Masked Visual Actions for Unified World Modeling
把任意实体的部分可见像素轨迹作为动作接口：暴露机器人运动时预测环境响应，暴露目标物体运动时反推出机器人行为。单一模型只用 15 小时真机与仿真遮罩视频微调，即可跨场景和本体用于 rollout 评估、候选未来排序与逆向动作合成。
每日论文雷达
今日筛出 7 篇强相关候选，聚焦双向视觉动作接口、长短期记忆 WAM、agentic real-to-sim 与密集具身中间表征。
- 候选
- 7
- P0
- 4
- 已细读
- 0
- 更新
- 07.22
今日信号
04- 01WAM像素动作接口统一正向与逆向世界建模Masked Visual Actions
- 02WAM事件记忆让 WAM 追踪长时程任务进度WorldScape Policy 2.0
- 03DATA23 万轨迹用中间表征连接 VLA 与世界模型RoboInter1.5
- 04SIM视觉语言 agent 自动装配可运行物理孪生Agentic Real2Sim
RESEARCH INBOX
方向
优先级 / 状态
2026-07-22
编辑建议优先连读 Masked Visual Actions × WorldScape Policy 2.0：前者用统一像素动作接口把视频模型变成正向动力学、逆向策略与候选轨迹评估器，后者用长短期事件记忆补足 WAM 的任务进度跟踪；再以 RoboInter1.5 检查密集中间表征能否同时约束动作与世界 rollout，以 Agentic Real2Sim 观察自动构建可执行物理孪生的数据闭环。
WorldScape Policy 2.0: Empowering Steerable World Action Modeling with Reasoning-Augmented Memory
以 DiT prefill 保存短期视觉动力学，并把 VLM 历史整理成全局、局部活跃与事件边界记忆，实现进度感知检索和隐式子目标规划；同时构建近 500 万事件片段的 ManipEvent-5M，统一支持文本、目标图像和视频上下文控制。
RoboInter1.5: A Holistic Intermediate Representation Suite for Embodied World Modeling and Robotic Manipulation
在 571 个场景、超过 23 万条操作轨迹上提供子任务、技能、物体与夹爪 grounding、可供性、抓取位姿、接触点和运动轨迹等十余类逐帧标注，并配套 VQA、VLA 与世界模型，验证中间表征既可规范动作空间也可约束未来状态生成。
Agentic Real2Sim: Physics-based World Modeling with Vision-Language Agents
让视觉语言 agent 从真实交互视频恢复几何、物体状态、物理参数、相机与轨迹，自动装配可运行的 episodic twin；统一覆盖刚体操作、可变形物体和人形运动，开源权重 VLM 后端以远低于前沿模型的成本取得相近转换成功率。
Athena-Brain Technical Report: An Efficient Robot Brain for General Intelligence and Embodied Interaction
Athena-Brain-8B 通过通用 SFT、通用强化学习、具身专家训练与模型合并，兼顾通用推理和端侧高层具身交互；相对 Qwen3-8B thinking 保持相近通用能力但输出更短，在域内具身评测上超过同规模及若干更大的零样本模型。
MVP-Tac: A Miniaturized Dual-Modal Vision and Photoelastic Tactile Sensor for Robot-Assisted Minimally Invasive Surgery
以半透明膜和可控照明在同一微型光路中切换视觉与光弹性触觉，兼顾腔内导航和触诊；0–2 N 标定后，对暴露与皮下肿瘤模型的硬度分类分别达到 97% 和 92%，并开放设计、制造与固件。
Koopman DCM: Unstable Eigenfunctions as Data-driven Representations for Legged Balancing
把腿式平衡中的发散运动分量推广为 Koopman 不稳定特征函数，仅用一小时真机数据学习可观测量；在真实双足机器人上改善参考步态跟踪，并与 MPC 结合形成基于状态的可行性约束。
2026-07-21
编辑建议优先连读 RynnBrain 1.1 × POT-VLA：前者把统一跨本体动作空间、接触点预测和 3D grounding 纳入具身基础模型，后者用持久 3D 物体 token 把人形动作生成与结果验证闭环；再以 FM-VLA 检查力觉历史能否补足视觉记忆，以 Patch Policy 对照大 VLM 与轻量密集视觉策略的效率边界。
RynnBrain 1.1: Towards More Capable and Generalizable Embodied Foundation Model
发布 2B、9B 与 122B-A10B 具身基础模型，引入接触点预测和原生 3D grounding，并以统一跨本体动作空间训练 VLA；在 Unitree G1、Astribot-S1 和天机五季真机上，多任务多本体联合训练优于逐任务训练。
