物理AI重镇：NEURA Robotics与慕尼黑工业大学在慕尼黑开设RoboGym

NEURA Robotics与慕尼黑工业大学（TUM）于2026年10月22日在慕尼黑机场附近LabCampus开设TUM RoboGym，占地超2300平方米，由TUM慕尼黑机器人与机器智能研究所（MIRMI）合作建设，将研究、机器人训练与工业应用结合。自9月起已有来自汽车、制药、医疗技术、包装、物流、农业、护理等十多个行业的企业在此训练具体流程，慕尼黑产能已供不应求。NEURA同时发布人形机器人4NE1 Gen 4，比前代轻20%，采用黑色织物外壳与先进运动控制系统，运行于其物理AI基础模型Neuron AI，面向批量生产设计。

向量量化世界模型：面向机器人操作的隐反馈运动规划

arXiv 2610.25600v2 提出向量量化世界模型（VQ-WM），将离散隐状态搜索与连续视觉反馈控制结合用于机器人长程操作规划：离散隐预测器建模向量量化隐状态转移以寻找最短路径，学习控制器通过视觉反馈依次到达规划状态并纠正偏差。方法以首达时间估计器替代欧氏距离作为准度量，使规划抽象与控制器能力对齐。在实体机器人汉诺塔任务上，仅用短时演示数据即达到100%成功率，而VLA、WAM等基础模型仅在训练数据含解轨迹时成功；在涵盖操作与运动的仿真基准上比最强世界模型高13.3至85.3个百分点。

Let It Be Simple：面向视觉-语言-动作模型的单步动作生成

论文发现VLA动作生成与图像/视频生成差异显著：仅将训练时间步分布偏向噪声端点，即可在LIBERO、LIBERO-Plus、LIBERO-Pro及真实机器人任务上获得强单步策略；对多种架构的开源VLA模型，用单次前向替代迭代解码，在LIBERO、CALVIN、SimplerEnv等基准上常与原多步解码相当。作者用标准Flow Matching的不可约速度损失R_v(t,c)解释：VLA在噪声端点处该损失更小，而图像生成模型多呈U形；学习到的生成映射对初始噪声的雅可比最大奇异值在动作生成中明显更小。作者认为VLA的条件-目标结构更接近图像到文本，使单步生成更易实现，代码与训练配置已开源。

Cartender：通过学习未采取的驾驶行为实现可验证的语言条件驾驶

研究提出 Cartender 方法，从真实驾驶记录中构建反事实分支：由视觉语言模型提出替代未来及对应选择指令，不受支持的指令作为负标签，无需模拟器。方法学习场景-语言兼容性分数调节轨迹生成，并用奖励训练的语言残差对候选重排序。在 WOD-E2E 上，3,603 个可行指令条件下最佳提案 RFS 为 8.642；8,974 个被接受提案平均 RFS 8.203，高于匹配记录轨迹的 7.906，67% 提案得分超过记录对应项。同场景配对指令成功率从 23.67% 升至 57.00%，RFS 从 6.32 升至 7.10，不可行指令执行率从 53.36% 降至 14.18%。

PaceVLA：视觉-语言-动作模型中的自适应时间动作量化

论文提出 PaceVLA 框架，用于解决 VLA 模型因从遥操作演示学习细粒度时间模式、需大量底层动作步而导致的执行时间效率低问题。该框架包含两个耦合组件：基于共享动作专家的模式特定动作解码器，支持多种时间粒度与预测时域；以及可量化性引导的模式选择方案和上下文条件路由器，在每个推理步判断粗粒度执行是否合适并选择执行模式。在三个多任务仿真基准和六个真实世界任务上，PaceVLA 在多种具身形态（含长时程与灵巧操作）中提升执行效率并保持任务成功率。

FoveaVLA：用注视动作替代VLA中的腕部相机

研究提出FoveaVLA，用学习到的注视动作替代VLA中的腕部相机：策略在每个动作块之外预测下一次查询需观察的交互区域，并从原始分辨率图像中裁剪该区域，与完整视图一并输入。模型基于π0.5构建Single与Dual两种配置（分别使用一个或两个外部立体相机，输入完整与注视区域的RGB-D），在DROID数据集结合RoboInter交互标注上后训练。四个真实任务套件中，FoveaVLA-Single单外部RGB-D视图成功率70.8%，Dual为77.1%，配备腕部相机的π0.5为52.1%；在普通抓取放置任务上与基线持平，在存在干扰物、布料操作和远距离物体任务上成功率提升。

