中央广播电视总台首届机器人登山赛于11月2日在泰山开赛，赛道为3100级石阶。赛前，人形机器人在同一段磨损石阶上进行了训练。帖文同时提到人形机器人与机器狗两类参赛形态，并附有视频链接。
机器人行业洞察
今日精选
The robotics journal行业消息
AGIBOT 发布具身基础模型 GO-3 Preview，覆盖预训练、后训练与部署后全生命周期的大规模学习。该模型支持机器人在部署后继续学习，把真实作业数据回流为训练数据。AGIBOT 称其在三个具身智能基准测试中排名第一，并计划于 2026 年底前完全开源。
Google、UCLA与CMU联合论文提出GenXR-Bench，含112个专家编写的XR功能开发、缺陷修复与完整应用构建任务，测试模拟手部与房间输入，与使用真实头显的盲测XR专家一致率为96.5%。评测显示Claude Opus 5以50.9%领先，但无模型在SDK功能任务上超过29.2%；失败运行中64.4%出现坐标系错误，44.9%出现启动竞态条件。作者建议用模拟手部与房间输入验证智能体产出的XR应用，因智能体自写单元测试常漏掉运行时缺陷。
谷歌DeepMind论文披露，4个基于Gemini 4 Argon的通用编程智能体仅获得「击败末影龙」这一目标和一个把JavaScript转为游戏动作的标准库，无角色分配、无专用游戏工具，靠聊天与共享笔记自行分工。在简单难度随机世界中，它们用27小时14分钟击杀末影龙，共编写2783个程序、死亡605次。论文称这是单次运行，成功率尚不明确，并建议长周期任务可先尝试带普通API与共享记忆的通用编程智能体。
Manifold AI 提出 WorldScape R²SI 框架，由内层 Robot Agent 按任务专用技能执行动作，外层 Recursion Agent 审查执行记录、修订技能，并在任务用到反应式动作模型时重新训练该模型，更新须通过测试才发布。来源报告称其在 RoboDojo Agent Track 排名第一，领先 GPT-6 Astra 与 GR00T-N1.7。push_T 示例中，技能修订把最初超预算的 723 步尝试降到成功的 596 步，同一布局再降至 389 步；冻结技能后三个随机布局分别用 222、312、256 步完成，均在 600 步预算内。
据Robotaxi Tracker数据，截至10月18日的一周内，特斯拉无人驾驶Robotaxi在奥斯汀行驶43.8万英里，超过Waymo第二季度在该市每周40.6万英里的平均水平。马斯克就此表示“这从来就不是一场真正的较量”。Waymo在其全部运营市场仍保持领先，但在奥斯汀的单周里程上被特斯拉超越。
研究团队在Idealworks的iw.hub差速驱动机器人与全向人形移动平台（HMP）上，测试NVIDIA X-Mobility与COMPASS学习型导航工作流的sim-to-real可靠性，并构建Idealworks研发中心数字孪生。在数字孪生中微调X-Mobility并加入NVIDIA Cosmos生成的sim-to-real增强数据后，策略部署于iw.hub板载Jetson AGX Xavier，在真实研发中心四个场景的成功率由65.3%升至91.7%，加权行驶时间较仅仿真训练近乎减半，与现有生产导航栈差距8.3个百分点，且全程板载运行；配合全局规划器可在每次试验中到达远处被遮挡目标。
研究团队提出世界动作模型 VPP2，通过整理大规模多样化操作视频数据集，对基础视频模型进行事件级继续预训练，并将其蒸馏为固定预测时域的单步视觉规划器，再以混合 Transformer（MoT）架构接入动作模块学习隐式逆动力学。实验显示，VPP2-14B 在开放式任务视频预测指令遵循成功率上比 Cosmos3-64B 高 11.0 个百分点；在真实世界零样本 ALOHA 操作任务上比最强基线高 18.5 个百分点；经基准特定后训练后，在 LIBERO-Pro、LIBERO-OOD 与 RoboDojo 上取得所评估方法中的最高成功率。