Closing the Loop in Humanoid VLA: Persistent 3D Object Tokens for Verifiable Loco-Manipulation
POT 用 RGB-D 维护带角色的持久 3D 物体记录，让同一状态同时条件化全身动作并执行几何谓词验证；POT-VLA 在 Unitree G1 八类真机任务上把匹配的 GR00T-N1.7 基线由 39/80 提升至 71/80。
FM-VLA: Force-based Memory for Vision-Language-Action Models in Contact-Rich Manipulation
用 VAE 把力时序压成紧凑记忆 token，补足视觉难以区分重复按压、擦拭次数等非马尔可夫接触事件；三项记忆依赖任务成功率超过 80%，且几乎不增加推理开销。
Patch Policy: Efficient Embodied Control via Dense Visual Representations
以 block-causal mask 让轻量 Transformer 直接消费预训练 ViT 的密集 patch token；横跨四套仿真和三套真机环境，相对全局池化表征提升 40%，仅用约 0.7% 参数量即比微调 OpenVLA-OFT 高 18%。
RoboHarness: Memory-Driven Orchestration of Heterogeneous Robot Policies for Long-Horizon Planning
把 VLA、RL 与 TAMP 等异构控制系统封装为 agentic skills，用多模态执行记忆学习能力边界并路由，再以 Memory Bridge 把机器人引导到下一策略的分布内状态；覆盖 500 个定制任务和 135 次真机实验。
World Translation: Minimizing Sim-to-Real Gap with Backward Dynamics Extraction and Unpaired Domain Translation
不再从可能无信息的历史前向猜测隐变量，而从已观测转移反向提取不可观测动力学，再以无配对域翻译在仿真与现实间保留动力学内容；覆盖人形、四足与机械臂，并在 Go2 真机改善策略迁移。
UniETP: Unifying Environments for Generalizable Embodied Task Planning
统一 AI2-THOR、VirtualHome、Habitat 与 BEHAVIOR 的观察和动作空间，并自动构造跨任务逻辑、实例 grounding 和指令理解难度的数据；以一致评测揭示当前具身任务规划模型的瓶颈。
MEVION: Low-Cost Open-Source Data Collection System for Powerful and High-Speed Dual-Arm Manipulation
面向 ALOHA 难覆盖的高速重载采集，开放四条 6-DoF 手臂、最高 60 Nm 关节转矩的双臂 leader-follower 系统；整机约 1.4 万美元，并展示此前难采的强力、高速操作与模仿学习。
Reasoning as a Double-Edged Sword: Architecture and Cross-Stage Robustness in Vision-Language-Action Models
在 LIBERO 与 SimplerEnv 跨视觉、推理和动作阶段扰动无推理、文本 CoT 与潜在迭代 VLA；潜在迭代模型最脆弱，且看似有效的计划—动作一致性监控在自适应攻击下跌至随机水平。
HCPG-Flow: Hierarchical Contact-Progress Guidance for Flow-Policy Robot Manipulation
用解析式、物体中心的接触进度指导替代依赖稀疏 replay 的 critic 候选排序：接触前关注末端接近，接触后切换任务进度；十项仿真任务提升成功率，四项真机任务将成功完成步数减少 17.4%。
2026-07-20
编辑建议优先连读 Xiaomi-Robotics-1 × AC-VLA：前者把 UMI 真机轨迹预训练推到十万小时，后者直指大规模 VLA 仍会出现的组合泛化短板；再以 Data and Learning Where it Matters 检查“关键接触段密集采数”的低成本路线，并用 IMBench 验证物理推理能否真正落到可执行动作。
Xiaomi-Robotics-1: Scaling Vision-Language-Action Models with over 100K Hours of Real-World Trajectories
以超过 10 万小时 UMI 真机操作轨迹预训练 VLA，并用自动标注流水线生成场景状态变化语言；模型在数据量和参数量上呈稳定 scaling，RoboCasa365 成功率达 57.6%，也能用少量数据适配灵巧新任务。
AC-VLA: Robust Out-of-Distribution Action Execution via Compositional Learning
把 VLA 的组合失败归因于整段轨迹过拟合与腕部视觉捷径，以指令分解、轨迹对齐生成子任务监督，并按夹爪状态非对称遮蔽腕部视图；无需改架构即可接入 π0.5，LIBERO-OOD 组合任务提升约 28 个百分点。
Data and Learning Where it Matters for Contact-Rich Manipulation
