跳转至

🤖 机器人/具身智能

🧠 NeurIPS2026 · 132 篇论文解读

📌 同领域跨会议浏览: 🎞️ ECCV2026 (135) · 📷 CVPR2026 (163) · 🔬 ICLR2026 (166) · 💬 ACL2026 (11) · 🧪 ICML2026 (54) · 🤖 AAAI2026 (34)

🔥 高频主题: 机器人 ×35 · 多模态 ×23 · Agent ×15 · 导航 ×6 · 对齐/RLHF ×5

A2Eval: Agentic and Automated Evaluation for Embodied Brain

A2Eval 提出了首个面向具身大脑的多智能体自动化评测框架,通过 Data Agent 自主归纳八维具身能力并进行多样性聚类采样构建紧凑基准,同时由 Eval Agent 闭环合成并校验可执行推理与评分流水线,在压缩 85% 评估样本和节省 77% 算力的同时显著修正排行榜失真并提升人类偏好对齐度。

A latent control model for realistic rodent motion

针对具身动物模型在强化学习与稀疏奖励探索中难以兼顾真实性与多样性的难题,本文提出了 SCAMPER 架构,通过结合用于目标导向控制的运动先验与用于随机探索的行为先验,使虚拟大鼠在目标控制与自主探索中均能产生生物学逼真的运动行为。

Action Chunking Proximal Policy Optimization with Feedback Correction

ACPPO-Corr 用低频动作块规划器与逐步反馈校正器共同扩展 PPO,保留仅输入状态的价值网络,在 25 个模拟机器人任务上将最终归一化四分位均值相对 PPO 提升 30.4%,而不是提升 30.4 个成功率百分点。

Action Images: End-to-End Policy Learning via Multiview Video Generation

将机器人 7-DoF 控制动作转化为多视角像素级高斯热图动作图像,统一视频预测与策略控制于 Wan 2.2 视频生成底座,无需独立控制头即可实现端到端零样本机器人操作。

ActionUNet: Improving Robustness of VLA Models with Efficient Multi-scale Fine-tuning

ActionUNet 在时间对齐的动作特征空间构建轻量时间 U-Net 注入多尺度分层先验,并利用具显式二阶平滑约束的条件 SIREN 解码连续轨迹,以极低微调代价显著提升 VLA 模型在扰动环境下的鲁棒性。

AdaOcc: Adaptive 3D Occupancy Prediction for Embodied Tasks

AdaOcc 提出了面向具身任务的自适应 3D 占据预测框架,通过几何引导双分支编码统一多源多视角传感输入,结合渐进式查询学习与包容损失正则化,实现了算力可缩放的高保真场景三维感知。

AnchorWorld: Embodied Egocentric World Simulation with View-Based Evolution Customization

AnchorWorld 基于 Wan2.2 视频生成底座,提出混合视角投影动作控制与带姿态锚点视角机制,实现了由全身三维人体运动驱动且支持局部场景动态演化定制的第一人称具身世界模拟器。

APIVOT: Adaptive Planning with Interleaved Vision-Language Thoughts

提出自适应交织图文思维链的 VLM 规划器 APIVOT,在自回归推理轨迹中将语言语义推理与隐式未来视觉思维动态结合,无需外部物理仿真器即可内化几何可行性验证,在长程复杂厨房操作规划上显著超越通用 VLM 与传统规划基准。

ATI-VLA: Action-Centric Predictive Vision–Language–Action Models via Actionable Alignment Then Adaptive Injection

针对预测型视觉-语言-动作模型中观测与动作的模态割裂及联合训练优化冲突,ATI-VLA 提出“先动作化对齐、后自适应注入”的两阶段范式,在仅利用动作目标优化决策的同时高效释放前瞻预测能力。

BEACON: Cross-Domain Co-Training of Generative Robot Policies via Best-Effort Adaptation

针对仿真与真实世界间视觉和物理差距导致的跨域策略退化问题,BEACON 将生成式机器人策略的跨域协同训练转化为受目标域泛化界指导的重要性重加权优化问题,在无需显式特征对齐损失的前提下显著提升了极少真实示范下的策略鲁棒性与迁移效果。

Behavioral Foundation Models for Quality Diversity

BFM-QD 冻结离线预训练的行为基础模型,在其潜码空间而非策略权重空间构建高质量、多样化的行为档案,并用闭式后向推断引导小步变异,在稀疏导航和接触操作中显著改善搜索,但仍需要环境 rollout 与预训练投入。

Beyond Appearance Shifts: Task-Semantic Action Calibration for VLA Models

针对视觉-语言-动作(VLA)模型在外观干扰下易漂移、在任务语义改变时却盲目沿用旧轨迹的双向失效问题,提出冻结基座模型的轻量级动作校准层 BAS-VLA,通过打破驱动的语义校准核心配合证据门控的保语义辅助分支,实现保语义时稳定抗扰、改语义时果断转向。

Change-Robust Online Topological Memory for Long-Term Relocalization and Semantic Navigation

针对环境光照、季节、动态物体与布局变化下传统地图重定位失效且易受假匹配污染的难题,提出拓扑记忆系统 CROSS,在视觉位置识别与地图提交之间引入连续位姿预提交层,通过有界高斯混合滤波在连续 \(\mathrm{SE}(3)\) 空间中跟踪多分支假设并利用里程计运动一致性剪枝伪闭环,大幅提升长期跨序列重定位与具身语义导航的鲁棒性。

CLoSeR: Closing the Loop for Long-Context Streaming Reconstruction

针对前馈流式三维重建模型在长序列中累积漂移严重的难题,CLoSeR 巧妙利用流式主干的尺度一致性与非时序连续推理特性,构建回环条件窗口并在 \(\mathrm{SE}(3)\) 流形上执行位姿图优化,实现了公里级无漂移单目重建。

Coarse-to-Fine Compositional Diffusion for Long-Horizon Planning

针对短视界扩散先验在组合长程计划时难以保持全局连贯性的难题,提出一种由粗到精的推理阶段采样器(CoFi),通过先在局部去噪估计间构建共享粗粒度脚手架、再注入适量噪声进行结构保持重精炼,以极低计算代价兼顾局部一致性与全局合理性。

CofactVLA: Deconfounding Vision-Language-Action Models via Counterfactual Intervention

针对视觉语言动作模型中密集视觉流压制稀疏语言指令导致的“视觉覆盖”混杂偏差,本文提出 CofactVLA 框架,在单次前向中构建无语言反事实分支,通过动作层正交投影引导与特征层协方差削减消除视觉捷径,在仿真与真机 OOD 场景下大幅提升泛化成功率。

CofactVLA: Deconfounding Vision-Language-Action Models via Counterfactual Interventions

针对视觉-语言-动作模型中稠密视觉流压制稀疏语言指令引发的“视觉越权”(vision-override)问题,CofactVLA 提出双路因果去偏图,在动作生成层通过正交投影引导剔除共线视觉偏置,并在表征层通过反事实协方差缩减惩罚正特征空间,实现高达 52.3% 的真实机器人分布外场景泛化提升。

