跳转至

🤖 机器人/具身智能

💬 EMNLP2026 · 7 篇论文解读

📌 同领域跨会议浏览: 🧠 NeurIPS2026 (131) · 🎞️ ECCV2026 (135) · 📷 CVPR2026 (163) · 🔬 ICLR2026 (166) · 💬 ACL2026 (11) · 🧪 ICML2026 (54)

🔥 高频主题: 机器人 ×2

Inferring the Unspoken: Aligning Embodied Agents with Implicit Preferences

针对具身智能体面对欠指定自然语言指令时难以满足用户个性化隐式偏好的难题,本文提出了涵盖 290 项偏好的 PBP 评估基准,并设计了两阶段框架 InTU,通过显式语言化推断隐式偏好后再行规划,揭示了具身对齐瓶颈在于偏好获取而非下游规划。

IntentVLA: Short-Horizon Intent Modeling for Aliased Robot Manipulation

针对部分可观测下当前帧多义性(observation aliasing)导致分块策略频繁跳变意图的问题,IntentVLA 从近期视觉历史中提取紧凑的相机与寄存器 token,通过门控交叉注意力与全局意图 token 注入 Qwen3-VL 上下文来引导 DiT 流匹配动作头,在 AliasBench、SimplerEnv、LIBERO 及双臂实机抓取任务上显著提升了操作成功率与动作轨迹的一致性。

LIBERO-Para: A Diagnostic Benchmark and Metrics for Paraphrase Robustness in VLA Models

本文提出了首个细粒度解耦动作与物体维度的 VLA 复述鲁棒性诊断基准 LIBERO-Para 与难度感知综合指标 PRIDE,系统揭示了 VLA 模型在下游微调下面临 22–52 百分点的普遍性能骤降,证实物体视觉接地缺陷是核心瓶颈,且 80–96% 的失败源于高层任务识别引起的规划发散。

LookStep: Efficient Vision-Language Navigation with Linguistic Foresight and Event Driven Memory

针对连续视觉语言导航中下步动作直接模仿导致的数据效率低下与历史视觉观察累积导致的显存爆炸,LookStep 引入语言中心未来状态建模与事件驱动滚动记忆,仅凭单目 RGB 且不依赖额外 3D 几何工具便在 R2R-CE 上取得 49.7% 成功率与显著显存/延迟削减。

MineExplorer: Evaluating Open-World Exploration of MLLM Agents in Minecraft

针对现有游戏基准过度耦合专有机制与短程任务的问题,MineExplorer 构建了首个解耦游戏先验、围绕 ReAct 架构并具有隐式多跳依赖图的 Minecraft 开放世界探索评测基准,利用多智能体协同合成场景与规则化里程碑,揭示出顶尖 MLLM 在面对长程隐式先决条件时性能断崖式下跌的瓶颈。

Mini-BEHAVIOR-Gran: Revealing U-Shaped Effects of Instruction Granularity on Language-Guided Embodied Agents

针对语言引导具身智能体中指令粒度难以跨任务量化与受控评估的难题,构建了多粒度动态指令基准 MINI-BEHAVIOR-GRAN,提出规划宽度作为量化认知与规划负担的核心指标,并在三类 VLA 架构下揭示出性能随粒度变化的非单调 U 型效应及粗粒度下的浅层视觉捷径机制。

When Search Becomes Memory: Accelerating Robot Design Discovery with Self-Evolving Skills

针对传统机器人演化构型搜索中代价昂贵的仿真探索轨迹在迭代后即被遗忘的无记忆弊端,本文提出 AUTO-ROBOTIST 自演化智能体,将构型物理评测轨迹提炼为显式的自然语言技能库(包含结构原型、正负规则及支持证据),实现了冷启动加速搜索以及从 \(5\times 5\) 到 \(10\times 10\) 跨尺度搜索空间的有效知识迁移。