SkeLAM 将潜在动作分解为两部分：一部分是由机器人骨架监督锚定的运动学分量，另一部分是保留互补视觉动态的残差分量；并通过跨模态交换重建，使 RGB 与骨架导出的运动学表示可以互换。世界模型通过独立条件通路纳入这两个分量，并用分支 dropout 降低对由未来信息导出的残差信息的依赖；轻量适配器将机器人动作映射到运动学空间，再经微调适配预测条件。在 DROID 上，与 DreamDojo 相比，末端执行器 ADE 降低 19.5%、LPIPS 降低 11.1%；定性结果显示，生成的 rollout 中可实现零样本的人到机器人运动迁移，策略评估的预测成功率与真机执行结果一致。
机器人行业洞察
今日精选
The robotics journal行业消息
针对现有 VLA 模型在多视角输入下持续依赖腕部视角、缺乏跨操作阶段动态调整全局-局部视角依赖的问题，作者提出阶段感知多视角路由框架 FocusVLA：从历史动作预测未来交互意图，并据此在动作生成过程中动态路由视角。在 RoboTwin 2.0 上，其平均成功率较最强基线 π0.5 提升 10.10 个百分点；真实世界评估成功率从 71.7% 升至 85.0%，相对 π0.5 提升 13.3%。其意图预测与动态路由模块可在不修改核心架构的前提下集成进现有 VLA 框架。
论文提出 WholeBodyMem，一种面向人形机器人全身 VLA 策略的物体引导感知记忆模块，用于保留机器人执行目标动作前观察到的物体事件前史。方法用 SAM3 跟踪任务物体，按事件因果地在自适应预算内选取关键帧，动作专家通过交叉注意力结合编码外观、几何与时间的物体 token 读取。作者同时发布 HuMeGo 基准，含 6 个仿真任务与 6 个真实 Unitree G1 任务。结果显示基础策略成功率在仿真中从 29.1% 升至 72.6%，真机从 36.7% 升至 88.3%，标准 SIMPLE 任务从 70.2% 升至 86.9%。
论文提出三种对机器人控制进行数学抽象建模的数据生成流程，用其程序化生成的合成数据预训练 Transformer，在未接触任何真实机器人行为的情况下，于未见过的物理机器人任务上取得非平凡的零样本动作预测性能，且专用控制先验优于通用因果先验。与算力匹配的真实机器人数据基线相比，后者仅在自身训练过的数据集上占优。作者据此认为，程序化生成的数学抽象可作为昂贵具身数据采集的潜在补充。
研究比较机器人工具路由的四种策略：三种基于 ChromaDB 的语义检索方法（固定阈值、相对距离、子句感知聚合）与一个云端 1200 亿参数大模型基线。在 164 条人工标注提示（分三个复杂度级别，最高需至少三个工具）上，CDB-v3 在仅检索方法中宏平均综合得分最高，为 0.7822，大模型基线为 0.8869。大模型路由质量更高，但 CDB-v3 延迟显著更低且可本地部署、无需云连接，作者据此指出隐私敏感、连接受限与资源受限机器人系统存在质量-延迟权衡。
TRACE是一个面向地面机器人在非结构化森林环境中自主运行的可通行性感知反应式导航框架。它利用基于正负自然语言提示集的VLM置信度图，通过证据融合生成密集可通行性地图，并按先前已通行路径的迹象对地形排序；随后提取带可通行性标注的点，经百分位分箱与样条或正则化多项式拟合得到路径左右边界，作为软障碍约束纳入NMPC。真实森林环境实验显示，该框架能在杂乱、可变形、视觉模糊地形中平滑导航。
UniFlowWAM将3D场景流作为与视觉、动作并列的第三模态纳入扩散Transformer策略，每个模态设一个专家并通过联合注意力交互，在十目标角色网格下训练，使同一模型可充当策略、前向/逆向动力学及未来视觉特征或3D流预测器。仿真实验中，RoboCasa-GR1成功率由无流基座的52.1%升至56.4%，LIBERO分布内保持98.1%，LIBERO-Plus零样本达87.7%；四个真实双臂操作任务平均成功率87.0%，最强基线为68.5%。
研究提出一种软物体世界模型，用在大规模仿真软物体交互数据上训练的 Transformer 主干网络，执行生成式全状态估计和以动作为条件的动力学预测，并采取措施缓解仿真到现实的差距。模型通过在可变长度部分点云历史上进行上下文学习来推断潜在形状与材料线索，无需权重更新即可泛化到不同机器人本体、材料参数、衣物类型与形状以及操作协同模式，并与目标条件动作规划器集成进行运动合成。作者在仿真和真实世界中针对双臂衣物折叠验证该方法，报告重建保真度、预测准确性和任务成功率均有提升。
论文提出空中移动操作框架 ALMA，用上下文飞行策略从近期测量与动作中自适应，并以动作条件化的未来测量表征预测训练上下文保留飞行控制相关响应信息。为扩展自适应经验，该方法用大语言模型分析观察到的控制困难并生成新的机械臂运动结构用于后续训练。仿真中位置 RMSE 相对最强基线最多降低 24.7%；同一策略零样本迁移到真实空中机械臂，在周期性机械臂运动下悬停位置 RMSE 相对真实世界基线降低 79.6%。