Continually Evolving Skill Knowledge in Vision Language Action Model

提出了无需参数增长的持续模仿学习框架 Stellar VLA,通过狄利克雷过程构建自演化任务/技能知识空间,并利用知识后验引导的 MoE 专家路由,在仅 1% 数据回放下实现了卓越的跨任务持续具身操作能力。

CrafterDojo: A Suite of Foundation Models for Building Open-Ended Embodied Agents in Crafter

CrafterDojo 针对 2D 开放世界基准 Crafter 缺乏基础模型与大规模数据的困境,提出了行为先验 C-VPT、视觉语言对齐 C-CLIP 与指令跟随 C-Steve-1 组成的基础模型套件,并配套高质量演示生成与自动化标注工具包,使具身智能体免受 Minecraft 沉重工程负担即可实现快速原型设计与层级长程规划。

CSO: Refining Robotic Policies via Skill Distribution Alignment and Skill-Grained Optimization

针对基于离散技能的机器人策略在模仿学习中存在的量化误差累积与在线强化学习中的编码器不稳定性及采样粒度不匹配问题,本文提出了两阶段后训练框架 CSO(级联技能优化),通过拒绝采样监督微调(R-SFT)稳定表征与技能级策略优化(SPO)精细更新技能先验,在仿真与真机多项长程操作任务中取得显著增益。

DeformGen: Dynamics-Based Topology Augmentation for Deformable Manipulation Policy Learning

针对刚体几何增强假设在柔性物体操作中失效的问题,DeformGen提出基于物理动力学的前向扰动与变形场轨迹扭曲框架,从单条示教生成物理自洽且具拓扑多样性的合成数据,显著提升具身策略泛化能力。

DeformMaster: An Interactive Physics-Neural World Model for Deformable Objects from Videos

DeformMaster 将单目或多视角交互视频转化为在线可交互的物理-神经世界模型,通过神经残差补偿连续介质力学误差、分布式柔性执行器吸收接触噪声、混合本构专家刻画非均质材料,并利用物质粒子驱动高斯泼溅实现高质量 4D 动态外观渲染与长程交互推演。

Differentiable Learning of Lifted Action Schemas for Classical Planning

提出了端到端可微动作模式归纳架构 DIAS,在仅观测到完整状态转换和动作名称(动作参数未观测)的强挑战设定下,结合 R-GCN、对数空间矩形 Sinkhorn 槽位分配与软前置/效果投影,通过梯度下降近乎完美地恢复提升 STRIPS 规划模型。

Differentiable Nonlinear Model Predictive Control

基于隐函数定理与内点法平滑KKT条件,构建结构化非线性模型预测控制(NMPC)的前向与伴随解灵敏度计算框架,结合两求解器解耦架构并在 acados 中实现,在 CPU 上实现比现有方法超 3 倍的加速。

DiRecT: Safe Diffusion-Based Planning via Receding-Horizon Denoising

针对现有受约束扩散规划器在加噪中间迭代步强制投影导致采样动态过度受限并破坏生成分布的缺陷,DiRecT 将推理期约束满足重构为带终端约束的随机最优控制问题,通过 MPC 式后退地平线代理将终端约束拉回到数据域,在不扭曲扩散先验的前提下实现了兼顾零违背与高任务回报的免训练安全规划。

DiT4DiT: Jointly Modeling Video Dynamics and Actions for Generalizable Robot Control

提出端到端双扩散变换器架构 DiT4DiT,通过非对称三时间步的双流匹配目标联合优化视频动力学与动作预测,利用中间去噪隐藏特征直接驱动机械臂与人形机器人控制,在 LIBERO (98.6%) 与 RoboCasa-GR1 (50.8%) 取得前沿成功率并将样本效率提升超 10 倍。

Done, But Not Sure: Disentangling World Completion from Self-Termination in Embodied Agents

针对传统具身基准将物理执行失败与终止决策失败混为一谈的弊端,本文提出评测框架 Vigil,在严格无环境反馈的原生第一人称交互下引入强制语义终结自汇报,将物理世界状态完成与基准成功解耦评分,系统揭示了不同具身智能体在终结承诺能力上的行为分化。

Doob-Based Generative Policy Optimization

针对扩散与流匹配等生成式策略在强化学习微调中精确动作似然不可计算的瓶颈,提出将策略提升解耦为轻量比率学习与基于 Doob h-变换的条件漂移匹配两阶段优化框架,统一支持 PPO 与 GRPO 等主流算法并达到最小能量控制最优。

DynaFLIP: Rethinking Robotics Perception via Tri-Modal-Dynamics Guided Representation

DynaFLIP 将机器人的运动与动力学理解前移至视觉感知预训练阶段,利用视频构建图像状态转移、语言指令与三维流(3D flow)三模态元组,通过结合余弦正则与对比学习的单纯形体积最小化,训练出强泛化的单图动力学感知视觉编码器。

DynamicVLA: A Vision-Language-Action Model for Dynamic Object Manipulation

针对动态物体操作中推理延迟导致的感知-执行时空错位难题,DynamicVLA 提出了 0.4B 紧凑架构结合非阻塞连续推理与延迟感知动作流(LAAS),并构建了包含 200K 仿真与 2K 免示教真机数据的 DOM 基准,在移动物体抓取与放置任务中大幅超越主流 VLA。

EA-WM: Event-Aware Generative World Model with Structured Kinematic-to-Visual Action Fields

EA-WM 将底层机械臂运动学状态直接投影为目标视角的结构化动作场(KVAF),并结合事件差分隐层监督(EDLS)驱动的双向交叉注意力门控,解决了传统世界模型中控制信号与视频合成的跨域失配以及局部交互动态丢失问题。

Efficient Test-Time Adaptation For Robot Policies

针对真实环境分布漂移(负载变化、地形粗糙/湿滑)导致机器人强化学习策略崩溃的问题,本文提出了轻量级测试时自适应框架 TEMPO,通过冻结预训练 Critic 引导 Actor 在线更新,并结合 Critic 预测分布熵正则化与基于分数的困难样本优先重放机制,在无需真实环境奖励和零反向传播干扰主推理循环的严苛端侧约束下实现了稳定自适应。

EgoTac: In-the-wild Tactile Prediction from Egocentric Vision

EgoTac 构建了首个对齐到双手机器人/人手 MANO 拓扑网格的 570 万级多模态触觉-接触数据集,并设计了结合时序视觉注意力与自适应层归一化(AdaLN)解码器的视觉到触觉模型,实现了在野外第一人称视频下对双手连续法向力场与接触状态的端到端联合预测。

Embodied Neurocomputation: A Framework for Interfacing Biological Neural Cultures with Scaled Task-Driven Validation

本文提出了具身神经计算(Embodied Neurocomputation)系统框架,将传统硅基接口与活体生物神经网络间的双向交互形式化为高维多变量优化问题,并在 Cortical Labs CL1 平台上利用 26 批体外神经培养物完成了约 1,300 种编码配置、逾 4,000 小时的闭环气味导航大规模搜索,筛选出的最优编码体系在同等交互预算下显著超越了硅基 DQN 基线。

