研究提出 NestedVLA，可在不访问原始训练数据的情况下整合多个独立微调的 VLA 策略：嵌入 VLA 的超网络为选定任务生成动作专家权重更新，每个任务的压缩视觉-语言模型更新单独存储，两类更新叠加到冻结的基础 VLA 上实例化对应策略。在 MetaWorld、ManiSkill、CALVIN 上用强化学习微调的三个策略上评估，平均成功率 66.7%，比最强模型合并基线高 41.1 个百分点；在 ManiSkill 上与逐任务微调差距在 1 个百分点内，在 CALVIN 上明显缩小差距；三策略设置下总存储为单个完整检查点的 1.5 倍。代码已开源于 GitHub。
机器人行业洞察
今日精选
The robotics journal行业消息
FastVLA是一个免训练、任务感知且时间自适应的视觉token压缩框架，通过任务到视觉注意力为token重要性打分，并依据重要性分布均匀性（逆Simpson指标加在线滑动窗口校准）自适应设定压缩率。在LIBERO与SIMPLER仿真环境中对OpenVLA、OpenVLA-OFT和CogACT的测试显示，LLM主干FLOPs降低35-59%，动作延迟降低9-32%（1.09-1.46倍加速），任务成功率保持；在实体Franka Research 3机器人上动作预测延迟降低20%（1.25倍加速），成功率相当。代码已开源。
ForeTac 提出“表示-预测-评估-引导”框架：编码当前触觉状态，以候选动作序列为条件预测未来触觉潜在轨迹，并用从成功/失败物理交互中学到的接触质量目标评估轨迹；推理时将该目标梯度经触觉预测器反传以引导动作生成，模型参数保持冻结。在平面擦拭、曲面擦拭、刷卡、易碎物抓取四项真实机器人任务上，配合扩散策略将平均任务成功率从36.3%提升至71.3%、平均接触成功率从20.0%提升至66.3%，流匹配策略下两项指标同样提升。
WorldScape Policy 2.0 提出一种带推理增强长短期记忆的可控世界动作模型：因果短期视觉记忆把近期观测作为 DiT 预填充，长短期事件记忆将历史 VLM 输出组织为全局历史、局部活跃与事件边界表示用于进度感知检索，检索结果增强感知与自回归规划 token 形成隐式子目标条件，语义强制把事件级指令语义注入潜在规划通路。作者同时构建 ManipEvent-5M 具身预训练数据集，含近 500 万个事件片段及对齐动作轨迹、回合级任务指令、片段级子任务描述、目标图像与视频演示。仿真与真实平台实验显示其在长时程自主规划、细粒度指令跟随与上下文适应上表现更优。
研究提出一个概念验证框架，使四足机器人的非线性动力学在设计阶段可预测，并利用重力、惯性与弹性塑造的非线性共振让多种步态自然涌现。团队研制高顺应性四足机器人eBert，用新理论工具识别出六种非线性简正模态（NNM），并在仿真与硬件上验证其存在。以黑盒优化确定步长后，仿真中每个NNM自然发展为不同速度的独特步态，且大部分可迁移到硬件。
研究提出模块化方案：在真实世界接触密集片段自主采集密集数据，再用离线强化学习训练局部策略，并与传统运动规划结合完成长时程装配。四个真实任务中仅用2–2.5小时自主采集数据，长时程任务平均成功率96%，仅规划基线55%、最强端到端基线37%；局部策略施加力降低49%，场景级分布外场景成功率仍达90%，共完成超1500次真实世界评估。
论文提出 KITE 方法，将操作解耦为与具身无关的交互意图预测和具身特定的运动学解码，交互意图以接触模式为基础的学习表示连接。交互策略仅在源机器人演示数据上训练并在不同形态目标机器人间共享，运动学解码器则利用各具身运动学模型生成的合成数据学习。在仿真与真实世界的四项操作任务上，KITE 实现向结构不同目标具身的零样本迁移，覆盖平行夹爪、灵巧手与复合具身，并优于现有基线。
论文提出 PAKE 全身控制框架，将移动操作分解为部分参考运动生成与底层模仿控制，并引入在大规模运动学数据集上训练的 Kinematic Normalizing Flow（KNF）模型生成多样化部分运动学参考。高层控制器在 KNF 潜在空间中导航以利用冗余解，底层控制器学习动态一致的运动执行。在配备六自由度机械臂的四足机器人上验证：仿真中于 4000 个目标基准上跟踪精度与可行工作空间覆盖优于基线；硬件上在 8 类移动操作任务共 24 个回合中实现末端位姿跟踪误差 4.5 cm 与 0.14 rad，线速度、角速度误差分别为 0.1 m/s 和 0.01 rad/s。
ZeroDex提出零样本长程灵巧操作框架，将语言指令从标定多视角RGB图像接地为可执行3D任务规划，输出接触点、放置目标和工具运动锚点等度量3D量。系统由VLM把复杂指令分解为原子任务，通过可复用原语库执行抓取放置与工具使用；工具使用检索物体中心原子动作并对齐6D工具轨迹，灵巧执行则将抓取关键点扩展为任务条件化抓取可供性区域并生成抓取-运动对。真实实验显示其3D接地精度与任务成功率高于单视角RGB-D的零样本视觉提示和约束基线，且无演示系统优于在100个任务演示上微调的VLA策略，并支持执行验证与重规划恢复中间失败。
