研究提出专家引导强化学习（EGRL）训练策略：将强化学习仅作为优化工具，用基于专家日志数据的轨迹距离奖励引导闭环模仿学习。受控实验显示，性能提升的很大一部分来自训练过程而非模型规模与复杂度。据此构建的轻量级 MLP 策略 DriveMLP 在 nuPlan Val14 Reactive 基准上得分 86.51，较此前最佳模仿学习规划器 Flow Planner 提升 3.2 分，推理速度提升超过 15 倍，代码已在 GitHub 开源。
机器人行业洞察
今日精选
The robotics journal行业消息
论文提出在上肢假肢视觉抓取流水线中加入激光笔作为物体消歧机制，并对识别可抓取部位的深度卷积网络进行重训练；同时用混合现实策略复用现有高质量分割掩码，程序化生成真实感图像以扩展场景覆盖。实验显示，该流水线在保持计算成本不变的前提下，目标消歧准确率较现有方案最高提升9%。
论文提出 AtomicRL，一个面向 VLA 策略的强化学习后训练框架，用原子任务结构做信用分配与自适应探索：语义感知策略优化（SAPO）用语义门控阻止失败原子子任务的 TD 残差跨任务边界传播，瓶颈自适应目标探索（BATE）按各原子子任务掌握度动态调整任务采样与局部探索激励。配套 Real2Sim2Real 流水线衔接仿真在线 RL 与真机部署。在 LIBERO-LONG 上，两种 VLA 架构相对 PPO 绝对提升 3.6% 和 4.0%；CALVIN ABC-D 全任务性能最高提升 9.5%；结合真机流水线后真实任务性能平均提升 21.3%。
研究在合成基准与 CausalWorld 机器人连杆质量外推任务上检验因果世界模型的输入选择与机制计算方式。合成基准中，由配对干预导出的冻结依赖掩码把分布外平均 RMSE 从全连接预测器的 1.769 降至 0.697，接近生成器理想掩码的 0.694。CausalWorld 中训练与测试质量范围不相交，已知 PD 控制器模型使 150 步 rollout 的中位时间平均关节 R2 从 0.609 升至 0.727，十个任务种子全部改善（双侧符号检验 p=0.002）；学习力矩模型在 100 步预测中中位关节 R2 为 0.755-0.768，与最强 RWM 配置的 0.752 相当。
arXiv 2610.30117v1 提出 CW-WAM 世界动作模型，联合预测视频、运动与接触力旋量，将运动与力旋量作为统一建模目标并输出时间对齐的运动-力旋量块作为控制参考，采用成对因果注意力与长固定长度力旋量记忆。预测的力旋量块作为 20 Hz 外环导纳控制器的力参考，嵌入慢-快控制系统。实验显示，相比无旋量输入的 WAM，单边间隙 1 mm 方形销插入成功率由 25% 升至 70%，电源适配器由 40% 升至 95%，并提升不同负载下的抬升高度精度；配合导纳控制器，销插入力参考 RMSE 由 4.8 N 降至 2.7 N，擦拭由 2.0 N 降至 1.3 N。
该论文提出 ASTEROID 学生-教师监督学习框架，用于在部分可观测条件下学习测试时探索行为。学生先在部分可观测环境中采集在线策略上下文，特权专家再基于该上下文给出动作标签，学生通过蒸馏这些标签学会在不确定时搜索、在隐状态揭示后利用。在 11 个环境（含离散探索基准、机器人操作、导航、Procgen）中，固定探索预算下回报约为基线 2 倍，交互次数比强化学习基线少约 100 倍；方法还将仿真策略迁移到无视觉的真实机器人操作，成功率比标准蒸馏提升 40%。
研究在仿真宇树 G1 上以同一训练方案训练 12 个策略，改变重力、地形几何与地面接触模型（刚性或 3D RFT），并加入地球到月球微调与重力随机化。结果显示重力迁移不对称：地球训练策略在月球平坦刚性地面存活率 0.64–0.75，月球训练及微调策略无法在地球站立，已发布的通用控制器 SONIC 在月球存活率最高 0.10。崎岖地形训练把组合瓦片存活率从地球 0.53 提升到 0.98、月球 0.80 提升到 0.99；在更硬的月球土壤上土壤训练收益有限。作者称月球结果为依赖接触模型与土壤刚度的仿真预测。
研究团队提出 RISE 方法，让人形机器人在推理阶段按任务目标引导跌倒后的起身方式，而非仅追求可靠站起。该方法学习一个由感官反馈连接意图运动与电机动作的恢复词汇表，并用视觉扩散规划器从词汇表执行数据中预测未来身体状态作为运动意图，再由任务代价将预测导向期望朝向、起身速度或路径，生成条件化运动潜变量。仿真实验显示多样化恢复、地形适应与无需重训练的测试时引导，并在宇树 G1 上完成真实世界演示。
研究提出 SP-HLM 框架，以五个任务关键身体姿态加学习到的潜在运动先验构成稀疏姿态接口，替代单一动作表示。其中 SP-VLA 视觉-语言-动作模型通过异步动作分块推理，从多模态观测与语言指令预测稀疏姿态和手指关节位置；SP-MGM 经两阶段蒸馏训练，实时重建全身运动；预训练运动编码器将其映射为紧凑潜在表示；SP-GMT 通用运动跟踪器融合显式稀疏目标与隐式运动先验完成全身控制。仿真与真实人形机器人实验显示，其运动跟踪、全身协调和移动操作成功率优于现有方法。
