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 · 移动操作实机适配与交互仿真场景
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。本期选择HiRe-MoMa的实机移动操作适配方法和PhySGA的交互仿真装配框架。两条均依据固定v1论文正文节选,分别说明TIAGo++实机平台与Isaac Sim仿真环境,避免跨场景外推。

9 条内容 · 2 篇重点解读 · 7 条简讯

Hierarchical Residual Policy Learning for Real-World Mobile Manipulation with Sparse Human Guidance:Figure 1: HiRe-MoMa System Overview. (a) Training Paradigm: A real-world dual-unit configuration consisting of an onboard controller for real-time interaction and a computing unit for policy optimization and action prediction. (b) Coordinated Execution: The red dashed lines illustrate the stringent spatiotemporal precision required for base-arm synchronization. In mobile manipulation, marginal tra
Figure 1: HiRe-MoMa System Overview. (a) Training Paradigm: A real-world dual-unit configuration consisting of an onboard controller for real-time interaction and a computing unit for policy optimization and action prediction. (b) Coordinated Execution: The red dashed lines illustrate the stringent spatiotemporal precision required for base-arm synchronization. In mobile manipulation, marginal tra图源:论文作者 / arXiv
arXiv cs.LG filtered精读

Hierarchical Residual Policy Learning for Real-World Mobile Manipulation with Sparse Human Guidance

Zhefei Gong、Hefeifei Jiang 等 · 4 位作者

HiRe-MoMa在冻结基策略上学习残差校正,把移动底座与机械臂的残差头分开,并以单向条件连接。所读论文节选描述了TIAGo++平台上的实机移动操作微调,并借助稀疏人工干预指导探索。

学习与仿真移动操作实机策略适配
论文
展开解读与证据

HiRe-MoMa在冻结基策略上学习残差校正,把移动底座与机械臂的残差头分开,并以单向条件连接。所读论文节选描述了TIAGo++平台上的实机移动操作微调,并借助稀疏人工干预指导探索。

为什么值得关注

底座与机械臂耦合时,残差结构如何利用已有策略、如何协调两个模块,是规划实机适配实验时值得拆开检查的问题。该工作提供了相应的方法阅读线索。

研究问题

Mobile Manipulation(MoMa)在真实世界中微调困难,源于高维动作空间与异构模块(如移动底座与机械臂)间的强耦合,导致梯度干扰与精度不足。

方法原理

HiRe-MoMa采用分层残差架构:Policy-Agnostic Residual在冻结基策略上学习加性修正;Hierarchical Decoupling将残差拆分为移动底座与机械臂两个独立头,并施加单向条件(臂头依赖底座修正),对齐物理层级;Expert-Guided Value Alignment利用少于20%数据的人工干预重塑critic价值曲面,引导自主探索。

结果与证据

在TIAGo++平台上,仅需约30分钟在线交互,HiRe-MoMa即可稳定提升任务性能,且适用于不同基策略(如Diffusion Policy与ACT)。据作者称,这是首批支持真实世界高效机器人本体微调的框架之一。

阅读边界
只读固定v1正文前18,000字符;训练步数、墙钟时间、人工干预占比和任务成功率应按具体实验设置分别比较,不能将单个平台的描述推广到任意移动操作系统。本次未复现或运行策略。

作者:Zhefei Gong、Hefeifei Jiang、Zehao Wang、Jiachen Li

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…

PhySGA: A Physics-Space Grounded Agentic Framework for Generalizable and Interactive 3D Composition:Figure 2 : Overview of the PhySGA framework. Driven by a collaborative Feedforward-Feedback architecture, the Assembly Agent executes metric-grounded coarse adjustments, while the Critic Agent performs pixel-grounded fine-grained corrections via simulation feedback. Action Routers translate these semantic decisions into decoupled physical commands, and a Self-Evolving Skill Library distills succes
Figure 2 : Overview of the PhySGA framework. Driven by a collaborative Feedforward-Feedback architecture, the Assembly Agent executes metric-grounded coarse adjustments, while the Critic Agent performs pixel-grounded fine-grained corrections via simulation feedback. Action Routers translate these semantic decisions into decoupled physical commands, and a Self-Evolving Skill Library distills succes图源:论文作者 / arXiv
arXiv cs.CV filtered精读

