研究提出集体经验学习（CEL）范式：已部署机器人汇集自身执行经验，用于更新共享策略并回传车队，无需额外专家演示或纠正动作。其实现方式为失败引导的经验检索微调（FERT），并配套容错异步训练系统（FATS）协调机器人执行、云端推理与策略优化。在五个真实操作任务上，策略成功率达 93.3%–99.2%（每任务 120 次试验，评估机器人未参与训练数据采集）；多阶段手机包装任务中，96 台机器人将成功率从 79.2% 提升至 98.3%。
机器人行业洞察
今日精选
The robotics journal行业消息
研究团队提出用柔性Fin Ray夹爪的形变做视觉力预测，替代部署阶段的力/触觉传感器。方法分两步：先在校准数据上训练视觉力估计器，为任务演示标注力估计值；再在增强力的演示上训练动作—力提议策略，联合生成候选动作及其预期力。测试时采样候选动作与预测力，执行预测力最接近演示目标力的动作。在浆果采摘、空罐抓取、手内重定向和插头插入四项任务上完成评估。
ASPIRE 是一个在“代码即策略”范式下自主编写并迭代改进机器人控制程序的持续学习系统，由闭环执行引擎、持续扩展的技能库和进化搜索三部分组成。在扰动操作任务上较此前方法最高提升 77%，Robosuite 双臂交接任务提升 72%，长时程家庭任务最高提升 32%；未见长时程任务零样本成功率为 31%，此前方法为 4%。使用 Claude Opus 5.5 时在全部 80 个 LIBERO-Pro 任务上平均成功率 99%，代表性 Robosuite 与 BEHAVIOR-1K 任务达 100%；仿真习得技能可跨本体与 API 降低真实机器人编程量，在线交互技能使其能逐步提效解开魔方。
arXiv 2609.29166v2 提出 HarnessPAI，一个与模型和本体无关的物理AI框架，将代码作为组织底层动作原语的可执行、可进化接口：单次 rollout 内以固定程序开环执行并检查，跨 rollout 则用执行反馈修订程序、把失败蒸馏为可复用技能。该框架在桌面机械臂、家用机器人、扫地机器人和足式行走智能体上相较基线取得一致提升；收敛后的程序还能为 VLA 与 WAM 模型生成微调训练数据，用于这些模型难以自行获得成功轨迹的任务。
论文提出 ReStruct 方法，用于在推理阶段引导已学习的机器人策略满足训练时未预见的用户偏好，无需重新训练。该方法将视觉运动策略分解为高层状态机骨架（捕获任务结构）与低层残差控制器，用自动机表示偏好并通过同步积融入骨架以重配置任务结构，控制器保持冻结，骨架动作先验随之更新。仿真与真实世界实验显示，ReStruct 可引导从以对象为中心到时序逻辑约束的多种偏好，引导后在任务成功率与偏好遵循上超过现有方法，较 VLA 模型最高提升 25%。
研究提出 SafeDojo，一种基于模型的安全强化学习框架，在交互式视频世界模型之上对视觉-语言-动作（VLA）策略做在线强化学习：ResNet 成功分类器对预测未来帧打分，轻量级安全头根据当前潜在上下文与候选动作块预测每步接触概率，两类解耦信号经拉格朗日约束的 GRPO 平衡。在 SafeLIBERO Level I 上平均安全成功率较最强基线提升 8.25 个百分点，零样本 Level II 与最强无模型基线相当；真实 Franka 部署在五项任务中取得最佳平均任务成功率与安全成功率。
研究提出多分辨率触觉感知框架 MiTaS，融合 RGB 相机、GelSight Mini 视觉触觉传感器与高频事件型 Evetac 传感器，采用模态特定卷积主干加 Transformer 融合，并以流匹配策略执行下游任务。在五个接触密集型操作任务上，MiTaS 平均成功率 80%，仅视觉基线为 35.5%，视觉-触觉基线为 55.5% 和 63%。
论文将机器人视为可转移资源，研究异构多团队协作中的动态分配问题，并借鉴生态学汉密尔顿法则构建利他决策机制，该一般异构资源分配问题被证明为NP难。作者提出集中训练、分散执行的图神经网络策略，在团队交互图上预测机器人级转移决策与机器人到团队的分配。灭火场景评估中，15台机器人的五次配对物理试验显示，GNN在全部五次试验中达到建模的灭火停止阈值，静态固定团队分配仅两次达到。
