论文提出 ViT-H 框架，用扩散模型从单目人类视频直接生成人形机器人参考运动，跳过人体运动重建与重定向两步，并用下游运动跟踪结果通过直接偏好优化对生成器做后训练。作者还给出自回归变体，在 Unitree G1 上实现延迟低于 400 毫秒的实时视频遥操作。实验称其在运动质量与可执行性上优于现有“重建-重定向-跟踪”流水线，且随模型规模、预训练与后训练数据规模扩展表现良好。
机器人行业洞察
今日精选
The robotics journal行业消息
研究团队发布 CoCarry 数据集，含 220 条同步双人协同搬运序列，覆盖 21 种任务方案、5 种共享物体几何、4 种地形，总时长约 61 分钟。配套提出接触-支撑结构化重定向方法，围绕同一预设物体轨迹联合优化两台人形机器人，用物体局部手部锚点保持四手抓取关系。220 条序列重定向至两台 A3 人形机器人后接触保持率 0.9995，穿透时长较 GMR、OmniRetarget 分别降低 67.0% 和 71.0%，成功率 100%；在 Unitree G1 上的 CORE4D 测试接触保持率 0.9906、滑动为零，并经物理仿真与两台实体 A3 实验验证。
研究在24关节人形机器人上，用单目视频提取的五种运动训练运动跟踪策略，并在独立的CPU MuJoCo测试框架中验证。训练随机化下每个策略30次试验至少26次完成动作；加入40毫秒恒定指令延迟后平均存活率降至15%（0%–45%），延迟裕度仅20–30毫秒。训练时将延迟随机化到0–50毫秒，40毫秒延迟下平均存活率升至95%（75%–100%），裕度提高到50–70毫秒；相同额外迭代但不做延迟随机化的对照组无改善，说明增益来自随机化本身。代价是跟踪精度略降（四种运动0.02–0.06弧度），最具动态性的运动对其他扰动鲁棒性下降。
研究团队在Unitree Go2四足机器人上搭载AgileX Piper机械臂，实现闭环移动操作（loco-manipulation），并系统梳理了从固定基座机械臂迁移到腿式平台时，在数据采集、模型适配与推理设计上的实际需求。作者报告了使真机部署可行的关键选择，包括模型变体、动作时域和示教约定，并针对抓取放置任务区分数据覆盖与模型容量。结果显示，扩大示教覆盖使留出的末端执行器误差降低30%；引入推而非抓等次级技能可带来新行为模式且不降低基线性能。真机闭环实验表明数据集构成会影响任务成败。
论文提出 RoboCode，用共享的软门控基元动作接口学习跨任务复用的短时程动作模式：每个动作块被表示为多个已学习基元的软组合，而非单个离散编码；该接口从多任务汇集的动作块中学习后冻结，再训练任务特定的状态编码器将状态映射到共享潜空间。在五个 ManiSkill 操作任务上，动作块平均重建 MSE 为 0.0187，编码激活分析显示跨任务存在结构化编码复用；闭环平均成功率为 75.6%，高于 ACT 的 68.8% 和更大规模 Diffusion Policy 基线的 41.6%。
该论文指出流匹配VLA部署中数值求解器深度与执行时域通常被解耦选择，并揭示二者存在由符号反转支配的计算-执行耦合：快速重规划下粗糙积分降低精度，但延长开环执行时粗糙积分反而提升任务表现，其机制是数值截断使横向动作离散度围绕不变的轨迹质心收缩，起到抑制开环漂移累积的隐式正则化作用。在LIBERO、RoboTwin 2.0及真实Franka操作任务上，针对π0、π0.5、GR00T等VLA骨干模型，利用该耦合可在无需训练、不改架构的前提下提升任务成功率并大幅降低推理延迟。
