该数据集在活跃建筑工地采集，覆盖十层楼、为期八个月的施工周期，共包含 30 段 360 相机与 IMU 的视觉惯性序列，场景含可变光照、移动工人、快速运动和重复结构。真值轨迹由刚性固定在 360 相机上的 LiDAR-惯性 SLAM 系统采集。配套挑战赛中 SLAM 赛道有 62 支队伍参加，楼层平面图定位赛道仅 22 支。数据集与挑战赛信息发布于 hilti-trimble-challenge.com/dataset-2026。
机器人行业洞察
今日精选
The robotics journal行业消息
AOV-GS是一个主动3D高斯建图系统，用冻结的SAM和CLIP基础模型引导探索：粗探索阶段按SAM实例分割算出的CLIP掩码嵌入新颖度对候选视角重排序，使探索偏向语义信息丰富区域；场景特定语言场离线直接拟合采集到的CLIP嵌入而非人工标注掩码，支持新视角开放词汇文本查询分割。在相同SAM-CLIP感知栈下，语言场平均mIoU在Replica八个场景达34.6%，比仅几何主动规划高1.3个百分点；Matterport3D五个场景达23.1%，高1.8个百分点；配合CorrCLIP在Replica达35.6%，高2.0个百分点。新视角PSNR与基线相当，Replica深度L1改善。代码已开源。
该研究提出局部动作条件世界模型框架，用于机器人超声检查中的目标平面探头引导。方法分两阶段：先用潜在条件扩散世界模型，根据近期上下文帧、探头运动和时间偏移预测未来超声观测；再用目标条件时序Transformer预测有序探头运动，并以冻结世界模型的奖励进行微调。在自采集数据集上，世界模型在目标导向扫描中保留了依赖动作的解剖结构；真实闭环实验中，颈动脉引导成功率70.0%，甲状腺引导成功率65.0%。
论文提出 ReStruct 方法，用于在推理阶段引导已学习的机器人策略满足训练时未预见的用户偏好，无需重新训练。该方法将视觉运动策略分解为高层状态机骨架（捕获任务结构）与低层残差控制器，用自动机表示偏好并通过同步积融入骨架以重配置任务结构，控制器保持冻结，骨架动作先验随之更新。仿真与真实世界实验显示，ReStruct 可引导从以对象为中心到时序逻辑约束的多种偏好，引导后在任务成功率与偏好遵循上超过现有方法，较 VLA 模型最高提升 25%。
研究提出 μ₀，一种基于3D轨迹的可扩展世界模型：不预测密集像素或直接建模动作，而是为物体、工具、手和接触区域等显著交互点预测平滑3D轨迹，形成与具身无关的运动接口。配套的 TraceExtract 系统通过选取关键点、构建全局对齐轨迹、将运动片段与分层语言描述关联，从多样视频中自动提取3D监督。μ₀ 将预训练视觉-语言骨干与模块化轨迹专家结合，用B样条控制点表示查询并预测未来轨迹。实验称其在2D与3D轨迹预测上优于轨迹预测模型和词元化VLM基线；冻结的 μ₀ 可与动作专家配对用于下游具身，无动作预训练得到的轨迹条件策略性能与经动作监督预训练的VLA模型 π₀ 相当。
研究提出 SafeDojo，一种基于模型的安全强化学习框架，在交互式视频世界模型之上对视觉-语言-动作（VLA）策略做在线强化学习：ResNet 成功分类器对预测未来帧打分，轻量级安全头根据当前潜在上下文与候选动作块预测每步接触概率，两类解耦信号经拉格朗日约束的 GRPO 平衡。在 SafeLIBERO Level I 上平均安全成功率较最强基线提升 8.25 个百分点，零样本 Level II 与最强无模型基线相当；真实 Franka 部署在五项任务中取得最佳平均任务成功率与安全成功率。
研究提出多分辨率触觉感知框架 MiTaS，融合 RGB 相机、GelSight Mini 视觉触觉传感器与高频事件型 Evetac 传感器，采用模态特定卷积主干加 Transformer 融合，并以流匹配策略执行下游任务。在五个接触密集型操作任务上，MiTaS 平均成功率 80%，仅视觉基线为 35.5%，视觉-触觉基线为 55.5% 和 63%。
论文提出 OSCAR 框架，让机器人在图导航中学习按障碍物类别区分的剩余清空时间生存分布，并据此为每条被阻塞的边计算“等待多久再绕行”的耐心阈值。模型可处理绕行时尚未观察到清空而出现的右删失数据，并集成到依赖时间的图规划器中持续在线更新。仿真中每类障碍物观测少于 20 次后，到达目标时间与掌握真实分布的 oracle 相差 1% 以内，优于全部启发式基线；在大学中庭用真实移动机器人对行人、椅子、垃圾桶和管子等障碍完成 50 个导航回合，耐心阈值随经验在线调整。
研究团队提出 Move-Then-Operate 视觉-语言-动作框架，将机器人操作拆分为粗定位（move）与接触关键交互（operate）两个阶段，用可学习阶段选择器路由双专家策略；阶段标签由基于多模态大模型的流水线依据末端执行器速度、子任务分解等线索自动生成。在 RoboTwin2 基准上平均成功率 68.9%，比单体 π0 基线高 24%，与用 10 倍数据训练的模型持平或更优，训练步数减少 40% 即达峰值性能。代码已在 GitHub 开源。
论文将机器人视为可转移资源，研究异构多团队协作中的动态分配问题，并借鉴生态学汉密尔顿法则构建利他决策机制，该一般异构资源分配问题被证明为NP难。作者提出集中训练、分散执行的图神经网络策略，在团队交互图上预测机器人级转移决策与机器人到团队的分配。灭火场景评估中，15台机器人的五次配对物理试验显示，GNN在全部五次试验中达到建模的灭火停止阈值，静态固定团队分配仅两次达到。
