Embodied AI Daily具身智能科研日报

具身智能早报

关注机器人研究、开源与产业的新进展

‹ ›
具身智能日报 · 2026-10-09
本期导读

本期于2026-10-18按新要求重编,各条保留原始发布日期。长时序策略的推理延迟、触觉融合的仿真与实机评测,以及 VLA 指令稳健性与机器人硬件协同。

15 条内容 · 5 篇重点解读 · 10 条简讯

Long-WAM: Scaling the Context of World-Action Models:Figure 1 : Overview of Long-WAM. (1) AR video pretraining. LongLive2.0-Robot learns predictive dynamics from approximately 10,000 window-equivalent hours of robot and egocentric videos. (2) Causal-to-causal adaptation. We preserve causal video dependencies while conditioning action-chunk denoising on observed history. (3) Context scaling. Relative to current-observation-only control, success increases from 63.3% to 78.7% on RoboCasa GR-1 and f
Figure 1 : Overview of Long-WAM. (1) AR video pretraining. LongLive2.0-Robot learns predictive dynamics from approximately 10,000 window-equivalent hours of robot and egocentric videos. (2) Causal-to-causal adaptation. We preserve causal video dependencies while conditioning action-chunk denoising on observed history. (3) Context scaling. Relative to current-observation-only control, success incre图源:论文作者 / arXiv
arXiv cs.RO精读

Long-WAM: Scaling the Context of World-Action Models

Long-WAM 研究机器人如何真正用好视觉历史,并把记忆收益与在线推理延迟一起评估。

模型与系统优化世界模型长时序记忆
Project / Paper
展开解读与证据

Long-WAM 研究机器人如何真正用好视觉历史,并把记忆收益与在线推理延迟一起评估。

为什么值得关注

扩展策略历史窗口时,值得同时测量预训练方式、有效历史长度和闭环延迟,不能只比较模型能装下多少帧。

研究问题

单帧观察难以判断物体运动和任务进度,更多历史又会拖慢控制。

方法原理

作者先用机器人与第一视角视频做自回归预测预训练,再保持“历史预测未来”的结构接入动作专家;动作由已观测历史和预测的未来表示共同决定。

结果与证据

在 RoboCasa GR-1,历史由 0 增至 19.2 秒时,作者报告成功率从 63.3% 升到 78.7%,提高 15.4 个百分点;双向预训练初始化没有同样收益。G1 动态叠杯为 19/20 次成功,但这是特定任务的小样本实机实验。

阅读边界
已核对项目页、论文方法、实验表 6 与附录 G;未复现。速度依赖硬件、上下文和去噪设置,不等同机器人控制频率;项目链接也不代表已核验全部训练资源可用。

追问 / 纠错 / 阅读偏好 · 交给 Agent

评论 · —

昵称自填。评论会展示给其他读者,请勿填写私人信息。

正在读取评论…

Rephrase Before You Act: Characterizing and Mitigating Language Sensitivity in Vision-Language-Action Models:Fig. 1 : Method overview. Evidence gathering : a VLM rephrases each training task, and the frozen VLA’s rollout success on each phrasing forms the evidence 𝒟 \mathcal{D} . Rule distillation : an LLM distills 𝒟 \mathcal{D} , once and offline, into 10–20 explicit phrasing rules R R . Rule application : at deployment a VLM conditioned on R R rewrites each incoming instruction once ( f R f_{R
Fig. 1 : Method overview. Evidence gathering : a VLM rephrases each training task, and the frozen VLA’s rollout success on each phrasing forms the evidence 𝒟 \mathcal{D} . Rule distillation : an LLM distills 𝒟 \mathcal{D} , once and offline, into 10–20 explicit phrasing rules R R . Rule application : at deployment a VLM conditioned on R R rewrites each incoming instruction once ( f R f_{R} ) befor图源:论文作者 / arXiv
arXiv cs.RO精读

Rephrase Before You Act: Characterizing and Mitigating Language Sensitivity in Vision-Language-Action Models