研究用强化学习训练一个由20台月球小型机器人共享的策略，奖励仅为月夜结束时最冷5台机器人的平均温度，不涉及位置、间距或运动信息。结果涌现出聚集与在受庇护核心和暴露边缘间循环两种行为，与帝企鹅越冬方式相同。十次运行测得生存阈值为155.6±1.3 pcm-h（1 pcm-h=7.2 kJ），比静止抱团低37%，距物理下界13%以内；在静止抱团损失6台机器人的能量预算下全部存活。该行为无需共享空间参考和机器人间接触，可从20台迁移至40台而无需重训。
FORCA 以视觉观测和腕部力/力矩测量为输入，自动编写用于接触探测与力响应运动的 Python 程序，并在多次执行之间结合力记录与视觉结果诊断失败、修订运动与力反馈控制逻辑。该方法无需演示数据、任务特定训练或仿真环境。在五个真实机器人任务上，FORCA 在提升操作精度、适应物体或表面属性变化、在表面变化与物体运动下调节接触三类场景中验证有效；与纯视觉变体相比，抓取精度与任务成功率提高，擦拭和剥离中的接触丢失减少。
DUET 提出一种方法，使人形机器人在不重新训练平衡控制器的情况下学习新的操作技能，相关论文与代码已一并公开。标题未披露具体机构、实验平台、技能数量或性能数据。
LimX Dynamics 推出全尺寸交互人形机器人 LimX Luna，身高 160 厘米，面向零售、娱乐、展览、博物馆及公共场所。该机器人具备自然流畅的类人运动、AI 驱动的交互与手势、视频到动作学习能力，以及安全与控制系统。
人形机器人公司 Humanoid 扩大与 NVIDIA 的合作，双方共同开发面向 Humanoid 机器人的高性能机器人边缘运行时。Humanoid 将集成 NVIDIA Jetson Thor、Isaac OS、Holoscan Sensor Bridge 与 Holoscan SDK。Humanoid 创始人兼 CEO ArtSokolov 称，通用人形机器人需要将感知、AI 与控制实时融合的算力架构，NVIDIA 平台为此提供基础。
研究在RoboDojo基准的六项操作任务上，于多种推理强度与服务层级设置下评估了九个前沿多模态语言模型直接控制实体机械臂的能力，称这是首次在实体硬件上对广泛前沿LM做系统性比较。结果显示当前模型能完成多种操作任务，但精度与效率不足以在实用动作预算内完成。2026年7月至10月间基准性能翻倍时间为53.9天，最佳执行速率提升4.4倍，最低执行成本下降6.2倍。
研究团队提出 TRACE，一个面向 Unitree G1 人形机器人的语言条件运动生成与编辑框架，将生成条件锚定在成对训练动作、编辑目标锚定在当前动作上。语言模型从运动数据中学习预测支撑、根节点与手部事件，其时间对齐编码与原始文本共同输入扩散生成器；重力参考状态与轨迹—接触目标用于提升运动学一致性。编辑阶段由类型化请求定义身体—时间范围与相对源目标，参考条件扩散编辑器结合修订事件完成修改，采样时投影保留受保护状态坐标。定量与人工评估显示语义对齐和运动质量优于对比方法，多轮编辑在共享保留约束下执行更可靠，代码已开源。
维也纳工业大学（TU Wien）团队提出零样本框架V2-STRep，将视频生成模型合成的操作视频中的运动转换为可复用机器人技能。该方法用VLM生成结构化任务表示，指定运动阶段、参考对象与约束，目标以点、点法线、轴、平面和6D位姿等最小几何结构描述；VLM给出的2D图像线索经RGB-D观测提升至3D，用于重建任务几何与候选抓取位姿。几何规则负责跨场景运动迁移，任务约束轨迹优化将抓取选择与完整运动规划耦合，并利用剩余旋转自由度适应关节限制。在六个真实操作任务上，执行成功率高于基线，技能可跨场景迁移，并可通过更新部署基础与约束适配新指令而无需重新生成视频。