λ₀：面向人形机器人全身移动操作的开源世界第一人称人类数据规模化

研究团队发布 HumanVerse 数据集，包含 500 小时开源世界人类移动操作数据，将第一人称视频与同步的身体和手部运动配对。其人类到人形机器人流程对齐相机视角与手臂外观，并离线优化运动参考和控制器输入以降低末端执行器误差。该流程在宇树 G1 上完成零样本迁移验证，无需目标任务的机器人演示。基于此训练的全身移动操作基础模型 λ₀ 在 SIMPLE 上成功率达 90.0%，真实世界移动操作任务平均成功率 62.5%。

ASPIRE：面向机器人学的智能体技能发现

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。

HarnessPAI：面向物理AI的可进化执行框架

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。

超越外观变化：面向VLA模型的任务语义动作校准

研究提出BAS-VLA任务语义动作校准框架，构建于冻结的基础VLA模型之上，默认采用以语义破坏为中心的校准核心，并辅以选择性证据门控的保持辅助模块，用于纠正外观变化引起的动作漂移。在四个目标物体替换任务上，变化任务成功率从2.3%提升至68.5%；在经验证的外观保持变化上，成功率从42%提升至70%，且干净性能未下降。

rMuscle：面向高效视觉-语言-动作模型推理的机器人肌肉记忆

rMuscle 是一个受人类肌肉记忆启发的实时 VLA 推理框架，通过双阶段缓存利用机器人重复执行间的相似性：上下文缓存复用视觉 token 输出以减少计算，动作缓存复用神经元激活模式以减少权重访问，并结合在线缓存重计算、滑动窗口检索和连续去噪步骤掩码共享控制内存与访问开销。在 RTX 4090 与 Jetson Thor 上，于 LIBERO、RoboTwin 及物理操作任务中取得 1.29-1.42 倍加速，真实机器人成功率保持不变。

通过物理感知的任务结构重配置实现推理时机器人行为引导

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%。

μ₀：一种可扩展的3D交互轨迹世界模型

研究提出 μ₀，一种基于3D轨迹的可扩展世界模型：不预测密集像素或直接建模动作，而是为物体、工具、手和接触区域等显著交互点预测平滑3D轨迹，形成与具身无关的运动接口。配套的 TraceExtract 系统通过选取关键点、构建全局对齐轨迹、将运动片段与分层语言描述关联，从多样视频中自动提取3D监督。μ₀ 将预训练视觉-语言骨干与模块化轨迹专家结合，用B样条控制点表示查询并预测未来轨迹。实验称其在2D与3D轨迹预测上优于轨迹预测模型和词元化VLM基线；冻结的 μ₀ 可与动作专家配对用于下游具身，无动作预训练得到的轨迹条件策略性能与经动作监督预训练的VLA模型 π₀ 相当。

SafeDojo：通过交互式世界模型实现VLA的安全强化学习

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。

先移动后操作：面向类人机器人操作的行为分阶段框架

研究团队提出 Move-Then-Operate 视觉-语言-动作框架，将机器人操作拆分为粗定位（move）与接触关键交互（operate）两个阶段，用可学习阶段选择器路由双专家策略；阶段标签由基于多模态大模型的流水线依据末端执行器速度、子任务分解等线索自动生成。在 RoboTwin2 基准上平均成功率 68.9%，比单体 π0 基线高 24%，与用 10 倍数据训练的模型持平或更优，训练步数减少 40% 即达峰值性能。代码已在 GitHub 开源。

反馈世界模型实现对扩散策略的精确引导

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。

Safe-Night VLA：通过热感知视觉-语言-动作模型在安全关键操作中看见不可见之物

该论文提出Safe-Night VLA多模态操作框架，将长波红外热感知集成进预训练视觉-语言骨干网络，使机器人能基于热力学属性进行语义推理。为应对分布外场景，框架通过控制屏障函数加入安全滤波器，在策略执行时提供确定性的工作空间约束。作者在Franka机械臂上开展真实实验，设置温度条件操作、次表面目标定位与反射消歧三类评估任务，结果显示其性能优于仅RGB基线。

热成像人机交互中视觉语言模型理解人类活动的失败模式

研究评估了7个可本地部署的视觉语言模型（含面向物理AI与机器人的模型）在两个以人为中心的热成像数据集上的表现，诊断任务包括细粒度动作识别、活动时间线重建和拒绝无依据回答。结果显示模型能识别宽泛活动类别，但在咳嗽、打喷嚏、打哈欠等细粒度动作上表现不佳，生成的事件时间线不准确，并会幻觉出涉及物体的动作。简单的热成像输入预处理与额外推理仅带来有限的、依赖模型的增益；即便给出明确指令，各模型的弃答行为也不一致。