不再端到端密集采集整条轨迹，而只在接触关键段自动采数并用离线深度强化学习训练，其余自由空间运动交给规划器；四项真机任务仅用 2–2.5 小时数据即达 96% 平均成功率，强基线为 55%。
IMBench: A Benchmark for Intuitive Robotic Manipulation
以 35 项任务和 1.4 万条筛选轨迹，把感知、物理推理、动作生成与迭代执行放进同一评测，覆盖接触富集操作、工具使用和多阶段依赖；结果显示 VLM 难产出可执行计划，先进 VLA 也难满足约束并跨场景泛化。
VTAP Gripper: Synergizing Fingertip Sensing and a Visuo-Tactile Active Palm for Dexterous In-Hand Manipulation
把视觉触觉主动掌面与带触觉阵列的可重构柔顺手指协同起来，并用分阶段手势条件重定向连接人手与三指结构；覆盖脆弱物抓取、针筒手内重定向、3 mm 物体分离及视觉触觉插孔。
BayesContact: Uncertain Pose Estimation via Visuo-Tactile Proposals and Simulation-based Inference
以粒子信念融合深度与力矩接触证据，用渲染器和物理仿真器近似观测似然，并以信息增益主动选择探测动作；在仿真几何与真机插孔中，相比纯视觉提高 30% 的位姿可观测性与插入成功率。
Handroid: Bridging Dexterous Hand and Humanoid
同一套 27 自由度机电本体可重构为 20 自由度灵巧手或桌面人形，统一支持遥操作、抓取、手内操作、行走与动作编辑；真机展示从本体重构、移动、对接到灵巧取放的长时序任务。
VTLoc: Learning-based Tactile Contact Localization in Visual Point Clouds
从触觉读数在物体三维点云中定位接触点，以伪点云重建对齐视觉—触觉几何，再迭代细化位置；在新建的 100 个真实物体基准上降低单次触摸的局部—全局对应歧义。
EgoExoMoCap: Distributed Ego-Exo Human Motion Capture
让两名或更多参与者各戴一副智能眼镜，联合第一视角和互拍视角、头腕追踪及 DINOv3 特征恢复全局人体运动；在两套野外数据上对噪声和遮挡保持稳健，为低门槛真实人类交互数据采集提供新路径。
Towards Artificial Nerves: Biomimetic Optical-Fiber Tactile Sensing for Robots
OptiTac 让软皮肤的每个机械针连接一根光纤，模仿机械感受器到神经的结构，把信号从触面引出同时保留高空间分辨率；将触觉当图像后即可用可解释解析方法估计接触位置、尺寸与形状。
2026-07-17
编辑建议优先连读 RoboTTT × DriftWorld：前者把 8K 步交互历史压缩进推理期快速权重，打开机器人策略的上下文规模轴；后者用单次前向的 drifting 生成替代扩散迭代，让世界模型真正进入在线搜索。再以 Open-AoE 检查低成本人类视频到 VLA/WAM 的数据链，以 BadWAM × WA-LQR 对照 WAM 的新攻击面与训练外稳健控制。
RoboTTT: Context Scaling for Robot Policies
把测试时训练嵌入 VLA 等机器人基础模型，以推理期梯度更新形成快速权重，将最长 8K 步历史压进固定延迟的循环状态；真机总体性能较单步上下文提升 87%，并完成基线从未完成的五分钟十阶段装配。
DriftWorld: Fast World Modeling through Drifting
训练 action-conditioned drift、推理仅单次前向生成未来帧，在五类机器人基准达到 30+ FPS、平均快于扩散世界模型 17 倍；除在线动作搜索外，rollout 分数与真实策略排名相关性最高达 0.99。
Open-AoE: An Open Egocentric Manipulation Dataset and Toolchain for Embodied Learning
首版由 500 余名贡献者用 400 余部手机采集约 2,000 小时自然场景操作视频，提供文本、MANO 手姿、相机轨迹与原子动作；配套处理、跨本体重定向及 VLA/WAM/世界模型训练工具链。
BadWAM: When World-Action Models Dream Right but Act Wrong
定义 World-Action Drift Attack：微小视觉扰动可让 WAM 的未来想象保持合理、执行动作却发生有害偏移；统一评测显式 action-only 与更隐蔽的 imagination-preserving 攻击，前者将成功率由 96.5% 降至 43.1%。
Never Too Late for Force: Accelerating VLA Post-Training with Reactive Force Injection
LIFT 在预训练 VLA 动作专家旁接入可刷新的反应式专家，以 6D 末端力记忆和零初始化交叉注意力处理接触状态；结合在线 DAgger 人工纠偏，在折毛巾、插书与汉诺塔放环上更快学成。
Representation-Aligned Tactile Grounding for Contact-Rich Robotic Manipulation
