研究团队提出 CLARO，一个由视觉语言模型（VLM）驱动的智能体，负责编排开放词汇目标检测、分割、6 自由度抓取和非抓取式推动等技能，用于在杂乱环境中定位并取出语言指定的目标。系统维护过往动作记忆以支持长时程执行，输出抓取位姿或 3D 路点，无需任务特定训练即可跨机械臂迁移。在动态仿真环境与标准图像基准上，CLARO 平均成功率为 89.1%，在高杂乱场景中相对最强对比方法提升超过 16%；部署到真实机械臂后成功率为 88.8%，展示了仿真到现实的泛化能力。
机器人行业洞察
今日精选
The robotics journal行业消息
研究团队提出 PlayPolicy（DSP）框架：机器人先通过行为克隆从数分钟人类玩耍数据中学得玩耍策略，再自主运行数小时采集交互数据训练世界模型；推理时该策略为模型预测控制（MPC）提出候选动作序列，由世界模型评估，并可用世界模型内自我对弈蒸馏闭环目标条件策略加速推理。在仿真与真实世界的多指手欠驱动推动和任意到任意手内姿态重定向任务上，真实实验成功率比事后行为克隆高 69.6%，交互数据量比强化学习少 490 倍而成功率相当，且无需任务特定演示或 sim-to-real 迁移。
研究团队提出 CapPro 框架，使预训练 VLA 策略仅凭单段人类演示视频即可适配此前未见的操作任务，无需目标任务机器人演示或微调。该框架由两部分组成：阶段感知人类视频表示模块通过视觉 token 选择构建紧凑视频表示，并在阶段字幕监督下学习任务相关查询表示；视频条件适配模块将紧凑视频与查询表示注入预训练 VLA 策略的动作条件上下文，同时基本保留原动作生成主干。实验显示，CapPro 在未见目标任务组上提升平均性能，源任务性能保持可比。
论文提出StepTrigger，一种针对VLM驱动腿足机器人的接触状态触发后门攻击：触发器由Unitree Go1四足机器人走过密集地形区域时产生的足-地压力与接触模式生成，而非提示词token或可见标记。为区分正常行走中的噪声性压力异常，方法从多模态机器人状态学习选择性后门策略，将偶发压力事件作为良性样本、密集地形接触作为投毒样本。分层离线评估中，训练后的规划器干净行为保持率98.75%、误触发拒绝率92.50%、真触发激活率76.25%、整体解析行为准确率89.17%。作者指出该后门位于本体感知与接触通道，仅关注语言、视觉或动作历史的防御无法覆盖。
针对人类视频到机器人策略迁移（H2R）方法因任务套件、场景布局、物体实例与机器人监督量不同而难以横向比较的问题，研究者提出 Real2Sim 基准 H2RBench，基于真实人类视频演示与仿真机器人演示建立标准化协议，覆盖四个交互需求不同的操作任务。论文评估了多种采用不同具身差距弥合策略的代表性 H2R 方法，刻画各方法随人类演示数量增加的性能扩展，发现方法间利用额外人类数据的能力差异显著。仿真性能对真实机器人性能具有预测性，跨方法-任务配置的 Pearson 相关系数 r=0.89、Spearman 相关系数 ρ=0.85、平均最大排名违规 MMRV=0.06。
ForceDelta-VLA 提出一种修正蒸馏框架，利用冻结教师模型的力条件模式与学习到的无力条件模式的成对预测，构建显式的力修正目标，并另设延迟修正目标以补偿参考动作不匹配与参考状态变化。训练采用异步调度回放，执行时使用缓存的任务上下文。所得轻量策略依据近期力历史与机器人状态调整参考动作，在两次参考动作更新之间响应接触变化，无需重新生成完整动作块。在九项单臂与双臂接触密集任务上，平均成功率为82.2%，原始 ForceVLA 基线为54.4%，直接执行第一阶段时序教师模型为70.6%；相比 ForceVLA，完整系统在两个平台上将成功试验的平均峰值接触力降低约26%。