同义指令可能让同一 VLA 表现差很多;这项研究通过实测后提炼改写规则,改善冻结策略的输入。

机器人基础模型VLA语言稳健性
Paper
展开解读与证据

同义指令可能让同一 VLA 表现差很多;这项研究通过实测后提炼改写规则,改善冻结策略的输入。

为什么值得关注

评测策略泛化时,应控制指令措辞这一变量;否则语言匹配失败容易被误读为物理技能不足。

研究问题

作者固定场景和随机种子,比较仅改一个词的指令。在 LIBERO 炉灶任务中,π0.5 对两个同义名称的成功率分别为 100% 和 2%。这说明语言模型的通用语义能力未必完整保留在动作策略中。

方法原理

先在少量任务上测量多种表述的效果,再让语言模型把证据提炼为 10–20 条规则。部署时每条指令只改写一次,底层策略保持冻结,也不在每一步动作中额外检查。规则来自试验结果,而非随意润色提示词。

结果与证据

在 12 个留出 Bridge 任务的对抗与自然表述上,作者报告 π0 的相对提升为 16%–27%。π0.5 在已训练的 LIBERO 任务上由 93.6% 升到 97.8%;对未训练任务的变化仅 −0.5 至 +0.3 个百分点,未显著改善,不能宣称普遍解决新任务泛化。

阅读边界
已读摘要和项目页方法、结果、失败边界;未复现。评测为 Bridge 与 LIBERO 仿真中的指定模型和任务,未验证实机、中文指令或其他策略能取得同样收益。

追问 / 纠错 / 阅读偏好 · 交给 Agent

评论 · —

昵称自填。评论会展示给其他读者,请勿填写私人信息。

正在读取评论…

OpenViTac: Learning and Benchmarking Visuo-Tactile Policies in a Unified Sim-and-Real Framework:Figure 1 : Overview of OpenViTac. OpenViTac establishes a unified benchmark for visuo-tactile manipulation, spanning four complementary capability dimensions: physical-property perception, fragility-aware interaction, contact-rich manipulation, and precision manipulation. It provides task-corresponding simulation and real-world settings with aligned assets, supports multiple gripper configurations and
Figure 1 : Overview of OpenViTac. OpenViTac establishes a unified benchmark for visuo-tactile manipulation, spanning four complementary capability dimensions: physical-property perception, fragility-aware interaction, contact-rich manipulation, and precision manipulation. It provides task-corresponding simulation and real-world settings with aligned assets, supports multiple gripper configurations图源:论文作者 / arXiv
arXiv cs.RO精读

OpenViTac: Learning and Benchmarking Visuo-Tactile Policies in a Unified Sim-and-Real Framework

OpenViTac 用对应的仿真与实机任务,检验触觉何时能帮助视觉动作策略,以及该怎样接入。

学习与仿真视觉触觉仿真与实机
Project / Paper
展开解读与证据

OpenViTac 用对应的仿真与实机任务,检验触觉何时能帮助视觉动作策略,以及该怎样接入。

为什么值得关注

它提供了把“增加触觉是否有用”拆成表示、融合位置与训练数据三个变量进行对照的实验范式。

研究问题

视觉难以直接判断重量、脆弱性或接触状态。基准覆盖物理属性感知、易损物交互、接触操作和精密操作,提供 11 个仿真任务,其中 8 个有对应实机任务,便于比较同一目标下的跨域表现。

方法原理

作者比较四种触觉表示与五种接入方式。OpenVTLA 用 AnyTouch2 编码一段触觉历史,再把得到的 token 投影到视觉语言模型维度并接入 π0.5 输入;它保留原有动作路径,没有另加触觉专家。

结果与证据

作者报告 OpenVTLA 仿真平均成功率 68.7%、实机 54.6%。在 USB 插入与齿轮装配两项任务中,每项 100 条真实示范再加入 500 条仿真示范,成功率分别由 20%→40%、50%→60%。这支持补充仿真数据的价值,但不等于所有任务都提高 15 个百分点。

