arXiv 2610.30117v1 提出 CW-WAM 世界动作模型，联合预测视频、运动与接触力旋量，将运动与力旋量作为统一建模目标并输出时间对齐的运动-力旋量块作为控制参考，采用成对因果注意力与长固定长度力旋量记忆。预测的力旋量块作为 20 Hz 外环导纳控制器的力参考，嵌入慢-快控制系统。实验显示，相比无旋量输入的 WAM，单边间隙 1 mm 方形销插入成功率由 25% 升至 70%，电源适配器由 40% 升至 95%，并提升不同负载下的抬升高度精度；配合导纳控制器，销插入力参考 RMSE 由 4.8 N 降至 2.7 N，擦拭由 2.0 N 降至 1.3 N。
机器人行业洞察
今日精选
The robotics journal行业消息
论文提出 PAPAV 能力中心框架，将多模态具身智能体（MMEA）定义为耦合多模态任务推理与物理动作、并依据反馈修正决策的目标导向系统，包含感知状态、预判动作效果、规划路径、通过接口或本体执行、验证结果五项功能。作者据此对比 MMEA 与计算机使用多模态智能体（MMA）及机器人系统（RS），指出部分可观测、结果不可验证等五项物理约束使可预先固定的选择更少、纠错空间更小。在 64 个基准中，显式评估集中于“执行”，仅 5 个评估“预判”、3 个评估“验证”。
研究提出 TARSphere 全栈框架，在物理模拟器中运行机器人策略，并引入具身 NPC 与受限对话，通过事件驱动有限状态机依据已完成动作和已传递信息更新任务状态。其 TARSphere-Harness 让冻结的多模态大模型通过多级可执行技能、分层记忆与执行反馈修正决策。基于此构建的 TARSphere-Bench 覆盖 30 个室内场景、360 个回合，设五组配对条件评估感知鲁棒性、干扰适应、任务更新、人类协作与意图理解。对 8 个 MLLM 的评测显示通用模型可优于具身模型，任务更新与人机交互仍困难，频繁碰撞与跌倒表明需同时评估执行安全。
研究提出 SP-HLM 框架，以五个任务关键身体姿态加学习到的潜在运动先验构成稀疏姿态接口，替代单一动作表示。其中 SP-VLA 视觉-语言-动作模型通过异步动作分块推理，从多模态观测与语言指令预测稀疏姿态和手指关节位置；SP-MGM 经两阶段蒸馏训练，实时重建全身运动；预训练运动编码器将其映射为紧凑潜在表示；SP-GMT 通用运动跟踪器融合显式稀疏目标与隐式运动先验完成全身控制。仿真与真实人形机器人实验显示，其运动跟踪、全身协调和移动操作成功率优于现有方法。
研究提出事后核方差头（post-hoc kernel-variance heads），从单个 VLA 策略的嵌入估计认知不确定性，每个头计算以训练演示嵌入为条件的高斯过程条件方差，拟合无需回归目标或梯度更新且不改变策略。在 LIBERO-10 上用 SmolVLA 测试，其与双策略集成分数在任务级相关性、主动学习演示获取和转介监督策略上表现相当；视觉-语言骨干上的头将不确定性评分时间最多减少约 50 倍。研究还指出 LIBERO-10 既有评估协议主要奖励任务间覆盖差异识别，执行变异性削弱任务内排名评估，受控扰动可作为补充评估。
论文提出OMAR流程：视觉语言模型为未知物体生成标签及内容、包装类型等属性，经分割、深度与多视图关联完成跨视图定位，构建实例级3D场景图；再由LLM在该表示上推理货架潜在组织方式，对场景一致的放置位置排序，无需用户提供偏好，排序结果用于后续几何与运动学可行性检查。实验显示，该方法在实例映射与放置一致性上优于单视图语言定位和仅几何基线，可在无预定义物体-容器映射、无类别特定重训练的情况下自主放置未见物体。
arXiv 2610.29829v1 提出将物理AI的零样本泛化定义为对部署分布的覆盖，并指出同一采集者的更多样本只能缓慢缩小未见区域，而每个新贡献者都能扩展该区域。作者据此提出机器人动作共享潜在空间，结合多模态对齐、生成式增强与噪声标签学习，并以标准易用机器人 Origami 上的开发者社区作为多样数据来源，最后给出将真实机器人零样本成功率与数据多样性关联的可检验假设和评估协议。
SpatialDex 框架从纯 RGB 人类视频中学习三维接地的双手灵巧操作：对每段视频重建场景几何并估计手部运动，用手部尺寸先验在视频级尺度上对齐二者，重建几何同时作为策略输入与预测目标。策略通过门控残差融合把预训练视觉-语言模型的 token 网格接地到该几何，预测未来场景几何与手腕、手指动作，并以双手手腕预测轨迹为条件生成手指运动。在 100 万个人类视频片段上预训练、少量机器人演示微调后，该方法在两种本体的九个仿真灵巧任务上比 SOTA 高 16.5 分，在六个真实双手灵巧任务上高 38.3 分；匹配比较下，用重建几何预训练比仅用手部运动预训练成功率提升 14.2 分。
作者提出非参数化因果交互接地框架 CausGround，将交互经验蒸馏为以动作为中心的因果知识，识别动作前置条件与效果并以分解式世界状态表示组织。在适配的 VirtualHome 与 RoboCasa 基准上，基于视觉的高层规划平均任务成功率由 24.9% 升至 53.3%，闭环规划成功率由 43.0% 升至 57.0%；SWITCH 上交互推理准确率由 25.8% 升至 31.9%。真实机器人实验显示其可从 MLLM 解释的目标反向推导可执行高层动作序列，且无需参数更新。
