MIT工程师设计出一种新型机器人小肠镜，可在直径约1英寸、长度超过20英尺的小肠内移动，完成成像、给药以及切除小息肉或取活检。该机器人借鉴蛇的蜿蜒运动方式和鳞状皮肤抓地结构，采用四腔室多功能执行器，通过调节各腔室气量控制伸展与弯曲方向；头尾段的可膨胀锚定气囊交替充放气以推进，表面覆盖受剪纸启发的图案化涂层以附着肠道黏膜。相关论文发表在Science Robotics，高级作者为MIT机械工程教授Giovanni Traverso。现有双气囊小肠镜需人工交替充放两个气囊，过程缓慢费力，该研究的目标是让这段20至25英尺小肠的评估更自动化。
机器人行业洞察
今日精选
The robotics journal行业消息
GE-Act 2.0 是一个世界-动作模型，其生成组件与动作组件全部在操作数据上从零初始化，未继承预训练视频生成器。模型由面向控制的自编码器 CoAE、单步视觉规划器 SVP 和逆动力学模型 IDM 组成，先分别在互补数据上预训练，再用知识对齐的选择性优化 KASO 联合训练。在 20 个技能组共 100 个任务上直接评估预训练检查点、不做逐任务微调；联合训练数据从 300 小时扩至 30,000 小时，G1-OP 成功率由 17.1% 升至 44.1%，G2-90D 由 13.4% 升至 31.1%，后者数据占比不足 2% 仍提升 17.7 个百分点，提示跨具身迁移。
研究团队提出世界动作模型 VPP2，通过整理大规模多样化操作视频数据集，对基础视频模型进行事件级继续预训练，并将其蒸馏为固定预测时域的单步视觉规划器，再以混合 Transformer（MoT）架构接入动作模块学习隐式逆动力学。实验显示，VPP2-14B 在开放式任务视频预测指令遵循成功率上比 Cosmos3-64B 高 11.0 个百分点；在真实世界零样本 ALOHA 操作任务上比最强基线高 18.5 个百分点；经基准特定后训练后，在 LIBERO-Pro、LIBERO-OOD 与 RoboDojo 上取得所评估方法中的最高成功率。
研究团队提出 IG-VLA 视觉-语言-动作推理框架，其潜在时空推理直接在视觉表征空间想象与任务相关的未来场景演化以指导动作预测，避免像素级视频生成；场景要旨记忆把推理得到的场景-行为关联压缩为场景要旨 token，使推理阶段无需显式未来想象。在 LIBERO、LIBERO-Plus、VLABench 上测试，LIBERO-Plus 语言套件中推理策略与要旨策略成功率均比最强基线高近 6%；要旨策略在单块 NVIDIA A6000 上实现最高 6.38 倍加速，每动作块推理延迟从 1081ms 降至 169.5ms。
研究团队发布 JRDB-AVR 基准，基于真实世界 JRDB 机器人数据，通过结构化问题生成引擎构建，要求具身智能体按时间戳和视角请求有界观察，并同时评估最终答案与支撑该答案的视觉证据。基准问题覆盖时间搜索、视角选择和面向人类的组合推理。团队同时提出参考方法 JRDB-AVR-Agent，维护显式的、基于观察的图结构世界模型并通过求解作答。实验显示当前基线答案准确率与证据准确率存在显著差距，VLM 可给出缺乏证据支持的正确答案。代码与基准已在 GitHub 开源。
arXiv 2605.29864v2 提出未来经验条件化（FEC）接口，将闭环策略条件化于短未来视频的潜在表示。未来片段分三阶段生成：LLM推理器在任务本体上推理、无机器人数字孪生推演物体运动、无掩码视频扩散模型合成与机器人一致的未来片段。在RoboCasa和CALVIN上以BC与BC+RL实例化，对比NoFuture、GTFuture、GenFuture、WrongFuture四种条件及SFP基线：生成未来优于无未来条件，不匹配未来则降低性能，BC+RL整体最强；8个CALVIN任务上GTFuture提升最快，GenFuture早于且高于NoFuture，WrongFuture全程为零。
该研究构建了一套面向农业抓取与采摘的仿真到真实机器人学习框架：基于MuJoCo搭建包含多种番茄植株结构的农业仿真环境，通过手柄遥操作采集专家演示，并用底层控制器执行机器人动作。研究将Octo与π0.5两个预训练通用机器人策略在仿真演示上适配，随后在实体Franka Research 3机械臂上用真实机器人演示进一步微调，并在分布内、视角/空间偏移和分布外条件下评估，同时考察本体感知信息对策略性能的影响。结果显示π0.5的任务表现得分高于Octo，且在分布偏移下性能退化更小。
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%。
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。
研究团队提出 PlayPolicy（DSP）框架：机器人先通过行为克隆从数分钟人类玩耍数据中学得玩耍策略，再自主运行数小时采集交互数据训练世界模型；推理时该策略为模型预测控制（MPC）提出候选动作序列，由世界模型评估，并可用世界模型内自我对弈蒸馏闭环目标条件策略加速推理。在仿真与真实世界的多指手欠驱动推动和任意到任意手内姿态重定向任务上，真实实验成功率比事后行为克隆高 69.6%，交互数据量比强化学习少 490 倍而成功率相当，且无需任务特定演示或 sim-to-real 迁移。