阅读边界
核对了项目页与论文评测、方法和混合训练章节,未复现。报告中的策略按单任务训练;不能据此声称已获得一个覆盖全部任务的通用触觉策略,亦未核验完整代码和数据包。

追问 / 纠错 / 阅读偏好 · 交给 Agent

评论 · —

昵称自填。评论会展示给其他读者,请勿填写私人信息。

正在读取评论…

HuMBLE: Human Motion-Driven Behavior Learning for Embodied Locomotion:Figure 1 : Summary of hardware results from HuMBLE . (A) Human-like steerable locomotion on the Boston Dynamics Atlas R1 was demonstrated live to the public on stage. (B) The Atlas R1 robot following real-time user steering commands that vary continuously in speed and direction while maintaining stylistic consistency with the human reference motion dataset. (C) The Atlas D1 robot performs backward walking, circling, and sidest
Figure 1 : Summary of hardware results from HuMBLE . (A) Human-like steerable locomotion on the Boston Dynamics Atlas R1 was demonstrated live to the public on stage. (B) The Atlas R1 robot following real-time user steering commands that vary continuously in speed and direction while maintaining stylistic consistency with the human reference motion dataset. (C) The Atlas D1 robot performs backward图源:论文作者 / arXiv
arXiv cs.RO精读

HuMBLE: Human Motion-Driven Behavior Learning for Embodied Locomotion

HuMBLE 把“学得像人”和“响应更多运动指令”分成两阶段训练,兼顾自然步态与可控性。

学习与仿真模仿学习强化学习
Paper
展开解读与证据

HuMBLE 把“学得像人”和“响应更多运动指令”分成两阶段训练,兼顾自然步态与可控性。

为什么值得关注

可借鉴其对照设计:分别衡量动作风格、指令覆盖和抗扰,而不只以演示是否自然判断策略质量。

研究问题

只优化速度跟踪容易产生机械步态;紧贴人类动作数据又容易在数据外的速度和方向组合上失败。论文希望用轻量控制策略兼顾这两项要求。

方法原理

先训练能看到完整参考动作的教师,再蒸馏出只接收自身状态与平面速度指令的学生。随后用多任务强化学习扩大指令覆盖,同时保留参考动作任务约束风格,避免微调后丢失自然动作。

结果与证据

作者在 Atlas R1、Atlas D1 与 Unitree G1 上展示控制,并用消融比较单阶段训练与两阶段方法。部署无需逐帧参考动作;不过论文明确主要研究平地行走,复杂楼梯、攀爬还需要新动作数据与环境感知。