线性探测发现未来触觉最适合从动作专家中间层预测，而非视觉语言特征或最终动作；据此用轻量 LTP 预测紧凑触觉 embedding，把动作表征对齐未来接触后果，真机优于错位及多接口监督。
Reflex: Real-Time VLA Control through Streaming Inference
利用感知编码对 flow timestep 不变的性质，把注意力上下文拆成静态、滑动与动态区，实现固定输入下与全批等价的 O(1) 增量缓存；配合异步流水与算子融合达到 50 Hz，推理加速 2.58 倍。
Steering Robustness into World Action Models via Mechanistic Interpretability and Optimal Control
先诊断不同 WAM 激活空间中稳健特征的低维线性可分性，再以模型最优控制构造 WA-LQR 反馈 steering；在 Cosmos-Policy 与 DiT4DiT 上跨任务提升相机、夹爪和视觉噪声扰动稳健性。
AeroAct: Action-Centered World-Action Models for Language-Conditioned Quadrotor Flight
把 action-centered WAM 首次落到真实四旋翼：训练用未来第一视角帧监督，部署直接解码局部轨迹动作块而不生成视频；结合双仿真渲染、低成本手持采集与 self-guidance，在真机完成语言条件飞行。
Scaling Behavior Foundation Model for Humanoid Robots
联合研究全局帧运动跟踪范式、on-policy rollout 数量、参考动作多样性与 Humanoid Transformer 架构的规模配方；仿真和真机均改善全身控制，测试集全局模式 MPKPE 较既有控制器降低 82%。
Active Real-World Factor-Based Evaluation for Generalist Robot Policies
把真机策略评测重写为序贯实验设计，以概率代理模型在结构化任务因素空间主动选择最大信息增益配置；在三任务 2,331 次真机评测中，通常比随机测试节省至少 20–40% 试验。
MIDAS Hand: Modular low-Impedance Direct-drive Anthropomorphic Sensing Hand
开源人尺度低阻抗灵巧手集成 16 自由度、283 个三轴触觉 taxel，整机 700 g、物料成本低于 3,000 美元且三小时内可装配；同步开放设计、控制、触觉 API、仿真、重定向与遥操作栈。
DiMaS: Distribution Matching for Steering Vision-Language-Action Models
发现 VLA 行为特征虽可线性解码却不可线性 steering，提出在流匹配 VLA 内部表示分布间做 transport；在两类先进 VLA 上实现细粒度行为控制，并刻画跨任务迁移何时衰减。
Beyond Visual Grasping: Benchmarking Complex Grasping from Detection to Execution
GCA-Bench 把抓取评测从孤立姿态检测扩展到含场景推理、语义约束与多步执行的复杂动作；从传统检测管线到端到端基础模型的多类基线成功率均低于 70%，并给出失败模式与新指标。
SafeRelBench: A Spatial-Relation-Aware Benchmark for Process-Level Safety in VLM-Driven Embodied Agents
用 507 个可执行样本评测支撑、包含与邻近关系引发的过程级风险；七种 VLM 具身 agent 常能完成任务却在危险动作前违反安全条件，揭示终态成功与执行安全间的系统缺口。
Beyond Implicit Force: Evaluating Explicit Force-Torque Proxies in Action Chunking with Transformers
拆解 leader-follower 遥操作跟踪误差隐含的接触线索，发现移除此信号会让 ACT 在力关键阶段严重失败；仅用电流或关节 effort 构造的扭矩 proxy 即可恢复并进一步提升四类真机接触任务。
Lights, Camera, Malfunction: When Illumination Robustness Leaves VLA Models Blind to Color
FLARE 聚光物理攻击可在黑盒下把 VLA 成功率降至零；论文进一步发现朴素增强会让模型错误忽略颜色，并提出保色对抗训练 ChromaGuard，真机良性与受攻击任务分别达到 97.5%/92.5%。
KineFuse: Kinematic-Aware Haptic Fusion for In-Hand Occluded-Object Pose Tracking
将本体、近端力矩与二值接触压成手指级 token，补足视觉在手内操作中的遮挡；序列评测会把编码器差异放大至 15 倍，4-token 结构优于扁平及关节级融合，并提升闭环重定向成功率。
Towards Human-like Physical Intelligence: Lifelong Vision-Language-Action Learning for Robotic Manipulation