X-WBC 提出跨本体人形机器人全身控制基础框架，将共享的人体运动语义与各本体特定的物理执行分离：以人为中心的命令 token 对齐完整人体运动、机器人参考运动和稀疏 VR 观测，因果 Transformer 从多机器人混合 rollout 中学习可复用的时序结构，轻量级本体特定模块再把共享表示映射到各机器人的本体感知与动作空间。实验覆盖九个仿真本体、外部运动数据和四台真实机器人，结果显示联合训练提升跟踪性能，对齐表示支持跨命令源的一致控制，策略在训练语料之外仍具竞争力。作者据此主张异构人形机器人可作为联合数据源，跨本体联合训练是通向全身控制基础模型的可行路径。
该论文针对四足机器人通过被动弹簧臂搬运负载的场景，建立了将被动接口刚度、阻尼与负载质量关联到 ZMP 响应的降阶解析模型，指出低阻尼被动模态可能与步态谐波重叠。作者提出基于扩展单刚体动力学的臂感知模型预测控制 ARMPC，融合浮动基动力学、被动臂关节状态、扭转弹簧阻尼与基座-臂惯性耦合。仿真消融中 ARMPC 在所有测试条件下减少 ZMP 裕度违规并避免失败，Nominal MPC 与 Baseline MPC 违规率和失败率更高；2 kg 负载硬件拉放实验中 ARMPC 纵向与对角线扰动试验全部无失败，Baseline MPC 分别失败 7/15 和 8/15 次。
研究对OpenVLA-OFT和pi0.5在分布外LIBERO-90任务上的失败进行标注，将其归为四种模式，仅「执行失准」（到达正确目标但移动距离或力度校准错误）可由一句话纠正覆盖。方法为每任务一句回顾性描述，经LLM解析为动作维度、方向、幅度项与时间窗口，作为短时偏置施加于冻结策略动作。仿真中恢复139个分布内失败中的65个、328个分布外失败中的33个；真实xArm7基座移动后，同物体抓取放置从10/30升至30/30，新物体从2/30升至24/30，两个长时程任务仍为0/30。朴素提示的VLM最多10次尝试均未恢复。
该研究在仿真中用基于采样的模型预测控制（SMPC）作为自动专家生成大规模离线数据集，以绕开稠密奖励塑形的人工瓶颈，使离策略强化学习仅凭稀疏任务奖励即可训练。高层智能体与低层动态稳定性控制器结合后，学到的策略在任务目标对齐上超过原始最优控制教师。作者在配备机械臂的Spot四足机器人和G1人形机器人两种形态上部署了复杂移动操作技能，验证了sim-to-real框架的鲁棒性。
威斯康星大学麦迪逊分校人机交互团队提出 SHRIMP 系统，用自然语言自动生成分层机器人基元任务计划，并支持用户通过重新提示和显式纠正迭代修订。每次修订后，用户可在仿真中验证计划，确认后再在物理机器人上执行。研究招募 35 名参与者完成桌面厨房任务规划，结果显示 SHRIMP 提升了用户的感知控制感与机器人透明度。系统视频与源代码已公开。
该论文提出接触隐式、基于直接仿真的多重射击（DSMS）框架，将运动学可行的参考轨迹转换为动力学可行的全身轨迹：把可微仿真器嵌入非线性规划，在内部处理接触、摩擦、碰撞、自碰撞与关节限制，同时施加跟踪、驱动和任务约束，无需预设接触时序或显式接触约束。作者称相比现有重定向方法，DSMS 可加速运动模仿强化学习训练，得到成功率更高、跟踪误差更低的策略；并在 Unitree G1 上完成零样本仿真到现实迁移，覆盖指令条件化行走、慢跑、接触密集爬行及 180 度跳跃转身。
LaWAM 提出以紧凑的潜在视觉子目标替代重建未来视频，将预测动态注入机器人策略。其核心 LaWM 在预训练视觉基础模型的潜在空间中训练潜在动作模型，并复用前向解码器预测未来观测特征。在 LIBERO 上成功率达 98.6%，RoboTwin 上达 91.22%，真实世界操作任务同样取得领先或具竞争力的结果；每次动作块预测耗时 187 毫秒，墙钟延迟较像素空间 WAM 最多降低 24 倍。
