小鹏汽车10月22日宣布，第二代VLA大模型升级后获得更强的时序理解与未来行为预测能力，并已端侧落地到人形机器人IRON上。IRON在握手、碰拳、击掌等互动中可应对临时变招，每0.2秒根据眼前画面重新推理一次，预测6秒内的动作变化，形成感知与动作的实时闭环。IRON于2025年11月5日科技日发布，搭载3颗图灵AI芯片与VLT+VLA+VLM能力组合；按计划2026年底量产、2027年上半年交付，率先落地门店、商场等商业场景。
机器人行业洞察
今日精选
The robotics journal行业消息
奥尔特曼在《Sources》播客中确认OpenAI将亲自制造人形机器人，理由是“世界为人类设计”，门、键盘、工具都按人体形态打造。他表示外观细节远不如驱动机器人运转的“大脑”重要，预计2027年拿出亮眼的演示样机，但机器人走上街头还需数年。OpenAI招聘页面挂有27个机器人岗位，涵盖运动控制、状态估计、执行器控制、整机行为开发及实体AI训练基础设施，并自研集成电机、传动、传感与热管理的机电一体化执行器，另设制造与供应链岗位。短期目标为协助技术工人建设基础设施的通用机器人，长期为个人机器人；公司未公布售价、订阅模式、上市日期及机器人隐私规范。
卓誉科技获得国家级客户批量采购订单，涉及十万台行星关节模组，订单总金额超亿元。该批行星关节模组满足ASIL-B功能安全认证，遵循ISO 26262体系，PMHF≤77.33；公司已取得IATF 16949车规质量管理体系认证，产品交付良率超95%。新一代模组额定工况最低平衡温度61.42℃，电机综合效率92%、驱动器效率超95%、行星减速器单级效率97%；采用新型7系铝合金使材料密度降低8%，转矩密度提升20%以上，峰值达117N·m/kg；全系设计寿命3000小时，并规划2027年关节模组年产能达百万台。
10月20日，2026物理AI与世界模型大会在南京启幕，由江苏省数据集团、南京大数据集团、中国人工智能学会共同主办。戴琼海、谭铁牛、姚期智、杨立昆、沈向洋、于海斌等出席或视频发言，议题覆盖物理AI、世界模型与具身智能。会上成立国家数据标注先行先试苏皖城市联盟（长三角数据标注联合创新中心），南京、无锡、苏州等十城联动；江苏发布物理AI与世界模型高质量数据集行动计划、九项典型创新成果及2026年50个典型应用场景。全国信标委批复设立具身智能标准工作组，《人工智能世界模型》国家标准预研启动；全国首个物理AI与世界模型投资基金签约，总规模50亿元。
高工人形机器人统计显示，2026年前9个月具身智能行业累计发生437起融资事件，累计融资约2032亿元人民币，月均超225亿元；剔除优必选、宇树等已上市企业后，国内估值超百亿元的具身智能企业达29家，其中地瓜机器人、极佳视界、酷哇科技、灵心巧手、星海图、银河通用、智平方、自变量机器人、小鹏机器人业务等12家估值已超200亿元。小鹏机器人业务首轮融资9亿美元（约60.3亿元），刷新中国具身行业单轮私募股权融资纪录。灵巧手领域年内约35笔融资、金额超67.3亿元，同比增长821%。地域上深圳10家、北京和上海各8家。
NEURA Robotics与慕尼黑工业大学（TUM）于2026年10月22日在慕尼黑机场附近LabCampus开设TUM RoboGym，占地超2300平方米，由TUM慕尼黑机器人与机器智能研究所（MIRMI）合作建设，将研究、机器人训练与工业应用结合。自9月起已有来自汽车、制药、医疗技术、包装、物流、农业、护理等十多个行业的企业在此训练具体流程，慕尼黑产能已供不应求。NEURA同时发布人形机器人4NE1 Gen 4，比前代轻20%，采用黑色织物外壳与先进运动控制系统，运行于其物理AI基础模型Neuron AI，面向批量生产设计。
arXiv 2610.25600v2 提出向量量化世界模型（VQ-WM），将离散隐状态搜索与连续视觉反馈控制结合用于机器人长程操作规划：离散隐预测器建模向量量化隐状态转移以寻找最短路径，学习控制器通过视觉反馈依次到达规划状态并纠正偏差。方法以首达时间估计器替代欧氏距离作为准度量，使规划抽象与控制器能力对齐。在实体机器人汉诺塔任务上，仅用短时演示数据即达到100%成功率，而VLA、WAM等基础模型仅在训练数据含解轨迹时成功；在涵盖操作与运动的仿真基准上比最强世界模型高13.3至85.3个百分点。