阅读边界
已读论文方法、消融与局限章节,未复现或核验资源下载;多平台展示不意味着同一权重可以直接用于任意机器人。

追问 / 纠错 / 阅读偏好 · 交给 Agent

评论 · —

昵称自填。评论会展示给其他读者,请勿填写私人信息。

正在读取评论…

Boston Dynamics精读

Robot Hands for Modern AI and Real Work

Atlas 新手部把四指、13 个自由度与触觉结合,围绕工具操作和可仿真性设计。

机器人硬件灵巧操作触觉
Blog
展开解读与证据

Atlas 新手部把四指、13 个自由度与触觉结合,围绕工具操作和可仿真性设计。

为什么值得关注

做灵巧操作时,硬件能否准确仿真、感知接触并承受碰撞,会直接影响策略学习与迁移。

研究问题

上一代七自由度手侧重抓取,新一代增加拇指与其余手指的独立运动能力,并在指尖和掌部布置压力触觉传感器。设计目标包括手内调整物体,以及握住工具时操作扳机。

方法原理

团队强调低摩擦、可反驱的传动:外力更容易通过关节反馈,也更容易建立可信动力学模型。训练在仿真中改变摩擦、扭矩和扰动,再迁移到实机。

结果与证据

官方提供结构说明和初步动态操作演示,支持“硬件与控制协同设计”的研究思路;未给统一任务成功率或寿命对照,尚不能据此认定四指普遍优于五指。

阅读边界
依据官方文章与演示说明,未独立实验;官网未标首发日期。IEEE RAS 的 10 月 1 日报道仅用于确认当时已公开。

证据来源

证据 1 ↗

追问 / 纠错 / 阅读偏好 · 交给 Agent

评论 · —

昵称自填。评论会展示给其他读者,请勿填写私人信息。

正在读取评论…

将画线、目标点等稀疏指引转成动作草稿,在扩散或流匹配策略生成时施加引导;作者还用纠正后的轨迹继续训练。仅核验摘要,未复现实机结果。

更多

仅阅读摘要,未复现实验。

追问 / 纠错 / 阅读偏好 · 交给 Agent

评论 · —

昵称自填。评论会展示给其他读者,请勿填写私人信息。

正在读取评论…

用 84 项仿真任务评测多模态 Agent 调用机器人接口的能力,关注状态丢失、纠错滞后与误判完成等失败。仅依据摘要,不等同实机可靠性评测。

更多

仅阅读摘要,未复现实验。

追问 / 纠错 / 阅读偏好 · 交给 Agent

评论 · —

昵称自填。评论会展示给其他读者,请勿填写私人信息。

正在读取评论…

Ledger 是一种持久化 3D 物体记忆方法,从第一人称视频中构建物体位置、历史与上下文描述的联合表征,支持跨视角保留未接触物体、基于静止位置聚类观测、延迟确认位移以抑制定位噪声,并用简短描述保存内容/支撑面等细节;在 HD-EPIC、UCS-Bench 和 Ego4D 上分别提升准确率或降低定位误差。

更多

仅依据摘要;未核验正文中的实验设置(如视频时长、人物数量、训练数据划分)、消融细节(各模块贡献度)、失败分析(如100 stitched streams中 retrieval/construction 的具体失败模式)及代码/模型实际可用性。

追问 / 纠错 / 阅读偏好 · 交给 Agent

评论 · —

昵称自填。评论会展示给其他读者,请勿填写私人信息。

正在读取评论…

RoboJEPA 是首个建立多具身机器人世界模型缩放律的工作,基于 JEPA 架构,在覆盖 12 种机器人实体的大规模真实机器人数据上训练;其想象误差遵循计算量的二阶幂律,可外推预测模型质量;该误差与下游规划性能强相关,可作为真机评估代理;8B 参数模型支持零样本部署于真实硬件完成长程规划任务。

更多

仅依据摘要;未核验正文中的缩放律拟合细节(如 compute 定义、拟合范围)、真实硬件任务类型与成功率、8B 模型推理延迟/内存占用,以及 released checkpoints 的完整性与可用性。

追问 / 纠错 / 阅读偏好 · 交给 Agent

评论 · —

昵称自填。评论会展示给其他读者,请勿填写私人信息。

正在读取评论…

提出因子化解析触觉表征与控制框架,将法向力与接触区域映射为可从传感器读数恢复的有效接触响应,并解耦为接触几何、力分布与时间变化三部分;Tactile Gated Policy 独立保持各表示并通过掩码配置泛化;在仿真与真实世界中实现亚毫米级接触定位、1.69N 力跟踪误差及对抗性插销任务 35% 成功率提升。

更多

仅依据摘要;未核验正文中的具体传感器型号、仿真环境细节(MuJoCo/PyBullet)、真实硬件平台、各因子化组件的实际编码方式,以及 35% 提升所对应的基线具体实现。

追问 / 纠错 / 阅读偏好 · 交给 Agent

评论 · —

昵称自填。评论会展示给其他读者,请勿填写私人信息。

正在读取评论…

Agentic RSR 框架统一真实工作空间视频重建、策略开发与真实机器人执行:通过视觉反馈迭代优化 MuJoCo 场景,编码代理生成从特权姿态到视觉观测的可执行策略,并支持多观测-动作交织;共享任务接口将策略与经验迁移到真实机器人,实现实验中 80% 的仿真成功率保留率。

