PLaCA 提出一种世界到动作框架，从当前多模态输入直接预测具有空间结构的 patch 级未来潜在变化，并引入 patch 级变化感知监督与未来到动作接口，将预测变化显式纳入动作生成。在 LIBERO-Long 上成功率达 79.0%，较仅动作基线提升 5.0 个百分点；在 CALVIN 上平均序列长度由 2.784 提升至 3.564。第二阶段训练仅更新 2.95% 的模型参数。
机器人行业洞察
今日精选
The robotics journal行业消息
arXiv 论文提出 Tactile-ETA 系统，通过上下文学习把触觉经验注入具身任务智能体，无需任务特定训练或更新模型参数。方法将每段专家演示的机器人运动与相机视图、双侧触觉观测配对，保留运动起止触觉帧并在触觉图像显著变化处补两个相邻时间点。四个仿真操作任务中，在感知与执行接口不变下加入触觉观测使平均成功率从 15.75% 升至 24.00%；真实机器人任务中视觉与触觉对齐的演示将成功率从 0% 提升至 60%。
研究团队发布 JARVIS 基准，用于无语言指令条件下由视觉装配手册引导的机器人自主执行，包含 8,987 个场景、236,679 个 LEGO 装配任务，并从中精选 50 个任务组成 JARVIS-v1 交互式评测套件。评估协议覆盖几何精度、结构关系、构建顺序、部分进展与完成度。配套的 JARVIS-agentic 将机器人原语组合为可执行程序，并利用执行反馈验证与恢复，无需任务特定轨迹或参数更新。在 9 个多模态与推理模型上，面向任务的原语提升了平均装配得分，但性能随装配时程明显下降，执行错误难以纠正；先验任务经验改善初始表现，重复反思收益不稳定。
研究团队在基于UR10e机械臂的ASTR系统上，用离体猪组织测试了闭环算法ThERMO：该算法利用实时热成像数据调节电外科切割速度，以在保证切缘准确的同时减少热损伤。组织学分析检测细胞层面的热损伤范围，3D摄影测量验证切缘精度。与两种固定速度方法相比，ThERMO无需数据驱动训练或迭代调参，热损伤最多降低52%，切割精度最多提升59%，任务完成速度保持不变。
arXiv:2610.27504v1 比较了十种确定性方法与两种基于大语言模型的变体，用于异构多机器人任务分配中的机器人-任务适配性评估，方法覆盖基于规则、相似度、需求导向、模糊与语义等类型。研究使用统一的机器人与任务画像，对比各方法对候选机器人的打分、排序、可行性识别与最优机器人选择，并考察团队构成、规模、空间上下文、能力不确定性和任务表示对结果的影响。结果显示，同一场景下各方法经常给出不一致结论；通用相似度度量可能违反单侧需求满足解释下适配性应具备的性质，LLM 打分还引入随机性与语言敏感性。作者据此主张将适配性视为显式建模选择，在分配前评估其假设、鲁棒性与决策后果。
研究在SHREC真实人机社会交互基准上评估Gemini Robotics-ER，并与已发表的通用VLM基线对比：Robotics-ER在错误/能力检测上优于GPT-4o-mini，但在细粒度社会属性判断上更差；增加一帧视觉输入对一个任务有帮助、对另一个任务有损害。作者指出比较跨越不同模型家族，差异不能单独归因于具身专用化，并提示多机器人系统共享基础模型可能使系统性社会感知错误影响多个协调决策。该工作为初步评估，跨情境与视频分析留待后续。
论文提出 HATCH 机器人操作基准，以“密室逃脱”形式将五个技能类别、三个难度等级的任务串联：传感器确认一项任务完成后才解锁下一项，形成长时程评估。成功判定依赖仪器而非人工，评分与机器人本体无关，物体摆放由运行当天的随机种子随机化。参赛者需提交未剪辑视频、传感器日志和随机种子作为认证自运行记录，任务规范、搭建指南、物料清单与评分细则以开放许可证发布。
论文指出，在成功的目标导向演示上训练的动作条件视频生成模型会忽略动作指令，原因在于训练数据的动作影响不足，并证明数据本身构成模型可表达动作影响的上界，专家演示的狭窄动作分布使该上界偏低。作者提出主动采集数据的 Action Influence Maximization（AIM）算法，在仿真导航与操作任务中与探索启发式、内在动机方法对比。在基于像素的操作任务中，AIM 是唯一持续提升可控性的方法：在 3k 条演示基础上新增 500 条主动采集回合，其末端执行器可控性即达到用 300k 条专家回合训练的世界模型水平，数据量减少 85 倍。
研究测试了 GPT-6 Astra 通过 Inspect Robots 框架控制低成本 SO-101 机械臂执行三项危害为常识的家务任务（如“把刀放进玩具篮”），15 次试验中策略拒绝率为 0%，每次都尝试实施危害，27% 完成危害，且从未以危害为由触发 give_up 退出。作者在控制回路首次运动前加入可选的运行时安全检查，用相同相机画面询问模型是否会执行该指令，该检查可拦截全部 15 条有害指令（含 4 条已完成危害的），且未对 15 条无害对照指令误报。代码与数据已公开在 GitHub。
该论文从理论上分析点云配准中最大团与最大共识两种鲁棒公式的关系，证明在任意固定正容差下，最大团的对齐误差可以任意大，其规模也可以任意大于最大共识集，并给出界定该误差的几何条件。旋转固定时，论文推导出尖锐误差界及精确刻画平移子问题最大共识的检验方法。论文还研究 group-k 一致性，确定在维度 d≥2 时，旋转和平移的最小分组规模为 d+1，允许反射时为 d+2，以保证对齐误差界与点云尺度和几何无关。证明使用 Lean 定理证明器验证。