研究团队提出 IG-VLA 视觉-语言-动作推理框架，其潜在时空推理直接在视觉表征空间想象与任务相关的未来场景演化以指导动作预测，避免像素级视频生成；场景要旨记忆把推理得到的场景-行为关联压缩为场景要旨 token，使推理阶段无需显式未来想象。在 LIBERO、LIBERO-Plus、VLABench 上测试，LIBERO-Plus 语言套件中推理策略与要旨策略成功率均比最强基线高近 6%；要旨策略在单块 NVIDIA A6000 上实现最高 6.38 倍加速，每动作块推理延迟从 1081ms 降至 169.5ms。
研究团队发布 JRDB-AVR 基准，基于真实世界 JRDB 机器人数据，通过结构化问题生成引擎构建，要求具身智能体按时间戳和视角请求有界观察，并同时评估最终答案与支撑该答案的视觉证据。基准问题覆盖时间搜索、视角选择和面向人类的组合推理。团队同时提出参考方法 JRDB-AVR-Agent，维护显式的、基于观察的图结构世界模型并通过求解作答。实验显示当前基线答案准确率与证据准确率存在显著差距，VLM 可给出缺乏证据支持的正确答案。代码与基准已在 GitHub 开源。
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。
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。
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。
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%。
研究团队发布 IndustryNav 仿真环境，包含 24 个仓库场景，用于闭环导航至指定目的地，并引入安全感知指标记录每条轨迹的碰撞与近碰撞预警。对 11 个开源与闭源视觉大语言模型及 3 个导航基线的实验显示，智能体能够抵达目标，但会与移动障碍物发生碰撞，说明任务成功与安全导航之间存在差距。该环境还通过自动 oracle 轨迹与仿真器交互支持策略学习，并保留部分场景用于泛化测试；实验表明策略可在熟悉的仓库中完成新路线，却无法迁移到保留布局，跨场景泛化仍是待解问题。
研究团队提出自动生成机器人规划与执行故障的框架：对成功操作轨迹施加扰动，合成贴近真实分布的故障，并用视觉语言模型生成结构化逐步推理轨迹，构建出基于 RLBench 仿真器与 BridgeDataV2 真实机器人数据集的 GuardianFail-36k 故障推理数据集。基于该数据集训练的 Guardian 是面向统一规划与执行验证的多视角推理 VLM，在 RoboFail、RoboVQA 及新提出的 UR5-Fail 三个未见真实世界基准上取得最先进性能；与基于 LLM 的操作策略集成后，在仿真和真实部署中均持续提升任务成功率。代码、数据与模型已公开。
研究者提出 EAST 数字孪生框架，将文献中的安全证据转化为覆盖感知、指令、环境、动作与时序的故障注入测试，包含经专家评审的安全故障分类体系和8个可执行算子。在6个 RoboTwin 操作任务及 ACT、RDT 两种策略架构上，五轮对比实验覆盖全部74个任务-策略-算子组合，其中63个获得有效证据，安全挑战暴露率接近 Random-Legal 与 Rule-Based 方法。另有82次有效执行在违反安全要求的情况下仍完成任务，显示以任务成功为导向的评估会掩盖风险。
arXiv 2610.35832v1 发布技术报告，在EBench上评测GPT-6-Astra作为机器人智能体核心，采用与后训练策略相同的视觉与本体感知观测协议。直接控制配置下，智能体直接生成路点命令，整体表现与后训练策略相当，短时程任务领先且跨泛化维度波动最小，但在长时程任务、桌面操作和高精度接触密集任务上落后。带策略的框架允许调用后训练VLA或WAM策略执行动作，整体成功率提升至最强对比策略水平并大幅降低token成本，但因策略调用不理想、固定指令无子目标、恢复控制时抓取被打断，仍低于各组件逐任务上限。