该论文提出「反馈世界模型」：在推理阶段维护一个在线更新的轻量级反馈状态，利用机器人每步执行后观测到的真实下一状态修正未来预测，无需额外训练数据或参数更新。作者将其解释为潜空间观测器，并在有界、渐近收敛的动力学残差与稳定反馈增益下给出收敛保证；同时引入动作感知引导，强调动作可控分量。在 LIBERO-Plus、Robomimic 及真实操作任务上，该方法将世界模型预测误差最高降低 76.4%，并可在不更新参数的情况下改进预训练基础模型 Fast-WAM-Joint 的预测。
该论文提出Safe-Night VLA多模态操作框架，将长波红外热感知集成进预训练视觉-语言骨干网络，使机器人能基于热力学属性进行语义推理。为应对分布外场景，框架通过控制屏障函数加入安全滤波器，在策略执行时提供确定性的工作空间约束。作者在Franka机械臂上开展真实实验，设置温度条件操作、次表面目标定位与反射消歧三类评估任务，结果显示其性能优于仅RGB基线。
论文提出ExtremControl全身控制框架，将人形机器人遥操作端到端延迟从现有方法约200ms降至最低50ms。作者将仅使用位置的PD控制认定为延迟下限的根本原因，在底层控制中加入缩放速度前馈，使跟踪延迟减少约70ms，并给出可证明最优的前馈比例；控制直接作用于所选刚性连杆（主要是机器人末端）的SE(3)位姿，避免控制回路中的关节空间重定向，并推导出只需一次拟人化标定的闭式笛卡尔空间映射以适配不同体型操作者。系统支持光学动捕与VR追踪，在仿真和真机上验证了速度前馈在强化学习运动控制中的有效性，并演示了乒乓球平衡、杂耍和实时回球等反应性任务。
该研究提出一种仅用单目RGB相机与IMU的无人机机载状态估计方法，融合VIO、机载地标相机测量与IMU数据，并通过新的漂移模型估计和补偿VIO漂移，校正位置、姿态、线速度与角速度全部VIO状态。作者称现有方法多依赖立体相机或测距仪等更复杂硬件且使用未校正的漂移量，快速机动时误差较大。方法经1600次仿真与多次真实实验验证，并在A2RL无人机竞速挑战赛2025中从210支队伍晋级四强、获得奖牌。
研究提出 AFFORD2ACT，用现成语言条件 affordance 模型定位任务相关区域，从中选取最多 15 个物体关键点加 4 个末端执行器关键点，策略输入仅 19 个二维关键点（38 个坐标），并用轻量门控决定执行时关注哪些关键点。在六个真实机器人操作任务上，该紧凑表示优于 RGB、RGB-D 和稠密 affordance 行为克隆基线，演示数量减少时性能下降更小，留出设置平均成功率 82%；把学习门控换成均匀权重后成功率从 92% 降到 52%。该方法依赖可靠的 affordance 定位与关键点跟踪，仍易受错误掩码、遮挡、跟踪漂移和干扰物影响。
该论文提出 HEHA 分层探索框架，用于无人机、轮式与足式等异构机器人协同探索未知环境。其全局规划模块采用新算法 RCH，在可通行性约束下求解大规模多哈密顿路径问题（mHPP），以最小化各机器人最大路径长度（makespan），并快速给出有界次优解；局部规划器同样考虑异构性以减少重复探索。实验显示，在异构可通行性条件下，RCH 的 makespan 比多个基线最多小 47%，HEHA 的探索时间比现有方法最多减少 30%。
研究团队构建了面向农业机器人的视觉-语言导航基准 A2A，包含 6 类农业场景、1,560 个回合，指令为逐步格式、动作为连续环境。在 A2A 上评估现有 VLN 方法发现，这些方法在短指令上表现良好、长指令上表现较差。为此作者设计 STL 模块，将复杂指令分解为简单子任务，并集成到 NavGPT 主干形成 AgriVLN，使成功率从 0.33 提升至 0.47，导航误差从 2.76 米小幅增至 2.91 米。代码已开源于 GitHub。
该研究使用商用软件定义微分段工具，在多机器人物联网网络中完成动态微分段功能的实验室部署。系统按资产的功能标签与健康标签动态调整分段策略，并在软件中自动执行这些策略。演示中，该方案实时自动隔离了指定威胁，同时未受影响的机器人操作保持正常，表明微分段可用于提升物联网网络面对威胁与中断时的运行稳健性。
智元机器人发布 AgiBot World 平台，覆盖 5 个部署场景、217 项任务、超 100 万条轨迹，数据规模较现有数据集提升一个数量级；采集流程标准化并引入人工在环验证，可从夹爪扩展至灵巧手与视触觉传感器。基于该数据训练的通用策略 GO-1 采用潜在动作表示，在域内与分布外场景平均性能较 Open X-Embodiment 预训练策略提升 30%，复杂真实任务成功率超 60%，较 RDT 方法高 32%。数据集、工具与模型均已开源。
研究评估了7个可本地部署的视觉语言模型（含面向物理AI与机器人的模型）在两个以人为中心的热成像数据集上的表现，诊断任务包括细粒度动作识别、活动时间线重建和拒绝无依据回答。结果显示模型能识别宽泛活动类别，但在咳嗽、打喷嚏、打哈欠等细粒度动作上表现不佳，生成的事件时间线不准确，并会幻觉出涉及物体的动作。简单的热成像输入预处理与额外推理仅带来有限的、依赖模型的增益；即便给出明确指令，各模型的弃答行为也不一致。