Embodied-R1.5: Evolving Physical Intelligence via Embodied Foundation Models

Embodied-R1.5 将空间认知、任务规划与纠错、具身指向三大维度统一于单一 8B 基础模型,配合多任务平衡强化微调与 Planner-Grounder-Corrector (PGC) 闭环框架,无需大规模动作预训练即可实现卓越的长程真实机器人自主执行与自纠错。

EmbodiedWorld-200K: Toward Embodied World Agents via Embodied-Planning Dataset and Interactive World Models

针对具身智能体在开放世界泛化受限与交互环境构建昂贵的瓶颈,本文推出包含 20 万余条多层级标注轨迹的基准数据集 EmbodiedWorld-200K,并提出“离线监督预训练 + 视频世界模型代理交互式 DPO 后训练”的两阶段训练范式,显著提升智能体在分布外复杂场景下的导航规划能力。

Emergence of Physical Intelligence via Controllable Information Production

本文提出基于开环正李雅普诺夫指数之和的可控信息产生(CIP)内在动机目标,直接从最优控制的值函数曲率中导出无先验物理技能发现机制,在无外在奖励下驱动复杂非线性欠驱动系统自主涌现出翻正与直立平衡等关键物理智能行为。

Event-Grounded Sparse Autoencoders for Vision-Language-Action Policies

针对视觉语言动作(VLA)策略输出动作空间难以直接利用语言词表进行特征解释的瓶颈,提出一种基于运动学关键帧聚类的事件锚定稀疏自编码器(SAE)分析管线,通过无监督的动作流事件聚类与残差保持隐式编辑,实现了 VLA 潜空间特征与闭环物理行为的无人工标注因果解释。

Evo-Depth: A Lightweight Depth-Enhanced Vision-Language-Action Model

针对传统VLA模型依赖2D观察缺乏空间感知、而引入显式3D点云或大几何模型导致部署开销激增的困境,本文提出仅0.9B参数的轻量级隐式深度增强框架 Evo-Depth,通过纯RGB隐式深度编码模块(IDEM)与特征级空间增强模块(SEM)并结合三阶段渐进式对齐训练,以极低的显存占用(3.2 GB)和高推理频率(12.3 Hz)在仿真与真实机器人操作任务中刷新SOTA成功率。

Failing Forward: Adaptive Failure-Informed Learning for Vision-Language-Action Models

本文提出自适应失败信息学习框架 AFIL,通过双动作生成器共享 VLM 主干联合建模成功与在线失败轨迹,在推理去噪时依据成功与失败分布的角度分歧动态施加负向引导,显著提升 VLA 模型的操纵鲁棒性与长程泛化能力。

Fast-WAM: Do World Action Models Need Test-Time Future Imagination?

针对世界动作模型(WAM)推理时迭代去噪未来视频带来的高延迟瓶颈,本文提出解耦训练期视频建模与测试期显式未来生成的 Fast-WAM,仅保留训练阶段视频联合训练作为物理表征监督,在推理时单次前向直接生成动作,以 190ms 实时延迟和无具身预训练的极高数据效率达到主流 SOTA 水平。

FastDSAC: Unlocking the Potential of Maximum Entropy RL in High-Dimensional Humanoid Control

针对高维人形机器人控制中随机策略探索效率低下与Critic过估计严重的瓶颈,本文提出FastDSAC,通过维度级熵调制实现探索预算在关节间的自主重分配,并结合连续高斯分布式Critic消除量化与过估计误差,在大规模并行训练下显著超越确定性SOTA基线。

Feedback World Model Enables Precise Guidance of Diffusion Policy

针对分布偏移下世界模型开环预测漂移误导策略采样的问题,提出维持轻量反馈状态在线吸收执行观测残差的反馈世界模型,并结合基于反事实方差的可控性加权引导能量,在无需重训与额外数据下大幅降低预测误差并提升扩散策略泛化成功率。

FineVLA: Fine-Grained Instruction Alignment for Steerable Vision-Language-Action Policies

FineVLA 提出了一个动作-指令对齐的开放框架,通过构建包含 4.7 万条经人工核验的细粒度轨迹数据集 FineVLA-Data 与 RoboFine-Bench 评测基准,并采用细粒度与粗粒度指令混合训练策略,在不牺牲目标级成功率的前提下显著提升了机器人具身策略在执行因子维度的可操纵性。

FLASH: Efficient Visuomotor Policy via Sparse Sampling

FLASH 将机器人动作轨迹重构为紧凑的勒让德多项式系数空间,利用时间稀疏采样大幅扩展预测视界,并以历史多项式为先验实现极速单步 Flow Matching,同时通过多项式解析微分直接输出平滑速度前馈信号以大幅降低底层力矩跟踪误差。

FlowHOI: Flow-based Semantics-Grounded Generation of Hand-Object Interactions for Dexterous Robot Manipulation

FlowHOI 提出了首个解耦几何抓取与语义操纵的双阶段条件流匹配 (Flow Matching) 框架,结合第一人称视频高保真重建先验与 3D 高斯场景特征,实现了物理逼真、语义对齐的人手-物体交互生成,推理速度达扩散基线的 40 倍。

Frequency-Aware Flow Matching for Continuous and Consistent Robotic Action Generation

针对传统离散动作块在异构控制频率训练下出现辨识失败以及推理时高频抖动的问题,提出频域感知流匹配(FAFM),通过离散余弦变换将动作映射至物理时间锚定的频域系数空间生成连续动作,并引入解析一阶时间导数流匹配构建索伯列夫正则化,实现平滑、时间一致且跨频率鲁棒的机器人动作生成。

Generative Control as Optimization: Time Unconditional Flow Matching for Adaptive and Robust Robotic Control

将生成式机器人动作生成从固定步数的时间积分范式重构为时不变静态速度场中的迭代优化(GeCO),实现按任务复杂度自适应分配算力与零额外开销的分布外异常检测。

GeoWind2Plan: Mission-Time 3D Urban Wind Prediction for Energy-Efficient UAV Planning

GeoWind2Plan 将建筑几何和背景风转换成任务走廊内的三维平均风场,再联合优化无人机路径与速度;在街区 A、4 m/s 背景风下,CFD 复评能耗由无风感知规划的 \(13.3\pm1.8\) 降至 \(12.5\pm1.5\) Wh/km,而 20% 走廊的风场推理约需 3 秒。

Grasp-Then-Plan with Failure Attribution: A Closed Two-Stage Framework for Precise and Generalizable Robotic Manipulation

针对长程机器人操作中抓取与运动规划强耦合导致的故障归因模糊难题,本文提出闭环两阶段框架 GTP-FA,通过判别器与邻域先验表示空间联合推断故障责任,实现面向抓取候选优化与下游规划策略微调的诊断驱动双向优化。