论文提出仅用RGB-D相机的低成本自主框架TrackDeform3D，用于采集可变形物体的3D关键点数据：方法识别3D关键点并跟踪其轨迹，引入运动一致性约束生成时间平滑、几何一致的数据。在多种物体类别上与多个先进跟踪方法对比，几何与跟踪精度均有一致提升。基于该框架发布的数据集包含6个可变形物体、总计110分钟轨迹数据。
论文发现VLA动作生成与图像/视频生成差异显著：仅将训练时间步分布偏向噪声端点，即可在LIBERO、LIBERO-Plus、LIBERO-Pro及真实机器人任务上获得强单步策略；对多种架构的开源VLA模型，用单次前向替代迭代解码，在LIBERO、CALVIN、SimplerEnv等基准上常与原多步解码相当。作者用标准Flow Matching的不可约速度损失R_v(t,c)解释：VLA在噪声端点处该损失更小，而图像生成模型多呈U形；学习到的生成映射对初始噪声的雅可比最大奇异值在动作生成中明显更小。作者认为VLA的条件-目标结构更接近图像到文本，使单步生成更易实现，代码与训练配置已开源。
论文提出 PaceVLA 框架，用于解决 VLA 模型因从遥操作演示学习细粒度时间模式、需大量底层动作步而导致的执行时间效率低问题。该框架包含两个耦合组件：基于共享动作专家的模式特定动作解码器，支持多种时间粒度与预测时域；以及可量化性引导的模式选择方案和上下文条件路由器，在每个推理步判断粗粒度执行是否合适并选择执行模式。在三个多任务仿真基准和六个真实世界任务上，PaceVLA 在多种具身形态（含长时程与灵巧操作）中提升执行效率并保持任务成功率。
研究提出FoveaVLA，用学习到的注视动作替代VLA中的腕部相机：策略在每个动作块之外预测下一次查询需观察的交互区域，并从原始分辨率图像中裁剪该区域，与完整视图一并输入。模型基于π0.5构建Single与Dual两种配置（分别使用一个或两个外部立体相机，输入完整与注视区域的RGB-D），在DROID数据集结合RoboInter交互标注上后训练。四个真实任务套件中，FoveaVLA-Single单外部RGB-D视图成功率70.8%，Dual为77.1%，配备腕部相机的π0.5为52.1%；在普通抓取放置任务上与基线持平，在存在干扰物、布料操作和远距离物体任务上成功率提升。
研究提出集体经验学习（CEL）范式：已部署机器人汇集自身执行经验，用于更新共享策略并回传车队，无需额外专家演示或纠正动作。其实现方式为失败引导的经验检索微调（FERT），并配套容错异步训练系统（FATS）协调机器人执行、云端推理与策略优化。在五个真实操作任务上，策略成功率达 93.3%–99.2%（每任务 120 次试验，评估机器人未参与训练数据采集）；多阶段手机包装任务中，96 台机器人将成功率从 79.2% 提升至 98.3%。
研究团队发布 HumanVerse 数据集，包含 500 小时开源世界人类移动操作数据，将第一人称视频与同步的身体和手部运动配对。其人类到人形机器人流程对齐相机视角与手臂外观，并离线优化运动参考和控制器输入以降低末端执行器误差。该流程在宇树 G1 上完成零样本迁移验证，无需目标任务的机器人演示。基于此训练的全身移动操作基础模型 λ₀ 在 SIMPLE 上成功率达 90.0%，真实世界移动操作任务平均成功率 62.5%。
arXiv 发布 WorldOracle 基准（编号 2610.18826v3），用于将动作条件世界模型（ACWM）与成对的真实世界执行进行对比：给定相同初始观测和低层动作序列，检验预测 rollout 是否复现真实物理后果与任务状态转移。评估含物理状态正确性、交互空间对齐、关键交互区域保真度、多视角动作一致性四个维度，配套覆盖不同交互动态与具身形态的真实世界训练/评估套件，情节为长时多段且包含成功与失败执行。在七个代表性 ACWM 上的实验显示各模型优势与失败模式存在差异，数据集、评估代码与排行榜已公开。
研究团队发布RoboCap，一顶重250克、搭载6个摄像头和双IMU的帽子，用于在真实环境中采集第一人称操作数据，并配套推出与设备无关的3D算法套件Grounded API。报告称，硬件、标定与3D算法协同后，其SLAM在多种场景与设备配置下、深度估计在第一人称场景下、手部追踪在适配第三方设备时，均在公开基准上达到当前最优性能。