PhySGA: A Physics-Space Grounded Agentic Framework for Generalizable and Interactive 3D Composition

Weichen Lyu、Chong Xia 等 · 6 位作者

PhySGA把三维物体组合变成仿真中的反复装配:Assembly Agent负责几何与运动学粗规划,Critic Agent根据接触动力学诊断状态并细调,Action Router把语义操作转为可执行物理原语。论文节选中的实验环境是Isaac Sim。

学习与仿真仿真场景生成物理反馈
论文
展开解读与证据

PhySGA把三维物体组合变成仿真中的反复装配:Assembly Agent负责几何与运动学粗规划,Critic Agent根据接触动力学诊断状态并细调,Action Router把语义操作转为可执行物理原语。论文节选中的实验环境是Isaac Sim。

为什么值得关注

为机器人搭建交互仿真场景时,只生成视觉上合理的布局不够;把规划、物理反馈和可执行操作放入同一循环,是值得对照现有场景生成管线考察的设计。

研究问题

现有3D物体组合方法依赖静态数字先验(如语言模型坐标预测或扩散图像对齐),难以处理需交互过程的任务(如精确悬挂、重力沉降、隐藏容纳),因其要求全局规划、细粒度对齐与物理仿真。

方法原理

PhySGA构建物理空间锚定的代理框架:Assembly Agent进行几何/运动学推理以生成全局步骤计划与粗调;Critic Agent基于接触动力学分析仿真状态并执行像素级闭环细调;Action Routers将语义规划映射为仿真内可执行的物理原语;Self-Evolving Skill Library从试错中提炼可复用技能。

结果与证据

在Isaac Sim中,PhySGA在刚性、铰接与可变形物体任务上,显著超越现有方法,在关系保真度、物理合理性与视觉质量三方面均表现更优。

阅读边界
只读固定v1正文前18,000字符;本条依据仿真中的装配框架与实验描述,不推断真机装配能力、安全保证或实际部署效率,也不引用未经逐表核对的性能数值。本次未复现。

作者:Weichen Lyu、Chong Xia、Mingyu Dong、Long Xu、Shengjun Zhang、Yueqi Duan

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…

这项上肢康复控制工作把 EEG心理参与度与表面肌电反映的身体参与度结合,借助模糊决策引擎调整外骨骼的阻抗辅助策略。

更多

仅依据作者摘要整理;正文、实验细节及代码可用性尚未核验。

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…

AVALON让室内服务机器人利用人提供的平面图、地点线索与初始对齐建立分层拓扑记忆,并通过节点验证及人机共同更新支持导航。

更多

仅依据作者摘要整理;正文、实验细节及代码可用性尚未核验。

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…

这项按需辅助控制工作将运动意图与自主力矩能力分别在线估计,再通过归因门区分两类变化,用于调整上肢机器人的辅助。

更多

仅依据作者摘要整理;正文、实验细节及代码可用性尚未核验。

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…

这项多教师蒸馏方法让多个专门化 VLA共同监督一个学生,同时覆盖学生产生的环境观察与动作流中间状态,以缓解部署时的分布偏移。

更多

仅依据作者摘要整理;正文、实验细节及代码可用性尚未核验。

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…

TRACE面向 Unitree G1的人形动作生成与对话编辑,用可测量的运动学条件和相对参考动作的编辑目标约束扩散生成。

更多

仅依据作者摘要整理;正文、实验细节及代码可用性尚未核验。

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…

SafeDriveVLA研究语言导航指令与驾驶场景冲突时的决策,将导航服从模式预测与动作生成解耦,并引入导航条件化的世界模型预测。

更多

仅依据作者摘要整理;正文、实验细节及代码可用性尚未核验。

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…

这项工作用线性自编码器压缩人形控制网络的参数,再以潜在扩散模型学习权重分布,探索直接生成可执行控制网络。

更多

仅依据作者摘要整理;正文、实验细节及代码可用性尚未核验。

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…