HABIT: Human-Aware Behavior and Interaction Training Dataset for Robot Manipulation

针对现有机器人操作数据集缺乏人机共存交互导致策略无法应对人机协同与避碰的问题,本文提出了首个大规模人机共存双臂操作示范数据集 HABIT(包含 60 个任务、10,563 条轨迹和 164 小时数据),将交互解耦为协作者、工友和监督者三种角色,通过反应式采集协议成功激发了主动避让、手势对齐及动作时空同步等社会性协同行为。

Hide-and-Seek in Trajectories: Discovering Failure Signals for VLA Runtime Monitoring

Hide-and-Seek 将视觉语言动作模型(VLA)的运行时故障检测形式化为粗粒度弱监督学习问题,仅凭轨迹级成功/失败标签,联合跨轨迹极值对比与轨迹内时序突变对比目标自适应搜寻潜在故障信号,并结合泛函共形预测实现高准确率、低延迟的实时安全监控与策略引导。

HiDRA: Hierarchical Dual-Routing Attention for Replay-Free Lifelong Imitation Learning

HiDRA 提出分层双路由注意力与键空间几何正则化机制,将指令级专家检索与上下文级动态微调解耦,在无重放、单遍流式终身模仿学习中彻底消除了专家路由干扰并实现零遗忘与强正向迁移。

How to Instruct Your Robot: Dense Language Annotations Power Robot Policy Learning

提出 DeMiAn 框架,利用冻结的 VLM 自动为现有离线演示数据扩展物理动作、场景构成、机械臂姿态与逐步推理四个维度的密集语言标注,并训练轻量级异步 Instructor 模型根据初始场景自适应选择最适配任务的密集指令,以极低计算成本大幅提升 VLA 与世界动作模型(WAM)的成功率。

Humanoid Horizon: Extending Task Horizon in Whole-Body Loco-Manipulation via Parallel Training, Dynamic Starting, and Reward Gating

针对人形机器人在杂乱室内环境中长程多物体移动操作面临的易得奖励偏差与灾难性遗忘痛点,本文提出了集成并行训练策略、动态起始机制与奖励门控的统一策略框架 Humanoid Horizon,并在 350 个室内场景及五物体连续搬运中展现出高成功率与平缓衰减特性。

HumanoidArena: Benchmarking Egocentric Hierarchical Whole-Body Learning

提出了首个面向自我中心分层全身控制的人形机器人仿真基准 HumanoidArena,通过 40 维规范化全身中间动作解耦高层视觉决策与底层通用运动追踪器(GMT),设计了 7 项必须依赖下肢协同的交互任务,并揭示了现有策略跨追踪器迁移时的脆弱性与不对称性。

ICAT: Incident-Case–Grounded Adaptive Testing for Physical-Risk Prediction in Embodied World Models

提出首个基于真实事故调查与安全规程强约束的具身世界模型物理风险自适应评测框架 ICAT,揭示当前视频生成世界模型在成功执行危险动作后普遍淡化或遗漏灾难性后果的系统性缺陷。

ICAT: Incident-Case-Grounded Adaptive Testing for Physical-Risk Prediction in Embodied AI

针对基于参考图像条件生成的视频具身世界模型在安全关键场景下忽视危险物理后果的问题,本文提出基于真实事故报告与安全规程结构化驱动的自适应测试框架 ICAT,构建包含 909 个因果测试单元的基准,揭示出主流视频生成系统普遍存在的“风险动作执行成功但严重危险后果被抹除或弱化”的安全幻觉现象。

Image2Sim: Scaling Embodied Navigation via Generative Neural Simulator

Image2Sim 解耦了 3D 空间锚定与拟真观测合成,通过前向特征高斯与单步几何感知像素流构建实时神经模拟器,并搭建包含碰撞感知运动规划与 VLM 标注的自动化数据引擎,生成千万级多模态导航数据,实现了零样本跨模拟器与真机泛化突破。

JODA: Composable Joint Dynamics for Articulated Objects

本文提出面向铰接物体的关节动力学合成框架 JODA,通过将保守力、干摩擦和阻尼建模为沿关节自由度的一维分段三次 Hermite 插值场,并结合多模态 VLM 进行语义图元推理与可微物理优化,实现了高保真且可交互编辑的关节级力学表现。

JRDB-AVR: An Active Visual Reasoning Benchmark for Embodied Agents in Real-World Environments

本文针对真实具身场景中多模态模型常依赖语言先验或偶然线索给出「无证据支撑的正确答案」这一严重幻觉问题,构建了要求智能体主动跨时间与视角检索并同时评测答案与目标边界框证据的基准 JRDB-AVR,并提出了基于显式图谱世界模型的参考智能体 JRDB-AVR-Agent。

LangMap: A Human-Verified Benchmark for Hierarchical Open-Vocabulary Goal Navigation

提出了覆盖场景、房间、区域与实例四级语义粒度的开放词表具身导航基准 LangMap 与 HieraNav 任务,通过严格的人工对比式标注消除 VLM 生成伪标签的语义歧义,并提出了无需深度图或 3D 地图即可实现顶尖多目标导航的纯 RGB 解耦框架 PlaNaVid。

Language-Conditioned World Modeling for Visual Navigation

本文构建语言条件视觉导航数据集,并比较“扩散世界模型 + 潜空间演员–评论家”与“统一自回归动作/图像预测”两种替代方案:前者在已见环境的图像结构保真度上更强,后者在未见环境的离线轨迹预测上更好,但实验不验证真实闭环控制。

Learning from Trials and Errors: Reflective Test-Time Planning for Embodied LLMs

提出了具身大模型反思性测试时规划框架(Reflective Test-Time Planning),将人类“行动中反思”(前向模拟采样)与“行动后反思”(基于追溯性评估的双重循环测试时训练)统一,让具身智能体在长程部署中学会从试错中持续学习。

Learning Human-Intention Priors from Large-Scale Human Demonstrations for Robotic Manipulation

本文提出了 MoT-HRA 层次化 VLA 框架,先构建包含 220 万片段的 HA-2.2M 人类演示数据集,再将操作任务解耦为 3D 轨迹预测、MANO 手部意图建模与本体特定动作执行三个专家,并通过只读 KV 传输消除下游任务对意图表征的负面干扰。

Learning Visual Feature-Based World Models via Residual Latent Action

针对传统特征级世界模型在复杂3D交互中易模糊或崩溃、而特征生成建模维度过高的问题,本文提出基于DINO残差学习紧凑的残差隐动作(RLA)并用流匹配预测RLA,构建出高精度且超轻量的世界模型RLA-WM,并成功支撑无动作视频模仿与纯模型内视觉强化学习。

LIBERO-PeRM: Benchmarking Personalized Robotic Manipulation

本文提出具身智能个性化操作基准 LIBERO-PeRM,定义了涵盖运动约束、技能策略与用户画像的三层可观测偏好分类学,并构建包含 312 项偏好微调任务与 40.8k 轨迹的评测套件,揭示出前沿 VLA 模型在零样本个性化遵循、偏好泛化及冲突消解上的根本瓶颈。