研究提出EBV-CAN视觉-语言策略，将一张初始全局鸟瞰静态图像与实时内窥镜观测、电机状态结合，通过三个监督式语义查询在缓存图像上定位末端、下一路点和指令目标，再由残差表示预测弯曲与插入指令。配套VLCA数据集包含517次演示、7.5万动作样本、95.8万空间条目和9.3万条剩余路线记录。50个留出回合中末端坐标与路点定位准确率为97.5%和94.8%；1920次物理试验中EBV-CAN成功183/240（76.25%），而离线MAE最低的GRU-BC物理成功率仅1/240。
研究在六个流匹配 VLA 机器人策略上对比单步与多步采样，发现单步动作生成在大规模下基本与多步采样持平，多步欧拉积分在推理阶段几乎没有一致优势。该结论在模型训练充分且容量足够时成立。作者据此指出，大型 VLA 可直接从多步模型获得单步策略，无需重训练、蒸馏或额外辅助目标，即可实现低延迟部署。
该论文提出 Co^2Gen 框架，用于在无需人类遥操作的情况下自动生成多机器人协作数据，以训练去中心化 VLA 模型。框架先用去中心化协同规划方法生成以可执行函数形式表示的多机器人协作计划，再用该计划产出协作演示数据，并以去中心化方式微调 VLA 模型。实验显示，用这些数据微调后的 VLA 模型在去中心化协作任务上的表现，与用人类遥操作协作数据微调的模型相当。
论文提出 CARE 框架，用轻量评论家模型监测本地执行器的执行可靠性，在不可靠时把控制权升级给更强的云端模型，并在升级后保持控制直至智能体恢复，避免逐步切换；共享交接记忆跨执行器维护执行上下文与任务级进度，使模型介入时无需从头开始。在多个具身基准上，CARE 的任务成功率比最强协作基线高 6.3-18.3 个百分点，接近或超过纯云端方案，同时将动作间隔中位延迟降低 28.8-82.6%。
研究提出Alpha框架，在仿真中对LLM驱动机器人操作按感知（传感器延迟）、驱动（抓取滑移）、运动学（不可达目标）、规划（规划器输出损坏）四类注入校准故障。在150回合配对矩阵中，Llama-3智能体成功率44.0%（33/75），确定性脚本Oracle为64.0%（48/75），McNemar p=3.01×10^-4；剔除规划器输出损坏后两者均为55.0%（33/60），不一致对数为零（p=1.00）。作者据此认为性能差距全部来自提示词到JSON的序列化与验证接口，而非认知推理缺陷，并审计了169次历史试点。
该论文综述基于触觉的机器人操作研究，将其划分为力学驱动与数据驱动两条互补路径：前者通过接触力学和任务特定推理显式解读触觉信号，形成与操作相关的状态表征并影响机器人动作；后者直接从数据学习触觉表征与操作策略，涵盖模仿学习、强化学习、视觉-语言-动作模型和预测模型。文章先介绍触觉传感基础，再分别回顾两条路径的进展，最后讨论面向可扩展、可泛化、稳健的触觉使能机器人系统的开放挑战与未来机遇。
论文提出 FRED 框架，通过自蒸馏让世界动作模型（WAM）在单步去噪中从噪声预测未来视频表征，并以真实未来观测提取的表征为目标，同时以历史观测作为时间上下文条件。在多种真实世界操作场景中，FRED 持续优于同类 WAM，在零样本环境泛化的长时程与域外任务上提升明显；在仅有人类视频演示、无机器人训练数据的任务上成功率达 50.0%，最佳对比方法为 19.4%。
奥尔特曼在《Sources》播客中确认OpenAI将亲自制造人形机器人，理由是“世界为人类设计”，门、键盘、工具都按人体形态打造。他表示外观细节远不如驱动机器人运转的“大脑”重要，预计2027年拿出亮眼的演示样机，但机器人走上街头还需数年。OpenAI招聘页面挂有27个机器人岗位，涵盖运动控制、状态估计、执行器控制、整机行为开发及实体AI训练基础设施，并自研集成电机、传动、传感与热管理的机电一体化执行器，另设制造与供应链岗位。短期目标为协助技术工人建设基础设施的通用机器人，长期为个人机器人；公司未公布售价、订阅模式、上市日期及机器人隐私规范。
10月20日，2026物理AI与世界模型大会在南京启幕，由江苏省数据集团、南京大数据集团、中国人工智能学会共同主办。戴琼海、谭铁牛、姚期智、杨立昆、沈向洋、于海斌等出席或视频发言，议题覆盖物理AI、世界模型与具身智能。会上成立国家数据标注先行先试苏皖城市联盟（长三角数据标注联合创新中心），南京、无锡、苏州等十城联动；江苏发布物理AI与世界模型高质量数据集行动计划、九项典型创新成果及2026年50个典型应用场景。全国信标委批复设立具身智能标准工作组，《人工智能世界模型》国家标准预研启动；全国首个物理AI与世界模型投资基金签约，总规模50亿元。
至知创新研究院（IQuest Research）公开IQuest-Q1完整技术报告《IQuest-Q1: Advancing Foundation Capabilities for Agentic CLI Systems》。该模型为320B总参数、15B激活参数的开源模型，面向代码开发、命令行交互与复杂Agent任务。报告给出30项Benchmark成绩，对照模型包括Claude Opus 5、GPT-5.6 Sol，并披露训练细节，包括100万道实战题与防AI作弊机制。此前实测场景包括6个路口早高峰调度、双11仓库8台搬运机器人调度、24层写字楼电梯调度。