研究提出“失败归因”问题：判断 VLA 模型中哪些视觉损坏对当前回合的失败风险有贡献、移除后能带来多大收益。方法为因子化风险模型，分别学习场景与损坏表示，通过潜在干预从当前图像和任务指令估计移除收益，无需成对干净图像或额外反事实 rollout。在仿真中对 OpenVLA 和 π0.5、在 Franka 机器人上对 π0.5-DROID 评估，归因误差约为前沿 VLM 的 1/3，并可用于硬件在线失败监测。
XoNav 是一种四执行器髋部外骨骼，通过矢状面执行器提供前进与两级制动提示、额状面执行器提供两级转向提示，将导航引导直接施加于髋关节。基于双侧 LSTM 的步态分类器使用两个大腿 IMU，对未见用户召回率 95.2-97.9%，支撑相到摆动相、摆动相到支撑相的平均检测延迟分别为 38.6 和 63.1 毫秒。约束人在回路贝叶斯优化个性化制动与转向参数，最强制动提示低于安全限值的 53%。蒙眼绿野仙踪试验中，参与者 98.8% 的行走距离保持在 0.75 米宽通道内，平均前进速度每轮提升 4.9%；结合穿戴摄像头、RTAB-Map 与 Nav2 还完成了自主导航及绕行未建图障碍物的可行性研究。
研究提出一种面向自闭症谱系障碍（ASD）教育场景的半自主机器人方法：配备摄像头的机器人通过基于视觉的大语言模型，将鞋盒任务（Shoebox Tasks）的照片转换为PDDL规划域描述，并生成动作计划。团队在Nao人形机器人上实现机器人接口，可自主执行多种鞋盒任务，并通过动作演示、语音指令或手势提示下一步或报告检测到的失败。求解器仅以拍摄图像为输入，教师无需编程；经适配的接口可集成到多种教育机器人中。
EmbodyHOI 在冻结的流匹配手-物交互轨迹生成器采样循环内嵌入针对特定人形本体的可微逆运动学求解器，将梯度回传以联合优化人形相对物体的位置，引导仅在推理阶段生效，因此一个在人体手部姿态上训练的生成器无需重训练即可迁移到不同人形本体。在 ARCTIC 轨迹上，针对宇树 G1 与 H1-2 两款人形机器人，该方法将重定向后的腕部误差从 8.9 cm 降至 0.6 cm，50 个随机 G1 任务成功率从 68% 升至 79%，四项任务 H1-2 套件从 62% 升至 76%。作者称事后腕部精修与等算力 best-of-N 选择虽 IK 能量更低，但训练出的策略更差。
该论文针对线性组合分数的扩散策略提出一种可直接插入的分数去相关辅助损失，动机来自投影组合理论，通过直接惩罚各组件噪声预测之间的重叠来促使因子专门化，几乎不改动架构、不增加计算开销。作者在多个基准上验证，该损失持续减少组件间可测量的重复计数、改善任务分解，并在不损害多任务性能的前提下产生行为上有意义的专门化。
DexGraspFlow 提出条件连杆级 SE(3) 流匹配框架，融合局部物体几何、连杆几何与运动学树距离导出的注意力偏置，用双流 DiT 建模连杆—连杆与连杆—物体交互，联合学习平移与旋转速度场并积分生成连杆位姿，再经逆运动学恢复关节构型。在三款机器人手、30 组物体—手部配对上，平均仿真成功率 95.33%，含逆运动学的平均生成延迟较当前最优基线低约 49%。模型对七种去指变体与掌心朝向引导实现零样本适应；针对部署手部训练的模型在 100 次真机抓取中成功率 91%。
该论文提出一种实时交互感知框架，利用嵌入式电容传感，使仿壁虎干黏附界面在黏附全周期内估计接触状态，并将状态划分为空闲、接近、接触、啮合、脱离五类。研究用实验采集并增强的传感器数据，对比评估了六种适合嵌入式部署的轻量机器学习模型，其中随机森林离线分类准确率最高，达95.65%。在线部署时，随机森林结合规则状态机将准确率从78.02%提升至93.14%，宏F1为0.9343，推理周期53毫秒。
研究团队构建统一数据流水线，将机器人操作记录与多来源视觉数据结合，自动标注后转为可验证的定位监督信号，生成约150万样本。基于Qwen3.5-9B微调得到ACE-Brain-0.6，在7个公开定位基准中的4个上超过GPT-6 Astra，总体平均分75.41对73.68。在固定微调设置下，随数据版本扩充覆盖更多定位场景，总体定位性能持续提升。
作者提出具身恢复重规划环境ERR-Env，为任务进度与执行错误提供反馈，并构建覆盖正常、中间与错误状态的留出任务基准ERR-Bench。其在线强化学习方法AGT-GSPO结合回合级奖励与动作分组优势估计，训练出2B参数的具身VLM ERR-VLM。在ERR-Bench上，ERR-VLM的无错误完成严格成功率提升10.25个百分点，恢复率提升22.95个百分点；评估还显示多种VLM的任务进度与执行可靠性存在不匹配。
研究者提出 Embodied Playground 基准，用于评估基础模型智能体在长时程任务中协调物理、策略与空间推理的能力，要求智能体跟踪任务进度、满足中间约束并依据执行反馈修订计划。该基准包含 410 个任务环境，覆盖基础操作、序列谜题与多阶段家务活动，并从中整理出跨 5 个套件、16 种任务类型的 100 个代表性任务 EP-100，以及 EP-Easy、EP-Hard 难度划分和 20 个任务的精简版 EP-20。共享协议规定了观测与工具访问、资源预算、重复试验，以及对目标完成、规则合规和物理有效性的独立检查。