Linguistic Trajectory Encoding for Efficient Long-Horizon Spatial Memory in Embodied Agents

本文把物体的运动历史编码为语言描述、稀疏三维锚点与视觉锚点相互关联的记忆,在长时第一人称视频上提高语义轨迹检索,并以昂贵的一次性构建换取亚秒级在线查询。

Local Guidance, Global Impact: Gaussian-Reshaped Trust Region Unlocks Behavior Transitions

针对近端策略优化(PPO)在持续和非平稳强化学习中因缺乏几何感知而在局部漫无目的搜索、以及单调散度惩罚过度压制大尺度行为迁移的问题,本文提出高斯置信域策略优化(GTR),通过高斯核重塑置信域并引入混合高斯锚点,实现了局部极度稳定与高优势下向新行为模式平滑跃迁的有机统一。

M2E-UAV: A Benchmark and Analysis for Onboard Motion-on-Motion Event-Based Tiny UAV Detection

针对机载平台与目标无人机同时高速运动导致的严重背景边缘杂波与极小微弱目标冲突,M2E-UAV 建立了首个面向机载双动微小无人机检测的高分辨率事件-IMU 同步多模态基准,并揭示了现有基于事件帧、体素与点集表征模型在该严苛场景下的性能瓶颈。

ManiTaskGen: A Comprehensive Task Generator for Benchmarking and Improving Vision-Language Agents on Embodied Decision-Making

针对具身智能在有限场景与手工任务标注下的评估与泛化瓶颈,ManiTaskGen 基于环境交互循环与容器感知3D场景图,在任意场景中自动化生成海量过程型与结果型移动操作任务,不仅构建了高难度分级基准,还通过基于自省的推理期强化微调显著提升了 VLM 具身智能体的决策能力。

Masked Visual Actions for Unified World Modeling

本文提出将动作表示为像素空间中实体局部可见时空轨迹的掩码视觉动作(Masked Visual Actions),仅用 15 小时真实与仿真数据微调视频生成模型,即以统一模型零样本兼容前向环境动态推演与逆向动作提取。

METIS: Multi-Source Egocentric Training for Integrated Dexterous Vision-Language-Action Model

METIS 构建了涵盖 34.3 万条轨迹的多源第一人称灵巧操作数据集 EgoAtlas,提出紧凑的运动感知动力学离散表征(4维视觉+40维动作Token),并通过自适应门控将思维链推理与低层动作生成统一进 VLA 框架,在双灵巧手真机上取得了最先进的操作性能与泛化表现。

MineEvolve: Self-Evolution with Accumulated Knowledge for Long-Horizon Embodied Minecraft Agents

MineEvolve 提出了一种无需更新大模型权重的具身自演化框架,通过监控器将交互执行压缩为类型化反馈,自动诱导可复用技能与故障补救措施,并在长程依赖任务中实现前缀冻结的局部计划修复。

MineEvolve: Self-Evolution with Accumulated Knowledge for Long-Horizon Embodied Tasks

MineEvolve 提出了一种无需更新大模型参数的具身自演化框架,通过监测器提取类型化执行反馈,将成功轨迹归纳为可复用技能、将失败停滞归纳为局部修复补策,并在精选器与适配器协同下实现长程任务的受控局部重规划,显著突破了复杂工具链任务的完成瓶颈。

MolmoMotion: Forecasting Point Trajectories in 3D with Language Instruction

提出了以语言指令为条件预测物体表面3D点世界坐标轨迹的MolmoMotion框架,结合包含116万视频的自动标注数据集与基准,显著超越现有预测基线并成功迁移至机器人操作与可控视频生成。

Nautilus: From One Prompt to Plug-and-Play Robot Learning

Nautilus 提出了面向机器人学习研究的专用 Harness(支架系统),通过类型化接口契约、隔离舱式执行和统一通信传输底座,结合 Guides、Sensors 与状态注册表,将自然语言需求自动转化为跨策略、跨基准与跨真机本体的即插即用复现与评测工作流。

NDPP-Grasp: Non-Differentiable Physical Plausibility Constraint-Guided Task-Oriented Dexterous Grasp Generation

针对任务导向灵巧手抓握生成中刚性穿透等物理约束本质不可微的问题,NDPP-Grasp 提出将随机最优控制与摊销前瞻策略引入扩散去噪轨迹,仅凭前向物理评估即可实现端到端物理真实性引导,兼顾实时推理与高任务对齐度。

NDPP-Grasp: Non-Differentiable Physical Plausibility Constraint-Guided Task-Oriented Grasp Generation

针对任务导向灵巧抓握中物理可行性约束(非穿透、自碰撞、关节限位)固有的不可微特性,NDPP-Grasp 引入随机最优控制视角,推导仅需前向约束评估的免梯度去噪引导律,并提出摊销前瞻策略,在扩散去噪全流程实时注入物理约束,显著优于传统后处理修正范式。

NestedVLA: Learning to Consolidate and Generate Skills for Vision-Language-Action Models

NestedVLA 针对具身视觉-语言-动作(VLA)模型在多基准微调后参数爆炸及传统模型合并严重冲突的难题,开创了从“参数聚合”向“参数生成”的范式跃迁:通过在模型内部嵌入轻量级任务条件超网络动态生成动作专家权重更新,结合分立保存的压缩 VLM 残差,在完全不接触原始训练数据的条件下以 1.5 倍单模型存储开销实现三大闭环操作基准的高保真技能整合,平均任务成功率达 66.7%(超越最强动态模型合并基线 41.1 个百分点)。

neuro-inspired inverse learning for planning and control

本文提出受大脑运动控制启发的逆向学习(Inverse Learning, IL)框架,通过直接对可微前向模型反向传播整条轨迹的 Bolza 控制目标来摊销多步动作序列生成,在 D4RL 导航、机器人运动及量子门合成中实现超越离线强化学习与扩散规划器的控制精度并带来一至两个数量级的推理加速。

Next Forcing: Causal World Modeling with Multi-Chunk Prediction

本文针对自回归世界模型在教师强制训练下因相邻帧高度相似而陷入外观捷径(近视监督)的痛点,提出了多块预测框架 Next Forcing,通过轻量级因果链模块同时去噪多步未来视频块并融合主模型多层特征,在大幅提升训练收敛速度与物理建模精度的同时实现了 2 倍推理加速。

Not All Features Are Created Equal: A Mechanistic Study of Vision-Language-Action Models

本文通过闭环因果干预与稀疏自编码器(SAE)字典学习,跨 6 种 VLA 架构及物理机械臂完成 42 万余次动作展开,从机理上首次揭示微调策略脆弱性的根源:模型并非在遵循语言指令操纵物体,而是在动作专家层执行绑定于绝对工作空间坐标的运动程序,且目标选择(VLM 通路)与动作生成(专家通路)呈现清晰的通路解耦。