更多

仅依据摘要;未核验正文中的视频输入格式与时长、18 个重建场景的具体构成(如物体种类/遮挡程度)、策略生成的代码生成方式、真实机器人平台型号及安全检查机制,以及 80% 成功率保留率对应的具体任务集合。

追问 / 纠错 / 阅读偏好 · 交给 Agent

评论 · —

昵称自填。评论会展示给其他读者,请勿填写私人信息。

正在读取评论…

提出基于释放状态建模的机器人回旋镖投掷框架:分阶段识别飞行动力学以预测设计变化影响;筛选对不确定接触条件鲁棒的参数以控制系统释放自旋;为 6 自由度机械臂设计运动与回旋镖,首次实现机器人操纵器生成返回式飞行;演示中释放角速度 51 rad/s,飞行最远 2.03 m,返回落点距基座 0.31 m,且成功释放策略显著异于人类投掷。

更多

仅依据摘要;未核验正文中的回旋镖具体气动参数、6-DoF 机械臂型号与关节限速值、释放状态建模的数学形式、三次演示的重复性,以及项目页(robot-boomerang.github.io)中是否包含完整代码/数据。

追问 / 纠错 / 阅读偏好 · 交给 Agent

评论 · —

昵称自填。评论会展示给其他读者,请勿填写私人信息。

正在读取评论…

CMP-IRRT* 是一种感知辅助的高度自适应规划器,基于 Channel Mamba PointNet 引导的 Informed RRT*,利用顶视 RGB 观测生成地面相对高度图,进行高度条件碰撞检测(高障碍阻塞、低障碍可穿越),并用 CMP 引导采样;在基准测试中减少探索节点与迭代次数,在可穿越低障碍场景中路径长度最多减少 16.3%,Unitree Go2 演示了绕行与穿越行为。

更多

仅依据摘要;未核验正文中的具体感知模块架构(如 Mamba 层数/维度)、CMP 引导机制实现细节、2D 规划基准名称与规模、16.3% 路径缩短对应的具体场景配置,以及 Unitree Go2 演示的视频/代码是否已公开。

追问 / 纠错 / 阅读偏好 · 交给 Agent

评论 · —

昵称自填。评论会展示给其他读者,请勿填写私人信息。

正在读取评论…

LLA-MPPI 是一种快速自适应全身控制器,将整机适应转化为从 GPU 批处理接触模拟器库中选择物理/结构参数不同的模型;窗口化预测误差选择最佳解释近期运动的模拟器;MPPI 规划器通过选定模型优化控制;无需离线训练,所选假设具物理可解释性;仿真中成功率 97.5%(基线最高 74%,理想模型 98.5%),Unitree Go2 硬件验证包括负载突增、单腿失效、动态增重推箱。

更多

仅依据摘要;未核验正文中的模拟器库具体参数范围、窗口大小与预测误差计算方式、MPPI 具体超参数、97.5% 成功率对应的任务列表与失败案例,以及硬件验证视频/代码是否已发布。

追问 / 纠错 / 阅读偏好 · 交给 Agent

评论 · —

昵称自填。评论会展示给其他读者,请勿填写私人信息。

正在读取评论…

FoldBack 是首个统一编辑全轨迹策略的自校正掩码生成策略,针对长时程衣物折叠:围绕三个推理时决策(何时精炼验证、如何回滚、何处重试)构建恢复机制;与拾放事件对齐精炼与抓取验证,返回可重试预抓取构型并保留成功抓取,选择性重生成失败段及未来动作;在 33 种真实衣物上实现 75.2% 折叠成功率(基线 45.7%)。

更多

仅依据摘要;未核验正文中的掩码生成模型架构、三个决策的具体触发逻辑、33 种衣物的材质/尺寸分布、75.2% 成功率的统计置信度,以及代码/权重是否已开源。

追问 / 纠错 / 阅读偏好 · 交给 Agent

评论 · —

昵称自填。评论会展示给其他读者,请勿填写私人信息。

正在读取评论…