，代码将在 GitHub 开源。
论文提出VISTA元智能体框架，把具身智能体的事后rollout反思改为主动自我探索：维护记录harness谱系的harness图，使元智能体可检索先前假设、复用有效机制并避免重复失败方向；每轮从保留的harness版本及其执行证据出发，在环境中自主生成新rollout、探查失败与恢复行为，据此迭代修改harness并重新评估入图。在LIBERO-Pro、RoboCasa、RoboTwin三个基准上，VISTA逐步提升任务成功率，且比静态反思更省rollout，以更少仿真器rollout取得更高成功率。
研究提出 RoboDuo 闭环双系统框架，以代码作为编码智能体与两个 VLA 之间的接口：智能体编写程序让全任务 VLA 尝试完整任务并检查是否完成，失败时由原子 VLA 完成剩余步骤；智能体不输出动作、只决定由哪个 VLA 执行，因此封装现有全任务 VLA 且不更新其权重。团队基于同一组 LIBERO 演示构建 LIBERO-Atomic、LIBERO-Code 和 LIBERO-Judge 用于训练。在 LIBERO 与 LIBERO-PRO 上，RoboDuo 持续提升 X-VLA 和 π0.5，长时程任务增益最大，并在真实机器人上恢复了冻结全任务 VLA 的失败 rollout。
SceneAgent是一条智能体流水线，通过基于仿真器的视觉检查与修复，把3DGS、摄影测量、LiDAR采集、AI生成3DGS场景及4D动态视频转换为可交互仿真环境，流程涵盖物体分割、物理参数估计、部件分解、关节化与可变形仿真，并生成物体变体与脚本化演示以支持策略学习。在GraspClutter6D杂乱料箱场景中，所有具备可评分输出的编码智能体配置F1均超过SimFoundry，最佳60.75%对6.9%；在4DCodeBench三个动态场景上，Gemini 4 Argon平均动态IoU从0.86%升至99.09%。作者还展示了多样化仿真交互及向真实机器人的初步策略迁移。
该综述指出，人形机器人正从实验室单机平台转向共享工作空间、基础设施、任务与知识的互联集群，但现有研究大多仍把人形机器人当作独立系统。文章按通信、协调、协作、人机社会交互四项信息交换功能组织网络化人形智能研究，并用一个工厂场景串联四者，沿交互架构、交换信息、物理耦合、运行时间尺度、系统规模、具身形态六个维度梳理文献。作者将物理与仿真人形机器人的结果同其他机器人平台或无实体智能体的结果分开，理由是后者无法体现平衡、全身运动、接触等约束，同时区分本地风险与网络引入的过时信息、不安全知识传播等风险，并列出控制感知网络、以身体为中心的紧凑消息、集群级社会一致性等开放问题。
论文提出 RobotAgentBench（RAB）基准，用于在开放世界家庭环境中评估机器人智能体。该基准通过智能体辅助、人在回路的真实到仿真流程，构建 50 个含可交互物体的家庭布局，覆盖 90 个原子任务、18 个短时程任务、8 个长时程任务和 4 个开放式场景。评估分任务级与场景级：任务级考察任务发现、情境推理、操作、失败恢复、鲁棒性五个维度；场景级考察能力整合以满足高层用户需求。实验显示操作能力与自主性之间存在显著差距，智能体架构与递归自我改进具优势。
该研究提出 ThinkLocoManip，一个面向足式移动操作长程任务的智能体框架，采用交错推理与执行范式，让智能体持续推理状态、执行动作、观察结果并调整策略。框架编排感知、导航、操作与运动四类专用工具，并明确将运动作为智能体推理与执行的工具域；同时设计跨域协调技能与关键帧思考机制，用于保留执行上下文和支持错误恢复。真实世界实验显示，其成功率为 77%，是最强“先规划后执行”基线 37.1% 的两倍以上。
研究团队提出示意图引导具身导航工作流，包含数据生成流水线与闭环框架 ScheNav。其轻量流水线将二维平面图转为导航训练环境，产出 Furnished-RPLAN 数据集，含逾 3.3 万个带家具布局及配对的导航回合与噪声可控示意图。ScheNav 用学习到的空间模块 SchemaField 融合示意图引导与累积观测，预测空间价值场并随探索更新，配合基于轨迹的训练和跨帧一致性目标。实验显示在示意图、目标椭圆和指向方向下导航成功率与路径效率提升，并对示意图扰动和缺失有容忍度。
MOTIO 系统将人类动作视频、3D 资产、运动参考与可复用技能转化为人形机器人移动操作程序，通过上下文任务与接触推理构建分阶段交互，并借助物理执行、多帧反馈和人工验证迭代，无需任务特定遥操作或机器人演示采集。33 次带时间戳的首次批准中，智能体轮次时间中位数 97.0 分钟，请求到批准时长 2.80 小时。在扫描办公室中，G1 完成连续 101.75 秒的瓶子处理物理执行；物理细化使拧螺丝螺纹残差降低 76.0%。智能体生成的技能还用于监督 BC/DAgger 蒸馏至共享参考策略，同一检查点完成 18 个仿真任务，无需推理时专家干预。