NoTVLA: Semantics-Preserving Robot Adaptation via Narrative Action Interfaces

NoTVLA 提出了一种语义保留的机器人微调接口,通过将高频密集控制替换为稀疏语义航路点、2D锚点引导的深度解耦表征以及确定性B样条反标记化,在阻断灾难性遗忘的同时显著提升了语义分布外泛化与跨视角鲁棒性。

OASIS: Observation-Action Space Alignment via SE(3) Trajectory Prediction for Robotic Manipulation

针对传统VLA和世界动作模型中间表征未对齐动作空间刚体几何的根本缺陷,OASIS通过在相机坐标系预测末端执行器的SE(3)轨迹作为几何对齐的中间隐表征,使轻量动作解码器以极低数据与训练代价在LIBERO、CALVIN及双真机平台上大幅超越前沿策略。

ODEWorld: A Continuous Predictive Architecture via Physical-Time Flow

提出基于物理时间流(PT-Flow)的连续时间潜在世界模型 ODEWorld,通过显式解耦静态上下文与一阶直接速度监督,将未来状态预测重构为紧凑潜空间中的常微分方程(ODE)数值积分,实现了任意时间分辨率预测、反向生成并有效杜绝了表征崩溃。

OGPO: Offline Goal-conditioned Policy Optimization for Recoverable Vision-Language-Action Models

提出了离线目标条件策略优化框架 OGPO,通过自适应关键状态重标注与过程奖励构建,将 VLA 离线后训练从单纯的轨迹步级模仿升级为关键状态可达性学习,在无在线交互下大幅提升了长程操作性能与偏离轨迹后的目标导向恢复能力。

OmniDex: Scaling Dexterous Hand Grasping to Diverse Cluttered Scenes

针对大规模杂乱堆叠场景下灵巧手抓取数据匮乏与“最后 1 毫米”接触精度断层,OmniDex 构建了包含 260 万场景与 4 亿高质量稳定抓取的首个超大规模基准,并提出了结合 Soft-WTA 多模态解耦与可微人手运动学物理约束的端到端扩散生成模型,实现了免测试时优化的实时高效稳定抓取。

One Scan is Enough: Demonstration-Free Adaptation for Language-Guided Navigation

针对语言引导具身导航策略在新场景泛化困难且人工遥操示范成本高昂的瓶颈,提出仅凭单次手持扫描即可自动化生成任务数据并基于无CRITIC帕累托几何效用完成强化后训练的免示范自适应框架。

OntoPlan: An Ontology-Grounded Scene Representation and Agentic Framework for Scalable Robot Task Planning

针对大语言模型在大型室内场景中长程任务规划容易产生空间上下文幻觉、前置条件失效和上下文随场景爆炸的问题,OntoPlan 提出了本体对齐的统一符号场景表示与分工协作的智能体框架,利用 SPARQL/嵌入混合查询与 PDDL 规划工具实现高效可执行规划。

PACE: Phase-Aware Chunk Execution for Robot Policies with Action Chunking

PACE 提出了一种免训练的测试期执行策略,直接从预测动作分块的运动学速度谷底中自适应识别操作相位转换点,在线决定重规划时界,在 RoboTwin2.0 仿真与真实 ALOHA/Franka 机器人上显著超越固定时界基线。

PDF-HR: Pose Distance Fields for Humanoid Robots

提出针对人形机器人的连续可微姿态距离场(PDF-HR),将高维骨骼位形映射至有效位形流形的测地距离,作为即插即用先验用于强化学习运动追踪奖励整形与重定向正则化,显著加速策略收敛并消除物理违规伪影。

PhysGuard: Fisher-Guided Gradient Projection for Sim-to-Real Neural PDE Surrogates

针对神经算子在仿真向真实物理测量迁移时易破坏大尺度物理先验的难题,PhysGuard 利用经验 Fisher 信息矩阵的核 Gram 矩阵高效提取低频物理关键子空间,并通过正交梯度投影在微调中消除破坏性更新,在 4 种主流算子架构上显著降低低频物理误差。

PO-PDDL: Learning Symbolic POMDPs from Visual Demonstrations for Robot Planning Under Uncertainty

提出结合 PDDL 关系结构与 POMDP 不确定性建模的 PO-PDDL 符号化框架,通过正反向轨迹重构与视觉矛盾挖掘从真实机器人执行视频中自动学习随机转移与观测模型,实现高成功率、低计算延迟的长程信念空间在线任务规划。

Point Tracking Improves World Action Models

本文提出联合像素与轨迹的世界动作模型 JOPAT,在扩散 Transformer 中联合去噪视觉潜变量、带可见性的 2D 点追踪轨迹与机器人动作,以显式对应点运动作为感知与控制的统一未来状态接口,在 LIBERO 40 项任务上取得 97.8% 成功率新 SOTA。

Pose6DAug: Physically-Plausible Multi-View Object Swapping for Robot Data Augmentation

针对视觉-语言-动作(VLA)策略在新颖物体上泛化差且多视角示教采集昂贵的难题,Pose6DAug 提出一种故障驱动的 3D 数据增强框架,利用机器人正向运动学和 6D 位姿轨迹将成功回合中的操作物体替换为目标物体,并在 3D 空间施加物理可行的几何扰动,无需额外示教采集即可生成严格多视角一致且物理可行的增强轨迹,使 OOD 困难物体操作成功率相对基线大幅提升 16.5%。

PriorVLA: Prior-Preserving Adaptation for Vision-Language-Action Models

提出了保留并利用预训练先验的 VLA 适应框架 PriorVLA,通过冻结先验专家与可训练适应专家的双动作专家解耦,并设计专家查询(Expert Queries)接口捕获与整合场景和运动先验,仅更新全量微调 25% 的参数即在 OOD 泛化与少样本真机操作中取得显著性能跃升。

ProcObject-10K: Benchmarking Object-Centric Procedural Understanding in Instructional Videos

ProcObject-10K 构建了包含 10,522 个时序对齐 QA 对与双视角指令视频的以物体为中心程序性理解基准,揭示当前 MLLM 普遍存在"能语言作答却难定位证据"的严重鸿沟(mIoU 显著低于 45%),并通过空时约束辅助监督显著增强了因果状态追踪与具身规划迁移能力。

ProCompNav: Proactive Instance Navigation with Comparative Judgment for Ambiguous User Queries

ProCompNav 先在未知环境中收集同类物体,再递归寻找能区分候选的属性并向用户提是非问题,在模拟 CoIN-Bench 的三个划分上将成功率提升至 23.7%、28.1%、17.0%,同时显著缩短用户模拟器的回答。

Realtime-VLA FLASH: Speculative Inference Framework for Diffusion-based VLAs

针对基于流匹配的扩散型视觉-语言-动作模型推理延迟高、难以满足高频闭环控制的瓶颈,本文提出 Realtime-VLA FLASH 投机推理框架,利用单层 Gemma 草稿模型快速生成候选动作块,结合流匹配插值轨迹在动作专家上做免序列去噪的低开销并行验证,并辅以夹爪状态触发的相位感知回退机制,在 LIBERO 仿真与真实传送带分拣任务上实现了 3.04 倍的端到端推理加速且几乎无损成功率。

RedVLA: Physical Red Teaming for Vision-Language-Action Models

针对视觉-语言-动作(VLA)模型在物理交互部署中潜在的安全风险,本文提出了首个面向物理安全的红队测试框架 RedVLA,通过两阶段关键交互区域风险注入与轨迹驱动零阶优化,在保持任务可行性与语义不变的前提下高效诱导物理危险行为,并基于内部表征构建了轻量防护模型 SimpleVLA-Guard。

RePO-VLA: Recovery-Driven Policy Optimization for Vision-Language-Action Models

提出了以错误恢复为驱动的策略优化框架 RePO-VLA,通过历史重置切片消除因果混淆、自参照语义价值函数赋予轨迹稠密进度标签,并结合固定价值引导条件,无需外部检测器即可使双臂机器人在受扰动后自主重返成功流形。

RescueBench: Can Embodied Agents Save Lives in the Wild?