arXiv:2606.10180v2 提出对视觉-语言-动作（VLA）模型的“流控制”方法：将键盘等通用用户输入写入VLA流匹配动作专家的初始条件，利用流的确定性在积分过程中保留用户输入信息，无需重新训练或微调即可实时引导动作。作者报告该方法能准确响应地引导机器人动作、对次优输入鲁棒、帮助用户显著提高成功率并加快任务完成，且在流控制轨迹上微调可改进自主策略。
该论文提出DEFLECT离线后训练框架，利用录制轨迹中执行时刻观测与预测时刻观测的时序对比构建偏好监督，解决异步VLA推理中动作块与执行时刻状态错配的问题。在Kinetix、LIBERO及三个真实机器人任务上测试，最长支持延迟下Kinetix成功率较VLASH提升4.2个百分点，LIBERO上较使用GR00T N1.7的朴素异步执行提升22.7个百分点。
该论文提出从少量专家演示数据集中学习潜在动作作为归纳偏置，用于足式机器人直接关节级力矩控制的强化学习。该方法使策略直接利用专家动作知识、提升探索效率，智能体不受演示奖励水平限制，迁移任务性能显著提升；潜在动作先验与模仿风格奖励结合可更接近复现专家行为。
论文提出 CLOSER 框架，将目标物体导航中的停止决策建模为闭环证据获取：微调开源视觉语言模型，对跨帧跟踪候选的每个视角标注为目标、非目标或不确定，用基于嵌入的多样性门选择互补视角，再由轻量网络融合各视角概率；若融合后仍不确定，则用扩散策略仅依据跟踪掩码和深度驱动智能体靠近候选，直至判断明确。该框架本地运行，可直接接入现有 ObjectNav 系统而无需重新训练。在 Gibson 和 Habitat-Matterport 3D 上，平均成功率提升 3.6 个百分点，路径长度加权成功率提升 2.0 个百分点。
该研究提出PanoGraphGS框架，在共享高斯几何上联合学习语义与实例特征，通过基于原型的语义学习和基于关联的实例学习实现跨视角一致的全景预测，并支持新视角全景分割与高斯级全景解码；语义感知场景图模块可恢复楼层-房间-背景物-物体的层级及包含与空间关系。团队同时发布真实世界全景场景理解数据集NaviGS，含3DGS、网格、RGB、语义与深度数据。在Replica和NaviGS上，其物体节点准确率平均超过最强基线50个百分点以上，2D全景分割亦为所评估方法中最优。
arXiv 发布编号 2610.27045v1 的交叉领域专著，试图为物理AI给出统一定义：在现实约束下通过持续反馈感知、建模并作用于物理世界的人工系统，并将其与数字AI、具身AI、信息物理系统、数字孪生区分。专著梳理多模态感知、物理数据与仿真、世界模型、具身基础模型、运动控制、多智能体协同、软硬件协同设计等方法，覆盖机器人、制造、基础设施、科学实验与自主服务应用，重点讨论sim-to-real迁移、可靠性、实时执行、评估、安全与治理，并提出从狭窄自动化走向Physical AGI的研究方向。
论文提出P3L（Preference-PCA Pluralistic Learning）框架，通过PCA分解从匿名众包反馈中联合学习轨迹嵌入与偏好方向的共享基，无需标注者身份即可完成多元对齐。测试阶段可快速进行个性化奖励学习与下游策略优化。在多个具身控制任务上，P3L实现可引导的个性化对齐，能泛化到离线数据集之外的分布外新用户，RL与测试性能具竞争力，同时显著降低计算成本并支持可变的适应查询预算。
提出 AdaDex 目标条件强化学习框架，将一段数秒的单手-物体轨迹（动捕数据或从野外 RGB(D) 视频重建的 HOI）转化为可适应灵巧技能。核心方法为混合灵巧模仿：共享策略同时在两类大规模并行环境上训练，一类用稠密运动跟踪目标注入人类先验，另一类用带噪声初始状态与目标及稀疏物体成功奖励迫使技能偏离参考。所得策略可完成功能性抓取、物体重摆、带手指步态的手内重定向及抛接等动态行为，在泛化性与功能性上优于基线，并实现跨仿真器迁移与真机迁移。
PhysCanvas 是一个状态一致的视觉-触觉世界模型，将多视角 RGB、触觉图像、标记位移、任务状态与动作统一到同一视觉空间，共享视频 VAE 与预训练生成主干。其一致性感知后训练使用冻结的场景、模态与状态奖励模型进行监督。在四个真实操作任务中，世界模型推演与真实成功率的任务级皮尔逊相关系数均值由 0.602 升至 0.885；在奖励引导世界模型中后训练使 π0.5 真实成功率从 59.1% 的 SFT 基线提升至 70.8%。
该研究提出 AgenticRoboRL 框架，用于跨不同机器人执行框架（harness）对机器人规划器进行后训练，训练方案结合监督微调与多轮强化学习；为适配 VLA 技能调用与生成控制代码等不同执行机制，该框架用与具体 harness 绑定的适配器把规划器交互记录与任务结果关联起来，同时保持执行组件固定。在 LIBERO-PRO 上，9B 参数规划器的成功率从 18.1% 提升至 71.0%（不使用外部记忆），接近 Codex（GPT-5.5）配合外部记忆取得的 72.1%。作者表示将开源该框架与训练后的规划器检查点。
SceneRig 是一个智能体系统，可将单张图像转化为可编辑、可直接用于仿真的三维场景。它结合几何、视觉和物理工具重建三维场景，再由智能体在物理仿真器内执行编辑-验证循环，以实现物理稳定性。在多样化输入下，该系统改进了实例分割、以物体为中心的外观和三维放置，同时保持场景物理稳定；其场景比基线方法更准确地预测真实机器人策略结果，并更可靠地支持回放已记录的操作，而无需轨迹适配。