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 · 2026-11-02
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

HiFOR: Hierarchical Foresight with Action-Guided World Grounding for Vision-Language-Action Model:Figure 1 : Comparison of Foresight VLA Models. (a) Existing methods typically adopt single-horizon foresight and directly feed predictions into VLA models without selective utilization. (b) In contrast, HiFOR combines multi-horizon foresight with action-guided retrieval of relevant future information.
Figure 1 : Comparison of Foresight VLA Models. (a) Existing methods typically adopt single-horizon foresight and directly feed predictions into VLA models without selective utilization. (b) In contrast, HiFOR combines multi-horizon foresight with action-guided retrieval of relevant future information.图源:论文作者 / arXiv
arXiv cs.CV filtered精读

HiFOR: Hierarchical Foresight with Action-Guided World Grounding for Vision-Language-Action Model

Rongxing Ding、Hongyu Qu 等 · 7 位作者

HiFOR框架通过分层依赖掩码联合预测短期状态演化、语义里程碑和最终目标状态,并建立跨时间范围的依赖关系。 行动引导的因子化世界检索机制根据去噪过程中演变的动作表示,从结构化的潜在世界中自适应地检索相关的未来信息以指导动作生成。 在两个仿真基准以及六个真实世界机器人操作任务上的实验展示了HiFOR的效果。

机器人基础模型VLAforesight_prediction
论文
展开解读与证据

HiFOR框架通过分层依赖掩码联合预测短期状态演化、语义里程碑和最终目标状态,并建立跨时间范围的依赖关系。 行动引导的因子化世界检索机制根据去噪过程中演变的动作表示,从结构化的潜在世界中自适应地检索相关的未来信息以指导动作生成。 在两个仿真基准以及六个真实世界机器人操作任务上的实验展示了HiFOR的效果。

为什么值得关注

该方法通过将分层未来建模与行动引导的信息检索相结合,使前瞻预测能更好地支持复杂的机器人操作任务。

研究问题

现有方法通常将短期动态和长期任务目标分开建模,且在未充分考虑其与当前动作需求相关性的情况下直接将预测未来纳入动作策略。

方法原理

HiFOR框架通过分层依赖掩码联合预测短期状态演化、语义里程碑和最终目标状态,并建立跨时间范围的依赖关系。 行动引导的因子化世界检索机制根据去噪过程中演变的动作表示,从结构化的潜在世界中自适应地检索相关的未来信息以指导动作生成。

结果与证据

在两个仿真基准以及六个真实世界机器人操作任务上的实验展示了HiFOR的效果。

阅读边界
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:Rongxing Ding、Hongyu Qu、Kehong Wu、Xudong Wang、Fan Zhang、Xinguang Xiang、Xiangbo Shu

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 cs.RO精读

SpaceAct: Benchmarking 3D Spatial and Temporal Reasoning via Closed-Loop Action and Active Perception

Chenglong Shi、Zekai Yuan 等 · 5 位作者

SpaceAct基准通过积木和机械谜题任务,评估模型在无特权坐标下的主动感知、碰撞检查和静态平衡推理能力。 在44个最难实例上,10个前沿MLLMs的得分跨度为4.8至79.1,其中最强模型仍有显著改进空间。 提供精确3D状态可将顶级模型的碰撞次数从每回合5.2次降至0.5次,表明视觉接地和动作细化是主要瓶颈。

学习与仿真3d_reasoningbenchmark
论文
展开解读与证据

SpaceAct基准通过积木和机械谜题任务,评估模型在无特权坐标下的主动感知、碰撞检查和静态平衡推理能力。 在44个最难实例上,10个前沿MLLMs的得分跨度为4.8至79.1,其中最强模型仍有显著改进空间。 提供精确3D状态可将顶级模型的碰撞次数从每回合5.2次降至0.5次,表明视觉接地和动作细化是主要瓶颈。

为什么值得关注

该基准揭示了当前模型在连续3D几何操作上的局限性,为开发具备主动多视图探索和显式3D接地的具身代理提供了测试平台。

研究问题

现有评估多局限于被动视觉问答或符号规划,缺乏对封闭环物理交互中3D时空推理能力的有效评测。

方法原理

SpaceAct基准通过积木和机械谜题任务,评估模型在无特权坐标下的主动感知、碰撞检查和静态平衡推理能力。

结果与证据

在44个最难实例上,10个前沿MLLMs的得分跨度为4.8至79.1,其中最强模型仍有显著改进空间。 提供精确3D状态可将顶级模型的碰撞次数从每回合5.2次降至0.5次,表明视觉接地和动作细化是主要瓶颈。

阅读边界
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:Chenglong Shi、Zekai Yuan、Yue Song、Jon Pu、Will Wu

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…

CSO是一个两阶段后训练框架,首先通过拒绝采样监督微调将模型的观察-to-技能映射与成功在线轨迹的分布对齐。 第二阶段冻结观察编码器,通过技能策略优化为每个完整技能计算独立的截断重要性比率,以实现稳定高效的更新。 使用轻量级QueST风格策略,CSO将LIBERO的整体成功率从80.1%提高到97.5%,并在五个物理单臂任务中达到61.0%的成功率。

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…

该方法提出一种约束感知强化学习框架,从接触力在线推断可行的提取方向,并结合粒子滤波信念以提供时间整合的方向信息。 在四个真实世界任务(包括废旧空调内叶轮和前盖拆卸)中,完整方法的成功率分别为100%、100%、90%和75%。

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…

研究引入基于直线骨架的算法自动生成两指抓取关键点,并提出SkelGG-CNN架构从骨架引导中学习几何抓取特征。 在Delta并联机器人的真实世界实验中,该方法在单一家庭物体上的成功率为97.4%,在杂乱场景中的成功率为95.0%。

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…

该基准在MuJoCo MJX中的五种3D四足机器人上统一协议运行14种无监督环境设计、域随机化和机器人课程方法。 没有一种方法在所有机器人和地形集上都处于顶级组别,且在三个机器人上,分布内随机地形的领先者并非保留地形的领先者。

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…

SaiVLA-JEPA结合视觉语言模型与扩散Transformer动作专家,并接收来自冻结V-JEPA编码器的特征。 在10,030个配对的LIBERO-Plus剧集上,当前JEPA条件化的成功率约为82.5%,而无JEPA特征时为71.6%。 在评估的训练预算下,额外的未来监督并未带来可检测的总体增益。

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…

基于三年ROS 2 HRI联盟的工程经验,研究提出了关于注意力、知识、承诺、具身时机和行动权威的五个设计教训。 研究引入TRACE,这是一种轻量级审查方法,通过改变一个交互前提并追踪至决策或执行边界,产生可操作的架构发现。

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…