本文提出面向野外搜救(SAR)的具身智能高保真评测基准 RescueBench,将搜救形式化为包含多模态探索、定位救援、记忆返航和伤员交接的四阶段序贯流水线,设计五级递进难度并评测了五大类具身架构,实验证实当前模型在最高难度下的全任务成功率均为 0%,确立了自主探索与空间记忆为具身智能的两大独立核心瓶颈。

Resilience Matters for Embodied Agents System: New Metrics, Systematic Evaluation, and Optimization

针对传统具身智能体仅依赖结果性指标掩盖动态执行病态的问题,本文借鉴韧性工程理念提出了涵盖复原力、稳定性和优雅延展性的弹性评测框架与评测层,并基于评测诊断实现了即插即用的执行层定向优化。

Rethinking Causal Action Tokenization with Conditional Annealing in Flow Matching

CATok 将连续动作分词重构为基于条件退火的因果流匹配过程,使离散 Token 具备自粗到细的层次因果语义,在保证极高动作重建质量的同时极大提升了自回归 VLA 模型的下游训练与控制性能。

Reverse to Advance: Teleoperation-Cost Effective Hard Policy Learning from Reversed Easy Tasks

针对高精度接触操作中人类示教遥操作成本高昂的瓶颈,Auto-E2H 利用任务难度在正反方向上的物理不对称性,通过闭环自重置交替采样、分层运动学与 Critic 优势精炼以及在线迭代扩散策略学习,以极低遥操作成本大幅提升困难操作任务成功率。

Revisiting Embodied Chain-of-Thought for Generalizable Robot Manipulation

论文系统探究了具身思维链在机器人控制中的表征机制与缩放瓶颈,提出结合辅助 Choice Policy、知识截断 KV 缓存与思维链丢弃的 ERVLA 模型,实现了高维连续动作与结构化推理的端到端表征协同。

RoboWits: Unexpected Challenges for Robotic Creative Problem Solving

提出了首个针对双臂机器人创造性问题解决与意外挑战适应能力的评测基准 RoboWits,并设计了包含任务生成、变异与物理验证的多智能体生成管线,系统揭示了当前主流 VLA 和模块化规划器在几何、材料与装配深层认知推理上的脆弱性。

ROCKET: Residual-Oriented Multi-Layer Alignment for Spatially-Aware Vision-Language-Action Models

ROCKET 提出了一种基于残差流的多层表征对齐框架,通过层级不变的跨层共享投影器与套娃式稀疏激活机制,消除了多层蒸馏中的梯度冲突并平衡各深度表征,仅用约 4% 的训练计算量即在 LIBERO 基准上取得 98.5% 的最先进操作成功率。

RotVLA: Rotational Latent Action for Vision-Language-Action Model

RotVLA 构建了基于连续旋转群 \(\mathrm{SO}(n)\) 的潜在动作表示与三帧动力学一致性目标,并将其作为高层规划器融入统一的流匹配动作专家中,以 1.7B 参数在 LIBERO 与双臂仿真及真机操作任务上刷新最优表现。

SAGAS: Semantic-Aware Graph-Assisted Stitching for Offline Temporal Logic Planning

针对无环境动态模型、无任务演示且仅有离线轨迹碎片的严格离线机器人场景,SAGAS 提出将图辅助拼接解耦为离线通用可达性图与测试期语义图增广,通过乘积自动机前缀-后缀搜索实现了任意新给出状态命题 LTL 任务的零样本规划与执行。

Self-Supervised Doppler-Guided RF Odometry

本文提出自监督纯射频测程框架 RFWalk,将距离-方位热图间的跨帧稠密对应建模为时空图上的随机游走,并利用射频传感器固有的多普勒径向速度构建局部物理一致性约束,在无需位姿真值与辅助传感器的情况下在动态行人场景中将绝对轨迹误差降低 58%。

SENTINEL: A Multi-Level Formal Framework for Safety Evaluation of Foundation Model-based Embodied Agents

SENTINEL 首次将大模型具身智能体的物理安全需求形式化表征为时序逻辑规范,构建贯通「语义理解-高层规划-分支轨迹执行」的多层级形式化验证框架,能高效捕获各阶段安全违规并通过确定性反例驱动智能体闭环修复。

Shared Modular Recurrence in Contextual MDPs for Universal Morphology Control

本文提出在上下文马尔可夫决策过程(CMDP)框架下,将多形态机器人的未观测形态与动力学信息视为部分可观测上下文,通过在模块化 Transformer 架构中引入跨肢体参数共享的局部循环神经网络(LSTM/GRU),在不破坏变长动作空间兼容性的前提下实现隐式系统辨识,显著提升了在未见拓扑、运动学及动力学机器人上的零样本泛化性能。

Simulation-Informed Diffusion for Decentralized Multi-robot Motion Planning

针对去中心化多机器人运动规划(MRMP)在局部感知与近零通信下难以预判邻近机器人行为的难题,本文提出仿真引导扩散框架(SID),利用单套约束感知扩散模型同步承担「邻居未来轨迹仿真」与「本体避障轨迹规划」,并引入冲突驱动的极简通信协调机制,在保持极低通信开销的同时大幅提升了高拥挤多机器人系统的规划成功率。

SkiP: When to Skip and When to Refine for Efficient Robot Manipulation

提出了基于监督目标改造的跳步策略(SkiP)与无监督运动谱关键化(MSK),在自由空间段将行为克隆目标重标记为下一交互段入口动作,使单一策略网络自适应兼备大步跳跃与微调精修,在 72 项仿真和 3 项真机任务中降低 15%–40% 执行步数且显著提高操作成功率。

SUGAR: A Scalable Human-Video-Driven Generalizable Humanoid Loco-Manipulation Learning Framework

针对非受限人类视频中运动学先验存在严重遮挡、接触失真且无法直接泛化到真实物理硬件的瓶颈,SUGAR 提出了三阶段学习框架:全自动视频交互先验提取、特权物理强化学习精炼以及无参考分层自主策略蒸馏,在宇树 G1 人形机器人上实现了六类移动操作任务的零样本真机泛化与抗扰动闭环自愈。