研究团队提出 CapPro 框架，使预训练 VLA 策略仅凭单段人类演示视频即可适配此前未见的操作任务，无需目标任务机器人演示或微调。该框架由两部分组成：阶段感知人类视频表示模块通过视觉 token 选择构建紧凑视频表示，并在阶段字幕监督下学习任务相关查询表示；视频条件适配模块将紧凑视频与查询表示注入预训练 VLA 策略的动作条件上下文，同时基本保留原动作生成主干。实验显示，CapPro 在未见目标任务组上提升平均性能，源任务性能保持可比。
论文提出StepTrigger，一种针对VLM驱动腿足机器人的接触状态触发后门攻击：触发器由Unitree Go1四足机器人走过密集地形区域时产生的足-地压力与接触模式生成，而非提示词token或可见标记。为区分正常行走中的噪声性压力异常，方法从多模态机器人状态学习选择性后门策略，将偶发压力事件作为良性样本、密集地形接触作为投毒样本。分层离线评估中，训练后的规划器干净行为保持率98.75%、误触发拒绝率92.50%、真触发激活率76.25%、整体解析行为准确率89.17%。作者指出该后门位于本体感知与接触通道，仅关注语言、视觉或动作历史的防御无法覆盖。
针对人类视频到机器人策略迁移（H2R）方法因任务套件、场景布局、物体实例与机器人监督量不同而难以横向比较的问题，研究者提出 Real2Sim 基准 H2RBench，基于真实人类视频演示与仿真机器人演示建立标准化协议，覆盖四个交互需求不同的操作任务。论文评估了多种采用不同具身差距弥合策略的代表性 H2R 方法，刻画各方法随人类演示数量增加的性能扩展，发现方法间利用额外人类数据的能力差异显著。仿真性能对真实机器人性能具有预测性，跨方法-任务配置的 Pearson 相关系数 r=0.89、Spearman 相关系数 ρ=0.85、平均最大排名违规 MMRV=0.06。
ForceDelta-VLA 提出一种修正蒸馏框架，利用冻结教师模型的力条件模式与学习到的无力条件模式的成对预测，构建显式的力修正目标，并另设延迟修正目标以补偿参考动作不匹配与参考状态变化。训练采用异步调度回放，执行时使用缓存的任务上下文。所得轻量策略依据近期力历史与机器人状态调整参考动作，在两次参考动作更新之间响应接触变化，无需重新生成完整动作块。在九项单臂与双臂接触密集任务上，平均成功率为82.2%，原始 ForceVLA 基线为54.4%，直接执行第一阶段时序教师模型为70.6%；相比 ForceVLA，完整系统在两个平台上将成功试验的平均峰值接触力降低约26%。
X-WBC 提出跨本体人形机器人全身控制基础框架，将共享的人体运动语义与各本体特定的物理执行分离：以人为中心的命令 token 对齐完整人体运动、机器人参考运动和稀疏 VR 观测，因果 Transformer 从多机器人混合 rollout 中学习可复用的时序结构，轻量级本体特定模块再把共享表示映射到各机器人的本体感知与动作空间。实验覆盖九个仿真本体、外部运动数据和四台真实机器人，结果显示联合训练提升跟踪性能，对齐表示支持跨命令源的一致控制，策略在训练语料之外仍具竞争力。作者据此主张异构人形机器人可作为联合数据源，跨本体联合训练是通向全身控制基础模型的可行路径。
该论文针对四足机器人通过被动弹簧臂搬运负载的场景，建立了将被动接口刚度、阻尼与负载质量关联到 ZMP 响应的降阶解析模型，指出低阻尼被动模态可能与步态谐波重叠。作者提出基于扩展单刚体动力学的臂感知模型预测控制 ARMPC，融合浮动基动力学、被动臂关节状态、扭转弹簧阻尼与基座-臂惯性耦合。仿真消融中 ARMPC 在所有测试条件下减少 ZMP 裕度违规并避免失败，Nominal MPC 与 Baseline MPC 违规率和失败率更高；2 kg 负载硬件拉放实验中 ARMPC 纵向与对角线扰动试验全部无失败，Baseline MPC 分别失败 7/15 和 8/15 次。
研究对OpenVLA-OFT和pi0.5在分布外LIBERO-90任务上的失败进行标注，将其归为四种模式，仅「执行失准」（到达正确目标但移动距离或力度校准错误）可由一句话纠正覆盖。方法为每任务一句回顾性描述，经LLM解析为动作维度、方向、幅度项与时间窗口，作为短时偏置施加于冻结策略动作。仿真中恢复139个分布内失败中的65个、328个分布外失败中的33个；真实xArm7基座移动后，同物体抓取放置从10/30升至30/30，新物体从2/30升至24/30，两个长时程任务仍为0/30。朴素提示的VLM最多10次尝试均未恢复。
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。
该论文提出接触隐式、基于直接仿真的多重射击（DSMS）框架，将运动学可行的参考轨迹转换为动力学可行的全身轨迹：把可微仿真器嵌入非线性规划，在内部处理接触、摩擦、碰撞、自碰撞与关节限制，同时施加跟踪、驱动和任务约束，无需预设接触时序或显式接触约束。作者称相比现有重定向方法，DSMS 可加速运动模仿强化学习训练，得到成功率更高、跟踪误差更低的策略；并在 Unitree G1 上完成零样本仿真到现实迁移，覆盖指令条件化行走、慢跑、接触密集爬行及 180 度跳跃转身。
LaWAM 提出以紧凑的潜在视觉子目标替代重建未来视频，将预测动态注入机器人策略。其核心 LaWM 在预训练视觉基础模型的潜在空间中训练潜在动作模型，并复用前向解码器预测未来观测特征。在 LIBERO 上成功率达 98.6%，RoboTwin 上达 91.22%，真实世界操作任务同样取得领先或具竞争力的结果；每次动作块预测耗时 187 毫秒，墙钟延迟较像素空间 WAM 最多降低 24 倍。