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 · 2026-10-25
本期导读

本期整理机器人学习、系统与工具的研究进展;各条附来源依据与阅读边界。

8 条内容 · 2 篇重点解读 · 6 条简讯

MuJoCo精读

3.17.0

新增的 Batch API 在独立线程池中并行步进同一模型的多个仿真,每个仿真持有独立积分状态并在调用时加载到 mjData 中;mju_boxQP 求解器现通过 mju_cholUpdate 增量更新 Cholesky 因子;Flex 模块为 1D 柔性体新增弯曲弹性模型,采用无扭转各向同性离散弹性杆,由 positive young 模量启用弯曲弹性,并在使用 discrete 积分器时采用隐式积分。 作者报告该批量接口使内存随线程数扩展,且在任意线程数下结果与单线程循环逐位一致(bit-identical);QP 求解冷启动加速 1.4–1.6 倍,热启动加速 1.9–2.9 倍。

学习与仿真batch_simulationsolver_optimization
开源工具
展开解读与证据

新增的 Batch API 在独立线程池中并行步进同一模型的多个仿真,每个仿真持有独立积分状态并在调用时加载到 mjData 中;mju_boxQP 求解器现通过 mju_cholUpdate 增量更新 Cholesky 因子;Flex 模块为 1D 柔性体新增弯曲弹性模型,采用无扭转各向同性离散弹性杆,由 positive young 模量启用弯曲弹性,并在使用 discrete 积分器时采用隐式积分。 作者报告该批量接口使内存随线程数扩展,且在任意线程数下结果与单线程循环逐位一致(bit-identical);QP 求解冷启动加速 1.4–1.6 倍,热启动加速 1.9–2.9 倍。

为什么值得关注

原生 Batch API 为强化学习训练、大规模并行评测及合成数据生成提供了官方多线程仿真接口,其设计参考了第三方项目 mjbatch;QP 求解加速可直接降低 MPC 或基于优化的控制回路计算开销。

研究问题

MuJoCo 3.17.0 针对批量仿真吞吐与求解器效率进行更新,引入原生 Batch API 以支持多线程并行步进同一模型的多个实例。

方法原理

新增的 Batch API 在独立线程池中并行步进同一模型的多个仿真,每个仿真持有独立积分状态并在调用时加载到 mjData 中;mju_boxQP 求解器现通过 mju_cholUpdate 增量更新 Cholesky 因子;Flex 模块为 1D 柔性体新增弯曲弹性模型,采用无扭转各向同性离散弹性杆,由 positive young 模量启用弯曲弹性,并在使用 discrete 积分器时采用隐式积分。

结果与证据

作者报告该批量接口使内存随线程数扩展,且在任意线程数下结果与单线程循环逐位一致(bit-identical);QP 求解冷启动加速 1.4–1.6 倍,热启动加速 1.9–2.9 倍。

阅读边界
依据本次返回的 Release Notes 节选整理,未核验未返回的章节、附录或独立复现;Batch API 性能数字未在正文中给出具体基准配置。 依据本次返回的正文节选整理,未核验未返回的章节、附录或独立复现。

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…

arXiv 公开检索精读

If at First You Don't Succeed, Backtrack: Lightweight Recovery for Frozen VLAs

Thomas Landeg、Thierry Tambe

Backtrack 在冻结 VLA 上附加一个轻量失败预测头,仅读取策略自身内部表征来估计当前回合是否会失败,无需额外前向传播。 当预测失败概率超过阈值时,控制器暂停策略并回溯机械臂近期已实现的运动轨迹,然后将控制权交还给未修改的原策略重试。 在 LIBERO-Long 长程任务套件上,Backtrack 将 SmolVLA、π0.5 和 π0-FAST 的失败率分别降低 19.0%、30.3% 和 48.2%,成功率最高提升 7.4 个百分点。