SyncWorld: Visual Calibration Enables World Models as Zero-Shot Simulators

针对异构机器人数据下数值动作与像素运动映射冲突的根本瓶颈,本文提出动作条件世界模型 SyncWorld,通过引入显式六自由度视觉标定片段与标定蒸馏机制,实现了跨未知视点与机械臂本体的零样本动力学仿真与免训练策略测试期提升。

Tactile MNIST: Benchmarking Active Tactile Perception

提出了首个针对主动触觉感知的开源基准测试套件(TMBS 与 ap_gym),构建了包含 13,580 个 3D 打印手写数字网格与 153,600 次真实 GelSight Mini 接触交互的大规模数据集,并确立了兼顾样本效率与探索效率的标准评估协议。

TGPO: Temporal Grounded Policy Optimization for Signal Temporal Logic Tasks

TGPO 提出了一种将信号时序逻辑(STL)任务自顶向下解耦为带时间变量的子目标序列与不变量约束的层次化强化学习框架,利用 Critic 指导的贝叶斯 Metropolis-Hastings 采样确定可行时间分配,并依托紧凑增广状态与阶段性密集奖励训练低层时间条件策略,在多类高维长时域机器人控制任务中取得了显著超越基线的成功率。

TGPO: Trace-Guided Policy Optimization for Robot Task Planning via Verifiable Subgoal Generation

针对真实长程机器人任务规划中大模型常生成不可行动作且符号规划器难理解抽象意图的矛盾,TGPO 将规划重构为可验证 PDDL 子目标策略学习,提出结合验证器密集奖励、中间推理轨迹外部修正与约束解码策略优化的强化学习框架,大幅提升复杂长程与高抽象指令下的规划成功率。

Think Densely, Act Sparsely: Latent Expert Cognitive Chains for Vision-Language-Action Autonomous Driving

针对端到端视觉语言动作(VLA)自动驾驶模型因稀疏轨迹监督导致稠密视觉信息过度压缩的本质缺陷,本文提出“稠密思考,稀疏行动”范式与 LECDrive 框架,在隐空间构建表征-语义-几何三阶认知专家链与混合轨迹解码机制,在不增加推理负担的前提下刷新了 NAVSIM 等闭环驾驶与多任务基准。

Trajectory Planning without Trajectory Data: A Manifold-Guided Approach

针对基于生成模型的轨迹规划高度依赖完整专家轨迹且对未见起终点泛化脆弱的瓶颈,本文提出 Ariadne 框架,仅利用无序的有效状态观测提取状态空间的局部低维流形几何,通过构造兼顾流形约束与端点精度的校正-投影常微分方程(CP-ODE),实现了无需轨迹数据监督的连续轨迹生成与越障规划。

UniSteer: Unified Noise Steering for Efficient Human-Guided VLA Adaptation

针对基于流匹配的视觉-语言-动作(VLA)模型在真机强化学习自适应中探索效率低、动作空间人类干预无法直接监督噪声空间策略的核心矛盾,UniSteer 提出基于收缩映射的不动点迭代动作到噪声反演算法,将人类遥操接管动作转化为显式噪声监督目标,在统一噪声接口下融合模仿学习与在线强化学习,在四项真机操作任务上平均仅用 66 分钟便将任务成功率从 20% 提升至 90%。

UniT: Toward a Unified Physical Language for Human-to-Humanoid Policy Learning and World Modeling

UniT 提出基于“视觉锚定”的三分支跨重构潜在动作 Tokenizer,通过视觉预测动作与动作预测视觉的双向约束将异构人机运动投射到共享离散物理意图空间,在人形机器人 VLA 策略泛化、零样本任务迁移及跨实体世界模型控制上均取得显著突破。

URDF-Anything+: End-to-End Generation for Simulation-Ready Articulated Assets

提出端到端自回归扩散框架 URDF-Anything+,直接从单张 RGB 图像联合生成包含刚体几何与运动关节参数的可直接仿真 URDF 资产,并通过 Real-Follow-Sim 范式实现仿真强化策略零样本迁移到真实机械臂。

VersaCamVLA: Camera-Configurable VLA Policies for Robotic Manipulation

VersaCamVLA 提出相机可配置视觉语言动作模型框架,通过解耦相机集合表征与动作学习,利用手腕相机运动实现无成本位姿增广,构建输出固定尺寸 Token 的统一场景接口,使策略无需显式 3D 感知即可泛化至任意相机数量与未见相机位姿。

VLA-Pro: Cross-Task Procedural Memory Transfer for Vision-Language-Action Models

针对现有 VLA 模型在未见任务中泛化受阻且易产生高频动作执行偏差的问题,本文提出 VLA-Pro,构建包含结构化程序状态与任务 LoRA 适配器的可检索程序性记忆库,并在推理阶段动态检索并加权融合记忆参数以实现即插即用的跨任务经验迁移。

VLA-REPLICA: A Low-Cost, Reproducible Benchmark for Real-World Evaluation of Vision-Language-Action Models

针对视觉语言动作(VLA)模型在真实世界中评测成本高昂且难以跨实验室复现的痛点,VLA-REPLICA 提出了硬件总成本约 1050 美元的标准化软硬件评测基准,通过摄影灯箱控光、AprilTag 与双路视频叠图校准、归一化关节空间动作映射以及覆盖分布内适应与分布外泛化的 90 个测试场景,实现了低门槛、去中心化且跨独立搭建站点高度一致的真实机器人评测。

VolCo: Volumetric Contact for High-Fidelity Human Grasp Generation

针对传统基于物体表面接触图导致严重穿透且难以保留局部接触细节的问题,本文提出体积接触表示 VolCo 与分层扩散架构 VolCoDiff,通过局部体素网格与先验引导扩散实现了兼具低穿透深度与高物理稳定性的高保真人体抓取姿态生成。

When and What to Prune? Stage-Aware Visual Token Pruning for Efficient VLA

针对视觉语言动作模型(VLA)浅层决策证据未收敛及单一注意力剪枝易遗漏控制上下文的问题,本文提出无须训练的阶段感知剪枝框架 SAPrune,通过离线标定动作-视觉注意力重分布动力学自适应确定稳定剪枝层,并结合注意力核心与功能多样性双路径保留机制,在仅保留 32 个视觉 Token(剪枝率 87.5%)下实现高达 1.718× 推理加速且保持任务高成功率。

When Simulation Lies: A Sim-to-Real Benchmark and Domain-Randomized RL Recipe for Tool-Use Agents

将工具调用智能体的实际部署脆弱性形式化为 POMDP 的仿真到真实(Sim-to-Real)差距,提出包含 22 种真实生产故障扰动的评测基准 RobustBench-TC,并通过在静态扰动轨迹上进行领域随机化强化学习训练(ToolRL-DR),在不接触运行时动态错误的前提下零样本迁移并缩减了约 27% 的运行时状态转移崩溃差距。