该论文提出「反馈世界模型」：在推理阶段维护一个在线更新的轻量级反馈状态，利用机器人每步执行后观测到的真实下一状态修正未来预测，无需额外训练数据或参数更新。作者将其解释为潜空间观测器，并在有界、渐近收敛的动力学残差与稳定反馈增益下给出收敛保证；同时引入动作感知引导，强调动作可控分量。在 LIBERO-Plus、Robomimic 及真实操作任务上，该方法将世界模型预测误差最高降低 76.4%，并可在不更新参数的情况下改进预训练基础模型 Fast-WAM-Joint 的预测。
论文提出ExtremControl全身控制框架，将人形机器人遥操作端到端延迟从现有方法约200ms降至最低50ms。作者将仅使用位置的PD控制认定为延迟下限的根本原因，在底层控制中加入缩放速度前馈，使跟踪延迟减少约70ms，并给出可证明最优的前馈比例；控制直接作用于所选刚性连杆（主要是机器人末端）的SE(3)位姿，避免控制回路中的关节空间重定向，并推导出只需一次拟人化标定的闭式笛卡尔空间映射以适配不同体型操作者。系统支持光学动捕与VR追踪，在仿真和真机上验证了速度前馈在强化学习运动控制中的有效性，并演示了乒乓球平衡、杂耍和实时回球等反应性任务。
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。
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%。
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。
DONIC 是首个跨操作类别与人体运动来源联合训练的通用双臂灵巧跟踪器，配套发布 BiHOI 多视角数据集，含 1,575 条序列、覆盖 229 个物体，重建交互被重定向为机器人参考。方法将近端策略优化与行为克隆置于反馈循环中，把验证成功的执行回收为训练演示，并以物体为中心的每手奖励和 Clip-Centered Advantages 支持单一策略跨异构参考学习。无需微调，单个检查点在训练物体未见轨迹上成功率 86.79%，留出物体上 57.32%，分别超过最先进双臂跟踪基线 77.36 和 45.73 个百分点。
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。
一篇arXiv新论文（arXiv:2610.29677v1）将递归自我改进（RSI）概念引入机器人学习，梳理从提升机器人能力到改进能力生成过程的路径。作者指出，物理世界的RSI需通过代价高昂的试错从部分观测中学习，并应对运行条件变化与不可逆后果；收益延续需满足四个条件：反馈针对剩余学习需求、接收组件能利用该变化、价值在任务或硬件变化后仍成立、持续实践安全可负担。现有研究集中于操作任务，已支持行为改进、对后续学习的助益与过程改进，但尚无物理研究分离出可归因于递归的收益。
研究提出一种轻量落脚点预测模型（FPM），仅用本体感觉和速度指令预测未来落脚点，并只在预测落脚点周围的小块区域采样高程图，从而在策略输入前剔除冗余地形信息。FPM 与行走策略联合训练，并随步态成熟定期用新 rollout 重训。该方法达到给定地形难度所需训练迭代约为使用完整高程图的 1/3，在落脚点稀疏的狭窄围墙走廊和未见地形上优于完整高程图策略，性能与数倍成本训练的注意力编码器相当。策略零样本迁移至 Unitree G1 人形机器人，在室内外穿越障碍、楼梯、间隙和下行台阶。
该研究提出一种多阶段强化学习方法，为月球重力下按指令点对点跳跃生成单一端到端控制策略，策略架构简单且仅依赖任务兼容的机载传感。仿真中着陆误差小于机器人自身尺寸；研究还分析了跳跃的力矩与功率需求，并测试了飞行中控制更新冻结最长1秒等极端异常下的性能退化。硬件迁移实验显示，策略可在月球重力卸载条件下完成垂直跳跃，实测力矩与功率曲线与仿真一致并处于硬件限制内。