模型与系统优化vla_recoveryfailure_detection
论文
展开解读与证据

Backtrack 在冻结 VLA 上附加一个轻量失败预测头,仅读取策略自身内部表征来估计当前回合是否会失败,无需额外前向传播。 当预测失败概率超过阈值时,控制器暂停策略并回溯机械臂近期已实现的运动轨迹,然后将控制权交还给未修改的原策略重试。 在 LIBERO-Long 长程任务套件上,Backtrack 将 SmolVLA、π0.5 和 π0-FAST 的失败率分别降低 19.0%、30.3% 和 48.2%,成功率最高提升 7.4 个百分点。

为什么值得关注

Backtrack 在冻结 VLA 上附加一个轻量失败预测头,仅读取策略自身内部表征来估计当前回合是否会失败,无需额外前向传播。 当预测失败概率超过阈值时,控制器暂停策略并回溯机械臂近期已实现的运动轨迹,然后将控制权交还给未修改的原策略重试。

研究问题

VLA 模型在执行中进入训练数据未覆盖的状态后容易失败,而现有恢复方法通常需要额外演示、重训或独立推理模型。

方法原理

Backtrack 在冻结 VLA 上附加一个轻量失败预测头,仅读取策略自身内部表征来估计当前回合是否会失败,无需额外前向传播。 当预测失败概率超过阈值时,控制器暂停策略并回溯机械臂近期已实现的运动轨迹,然后将控制权交还给未修改的原策略重试。

结果与证据

在 LIBERO-Long 长程任务套件上,Backtrack 将 SmolVLA、π0.5 和 π0-FAST 的失败率分别降低 19.0%、30.3% 和 48.2%,成功率最高提升 7.4 个百分点。

阅读边界
所有实验均在仿真环境(LIBERO 与 MetaWorld)中完成,未在真机上验证;回溯仅近似恢复状态且不还原物体位姿。 依据本次返回的正文节选整理,未核验未返回的章节、附录或独立复现。

作者:Thomas Landeg、Thierry Tambe

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…

AgentVQA 从 23 个源数据集中人工筛选 1000 个具身场景样本,构建覆盖 Web、机器人、自我中心视频、游戏和空间规划五域的离线 VLM Agent 评测基准。 在 22 个被测模型中最佳准确率仅为 58.5%,错误主因是视觉状态接地失败而非逻辑推理缺陷。

更多

依据摘要或发行说明整理,未核验完整正文或独立复现。

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…

Inside-JEPA 在 JEPA 潜空间中嵌入有序实体对的关系通道,并通过逆动力学损失在无关系标签情况下接地这些通道。 在 RH20T 机器人片段的留出任务上,该方法将关系 AUROC 提升 0.081;在 Something-Something V2 上提升 0.065–0.103。

更多

依据摘要或发行说明整理,未核验完整正文或独立复现。

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…

DriveMLP 采用 Expert-Guided RL 策略,以日志专家数据导出的轨迹距离奖励作为纯优化信号训练轻量 MLP 规划器。 在 nuPlan Val14 Reactive 基准上得分 86.51,较此前最优 IL 规划器 Flow Planner 高 3.2 分,且推理速度快 15 倍以上。

更多

依据摘要或发行说明整理,未核验完整正文或独立复现。

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…

RobustRLlib 统一封装 17 种鲁棒 RL 算法并提供涵盖人形与 VLA 任务的增强评测平台,支持 273 种扰动配置的系统评估。

更多

依据摘要或发行说明整理,未核验完整正文或独立复现。

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…

RaSFNet 提出射线对齐几何分布编码与扫描拓扑感知 Mamba 模块,将 LiDAR 扫描特性融入投影式语义分割。 在 SemanticKITTI 和 nuScenes 验证集上分别达到 70.2% 和 77.7% mIoU。

更多

依据摘要或发行说明整理,未核验完整正文或独立复现。

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…

提出一种基于非平稳高斯过程核算子的腱驱动连续体机器人代理模型,直接在 SO(3) 上重建方向以保持材料框架有效性。 相比先前神经算子模型,该方法在使用约 5 倍更少训练设计的情况下精度提高 30–50%,并提供后验不确定性估计。

更多

依据摘要或发行说明整理,未核验完整正文或独立复现。

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…