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。
FlowVLA 将运动生成与物理补全估计分离：共享 π_{0.5} 动作专家在边界感知监督下学习接近、倾倒与返回，另一与目标无关的估计器融合视觉、关节、腕部力/力矩及循环力信念历史来估计已转移质量，当估计值加预测残余流出量达到请求质量时触发返回。在咖啡壶/水实验中，其目标均衡平均绝对误差（MacroMAE）为 13.1 g，低于所有测试的 VLA 基线；全部尝试中 53.7% 既完成任务又将最终质量控制在请求值 ±10% 内。同一模型无需重训即可插值到留出的 150/250 g 目标，独立训练模型还在另外三种容器-流体设置中验证了该公式。
研究提出SERA（自进化机器人智能体）：将高层VLM组织为机器人智能体，通过可编辑执行框架维护任务上下文，并用观测与执行反馈更新上下文以指导后续规划；低层控制由固定的VLA执行器承担。自进化环节通过环境推演提出并评估框架修订，选定配置在留出测试前固定。在RoboMME基准上，SERA自主选择配置的总体成功率为51.38%，无自进化时为44.38%。
研究提出 QSelect 压缩方法，将 AWQ、GPTQ、AutoRound 三类量化检查点按线性模块组合为单一静态低比特模型，并以最终下一词分布打分决定替换。在 DeepSeek-R1-Distill-Qwen-7B、Llama-3.1-8B、Llama-3.2-3B 的 3/4 比特六种设置中，组合模型留出困惑度均低于任一单一家族模型；目标适配模式使两个 Llama 模型 3 比特汇总准确率分别提升 4.3 和 4.5 个百分点。3 比特下未量化嵌入与输出层占打包产物 43-46%，评估仅在地面 GPU 通用基准完成，太空任务与飞行硬件未验证。
研究提出 PAL（Plan first, Act Later）分层记忆框架，用于视觉-语言机器人操作，包含短期视觉缓冲、语义事件记忆和可执行 subtask_list。高层 VLM 将流式视觉观测转为 subtask_list，执行时选取当前相关子任务交给底层 VLA 策略；配套两阶段数据生成，先扩展稀疏更新监督，再用任务落地验证的自标注生成训练数据。在 RoboMME 上成功率达 56.05%，超过最强基线 FrameSamp-Modul 的 44.51%；四项真实操作任务总体成功率 60.83%，高于 MemER 的 45.00% 和 FrameSamp-Modul 的 28.33%。
针对世界动作模型（WAM）的视频与动作目标未显式约束三维几何、而逐点对齐三维基础模型特征又会过度约束紧凑动作特征的问题，论文提出关系几何强制（RGF）：从冻结的三维基础模型迁移几何先验，对齐成对特征关系而非逐点特征。RGF 包含帧内、跨视角、动作-时间三个互补关系目标，仅在训练阶段使用，无需显式几何分支或额外推理模块。仿真与真实世界实验显示，在多种操作场景和 WAM 范式下均取得一致增益。
该论文提出DepState-JEPA，一种基于V-JEPA 2.1的双流RGB-深度联合嵌入预测架构，通过共享潜在状态DepState将空间理解与动作条件预测连接。深度既作为互补观测流，也用于将两种模态锚定在度量三维空间中；射线条件读出无需目标深度即可预测局部特征，动作条件转移后同一解码器预测未来RGB与深度特征。机器人状态读出提供递归本体感受输入，物体轨迹监督与校准正向运动学通过运动目标和关节-TCP一致性塑造状态学习。对比显示RGB-D适配后RGB编码器迁移、特征补全、条件视觉预测和操作成功率均有提升，消融实验识别出深度内容、度量坐标、未来状态匹配的贡献及FK正则化的额外控制增益。
论文提出TIDE（Training In DEployment）人在环在线后训练系统，用来源条件监督学习框架从部署期间的人类干预和策略rollout中在线更新策略，不需要学习critic、奖励模型或动作评分器。在四个真实双臂操作任务上，TIDE在里程碑归一化任务进度和全任务完成率上超过热启动策略及匹配的额外离线演示，与固定策略采集基线相当，且部署期间即可提供更新检查点。每个任务的后训练会话从rollout开始到最终检查点可用不到一小时，学习与检查点处理异步进行。
研究提出SimPT仿真框架，将策略推演、纠正数据采集、策略训练与独立评估整合，实现基于干预的VLA后训练自动化。其Agent-Compiled Progress Graph利用仿真器特权状态跟踪任务进度并保留稳定快照，失败后由CuRobo专家从快照尝试恢复，使恢复尝试次数较固定间隔基线减少75.0%，恢复成功率从93.4%升至98.9%。在七个RoboTwin操作任务上比较RECAP、HG-DAgger、DPO+SFT、FlowPRO四种方法；改进版RECAP-CF-LPF在留出仿真试验中把成功率从76.50%提升至79.36%，在真实机器人以太网线插入任务25个场景中从72%提升至96%。
研究比较了不同生成骨干下世界动作模型（WAM）的泛化性能差异，提出以“冗余正交性”量化表征先验：特征在经验分布内流形之外的视觉变化下保持正交的程度。在多种图像与视频骨干上的实验显示，表征先验的正交性越高，WAM训练后对视觉变化的鲁棒性越强，并可在训练前前瞻性预测策略泛化能力。对鲁棒WAM的分析还发现冗余抑制现象，即对视觉变化引起的特征位移的相对抑制与鲁棒动作生成同时出现。