该研究提出一种主动感知框架，让高自由度移动机械臂在导航过程中用手部相机检查不确定或安全关键区域，以应对机器人两次到访之间场景半静态变化导致的地图过时与碰撞风险上升。方法上采用概率化、物体与任务感知的下一最佳视角（NBV）公式，优先观测期望路径附近及不确定或可能变化物体周围区域，并将其集成进分层任务模型预测控制（HTMPC），利用运动学冗余调整视角，同时保持基座轨迹跟踪的更高优先级。系统将导航、地图维护与主动感知统一为闭环。真实世界测试显示，相比被动或非任务感知基线，地图一致性提升、任务相关地图熵降低、导航风险下降；仿真与真实序列进一步验证了对受控半静态场景变化的响应。
HuMiT 全身遥操作策略仅以根高度、根速度及当前帧四个稀疏关键点的 SE(3) 位姿作为参考目标，在跟踪保真度上与使用完整关节位置、稠密身体部位变换及未来帧的方法相当。系统从头显串流到策略输出的通信到推理延迟约 20 ms，基于视频的光流延迟中位数为 65 ms。作者在 Unitree G1 人形机器人上验证了接住抛来球体等亚秒级反应及协调移动-操作能力。
研究提出事后核方差头（post-hoc kernel-variance heads），从单个 VLA 策略的嵌入估计认知不确定性，每个头计算以训练演示嵌入为条件的高斯过程条件方差，拟合无需回归目标或梯度更新且不改变策略。在 LIBERO-10 上用 SmolVLA 测试，其与双策略集成分数在任务级相关性、主动学习演示获取和转介监督策略上表现相当；视觉-语言骨干上的头将不确定性评分时间最多减少约 50 倍。研究还指出 LIBERO-10 既有评估协议主要奖励任务间覆盖差异识别，执行变异性削弱任务内排名评估，受控扰动可作为补充评估。
论文提出RangeNav，一个仅183k参数的激光雷达距离图像编码器，完全在合成数据上预训练，采用各向异性卷积与循环填充处理距离图像的极端长宽比和方位角接缝。预训练目标结合距离重建、语义分割与鸟瞰图（BEV）预测，随后冻结编码器用于强化学习策略。仿真中，加入语义与BEV监督相比仅重建基线，在程序生成训练环境和分布外真实测试环境成功率分别平均提升32.03和23.73个百分点。在Unitree B2-W四足机器人上零样本部署，可在密集人群、低光与施工区域导航。代码与模型将开源。
该论文提出一种基于样条的机器人运动表示方法，将空间几何与时间进程统一到同一组连续变量中，联合估计一条共享的贝塞尔曲线，并允许空间与时间模型的复杂度独立调整，例如针对具体演示的相位调制。方法采用交替优化，同时估计部分演示中观测到的路径区间。仿真实验显示，该方法能精确恢复关节、通过调整模型复杂度与连续性进行细化，并提升对演示集方差的鲁棒性。作者还在机器人辅助翻身任务中用实体人体模型验证了在线重定时与同步能力。
论文提出OMAR流程：视觉语言模型为未知物体生成标签及内容、包装类型等属性，经分割、深度与多视图关联完成跨视图定位，构建实例级3D场景图；再由LLM在该表示上推理货架潜在组织方式，对场景一致的放置位置排序，无需用户提供偏好，排序结果用于后续几何与运动学可行性检查。实验显示，该方法在实例映射与放置一致性上优于单视图语言定位和仅几何基线，可在无预定义物体-容器映射、无类别特定重训练的情况下自主放置未见物体。
arXiv 2610.29829v1 提出将物理AI的零样本泛化定义为对部署分布的覆盖，并指出同一采集者的更多样本只能缓慢缩小未见区域，而每个新贡献者都能扩展该区域。作者据此提出机器人动作共享潜在空间，结合多模态对齐、生成式增强与噪声标签学习，并以标准易用机器人 Origami 上的开发者社区作为多样数据来源，最后给出将真实机器人零样本成功率与数据多样性关联的可检验假设和评估协议。
SpatialDex 框架从纯 RGB 人类视频中学习三维接地的双手灵巧操作：对每段视频重建场景几何并估计手部运动，用手部尺寸先验在视频级尺度上对齐二者，重建几何同时作为策略输入与预测目标。策略通过门控残差融合把预训练视觉-语言模型的 token 网格接地到该几何，预测未来场景几何与手腕、手指动作，并以双手手腕预测轨迹为条件生成手指运动。在 100 万个人类视频片段上预训练、少量机器人演示微调后，该方法在两种本体的九个仿真灵巧任务上比 SOTA 高 16.5 分，在六个真实双手灵巧任务上高 38.3 分；匹配比较下，用重建几何预训练比仅用手部运动预训练成功率提升 14.2 分。
作者提出非参数化因果交互接地框架 CausGround，将交互经验蒸馏为以动作为中心的因果知识，识别动作前置条件与效果并以分解式世界状态表示组织。在适配的 VirtualHome 与 RoboCasa 基准上，基于视觉的高层规划平均任务成功率由 24.9% 升至 53.3%，闭环规划成功率由 43.0% 升至 57.0%；SWITCH 上交互推理准确率由 25.8% 升至 31.9%。真实机器人实验显示其可从 MLLM 解释的目标反向推导可执行高层动作序列，且无需参数更新。