研究团队提出开源无人机仿真器 Crazyflow，将高保真动力学与 JAX 结合，兼顾速度与可微分性，可在单 CPU/GPU 上扩展到数百万环境或数千个集群、每集群数千架无人机，并支持集群扩展。真实实验显示其支持基于解析梯度的策略学习，无需域随机化即可实现高精度跟踪，基于采样的避障速度超过每秒 5 亿步。团队将一架真实无人机抛向空中，从零训练恢复策略仅用 0.37 秒并在落地前接住，演示了飞行中强化学习，突破先训练后部署范式。
WorldArena 2.0 将具身世界模型基准从纯视觉预测扩展到视触觉多模态感知与预测，并把评估范围从策略评估与规划延伸到将世界模型作为交互式强化学习环境用于策略优化。平台维度上，该基准不再局限于仿真器，覆盖多种具身形态的仿真与真实机器人设置，在标准化协议下评估感知质量、交互效用与跨平台性能。代码与演示已发布于 world-arena.ai。
arXiv 2605.13775v2 提出 RoboEvolve 框架，将 VLM 规划器与 VGM 仿真器耦合成协同进化循环，用无标签种子图像自举，通过日间探索（语义控制多粒度奖励）与夜间巩固（挖掘近失失败）双阶段机制训练。实验显示基础规划器提升 30 个绝对点、仿真器成功率平均提升 48%；仅用 500 个无标签种子即超越全监督基线，初始 RL 数据减少 50 倍；并可将冷启动 LingBot-VA 在 LIBERO 上的平均任务成功率从 78.7% 提升至 98.7%。
研究团队提出 SentryVLA，一种面向冻结 VLA 策略的轻量级运行时封装器，无需重新训练或修改底层模型架构。该方法在动作层面用保形分位数回归估计采样动作与专家式行为之间偏差的校准上界，并据此对多个随机候选动作排序以完成动作选择；在执行监测层面，对最终动作预测前提取的上下文化潜在执行状态计算基于马氏距离的异常分数，用于闭环控制中检测异常执行状态。仿真与实体机器人实验显示，该方法改进了动作选择，并能提供有用的运行时异常警告信号。
AffordSim 将开放词汇 3D 可供性预测接入仿真轨迹生成：给定自然语言任务，合成场景、发出可供性查询并定位到物体表面、采样区域条件抓取，再用运动规划筛选可执行轨迹，同时随机化位姿、纹理、光照、噪声与背景以支持 sim-to-real。该基准含 50 个任务、五种机器人本体、500 多个刚性与铰接物体；在可供性关键任务上达到人工接触标注轨迹采集成功率的 93%，困难复合任务为 89%。用其数据训练的 VLA 策略零样本迁移到真实 Franka FR3，平均成功率 24%。
研究提出强化学习框架 PrepTurn，将当前与下一个位姿目标直接映射为关节动作，用即将到达的目标指导机器人如何接近当前目标，避免单目标策略在连续目标下出现的走走停停。方法包含持久信用奖励与逐步提升目标难度的自动课程，无需预设轨迹或到达时间即可协调接近速度与转向。仿真与 Unitree Go2 机载实验显示，连续穿越完成率高、运动更高效且停顿减少；目标容差放宽后，策略还出现提前转向下一目标和在允许区域内切角的涌现行为。
arXiv 2602.16444v3 提出 RoboGene，一个面向单臂、双臂和移动机器人的智能体式操作任务生成框架，由多样性驱动采样、智能体自我反思评估任务质量、以及经人工验证的反馈记忆三部分组成。研究团队通过大规模真实世界实验采集了 1.8 万条轨迹，并提出任务可行性与多样性指标；RoboGene 在任务生成上显著优于 GPT-4o 和 Gemini 2.5 Pro，用其生成数据训练的 VLA 模型成功率更高、泛化更强。数据集已发布于 Hugging Face（X-Humanoid/RoboGene）和 ModelScope。