LifelongVLA 用短期与长期 LoRA 路径及任务门控显式平衡可塑性和稳定性，再以缓存高效随机 replay 保存旧技能；在 xArm 真机顺序学习中改善新技能扩展与旧行为保持。
Action QFormer: Structured Representation Shaping under Action Supervision in Vision-Language-Action Models
指出动作监督既塑造可执行表示，也可能破坏语言与物体 grounding；以指令条件 query 在动作生成前重组多模态信息，零样本 sim-to-real 导航成功率由 18.8% 提至 56.3%。
2026-07-16
编辑建议优先连读 GigaWorld-Policy-0.5 × REAL：前者把 WAM 的未来视觉监督留在训练期、把部署收敛为低延迟动作解码，后者给出无 oracle 感知的开放世界移动操作训练—评测—真机闭环；再以 Anchor-Align × Semantic Anchoring 对照两种 VLA 语义保持机制，以 WANDA 和 PhysClaw-0 观察单示范合成与可记忆语言纠错如何降低数据成本。
GigaWorld-Policy-0.5: A Faster and Stronger WAM Empowered by AutoResearch
训练时混合动作条件世界建模与 WAM 目标，让未来视觉动力学继续提供稠密监督；推理时通过 Mixture-of-Transformers 只激活动作专家，在 RTX 4090 上达到 85 ms 延迟，并用 agent-based AutoResearch 搜索训练配置。
Exploratory, Communicative, and Deployable: Vision-Driven Embodied Agents for Open-World Mobile Manipulation
REAL 在无特权状态的 sim-to-real 一致接口中统一主动探索、视觉 grounding 与意图澄清，并发布含 241 项任务的 REAL-Bench；经 SFT 与在线 RL 的 agent 在双臂移动机器人 60 次真机测试中达到 78.3% 端到端成功率。
Generalizable VLA Finetuning via Representation Anchoring and Language-Action Alignment
Anchor-Align 用冻结 VLM 逐层蒸馏抑制行为克隆对预训练表征的覆盖，并把动作转为运动方向标签，在同一机器人观测上联合语言与动作预测；两种 VLA 的 xArm7 真机成功率分别由 28%/37% 提升到 54%/60%。
Semantic Anchoring for Robotic Action Representations
系统探测 VLA 微调中动作表征语义结构的退化，并把它与任务成功和 OOD 泛化同步关联；训练期将动作表征拆成共享语义与私有通道并锚定预训练语义流形，部署不增加模块，真机 OOD 最高提升 21.5%。
Worlds in One Demo: A Synthetic Data Engine for Learning Open-World Mobile Manipulation
WANDA 从一条 RGB-D 示范重建高斯场景与交互轨迹，重排接触片段、扩展纠错状态，并把轨迹合成到日常照片生成的不同 3D 世界；由此覆盖空间、长程与跨环境泛化，还支持跨本体零样本部署。
PhysClaw-0: A Symbiotic Agentic System for Robot Autonomy via Language Corrections
让收集、验证和复位循环自主运行，仅在重试预算耗尽时请求远程语言纠正；LLM 将纠正写入可跨轮复用的 Corrective Memory，桌面清理中以 16% 的人工工作时间匹配遥操作数据训练出的策略表现。
Industrial Dexterity Benchmark: A Hardware-Software Benchmarking Platform for Industrial Dexterous Manipulation
发布面向数据中心线缆、汽车线束与齿轮箱装配的实体 benchmark 板，以及 DAG-ROS 模仿学习框架和融合 RGB、点云、关节、腕力的 AG-iDP3；多视角扩散策略在线缆抓插任务达到 78% 成功率。
Learning Robust Execution in Robotic Manipulation with Agentic Reinforcement Learning
用两项运行时指标判断执行是否退化，再让高层 agent 在少量执行模式间选择恢复策略、回到曾访问的正常状态，而非重学低层动作；LIBERO 标准设置最高提升 13.7%，扰动设置最高提升 39.2%。
Kepler-Encoder-v0.1: Towards a Multimodal Embedding Model for Robots
训练时以 masked cross-modal prediction 融合视觉、本体与力矩，评测时仅输入视觉，却能在 RH20T 多机器人上更好恢复末端与力状态；同一冻结潜空间还能作为无需训练的异常状态监测器。
Topology-Agnostic Mesh Reconstruction of Deformable Objects from Sparse Touch
用统一的 permutation-invariant cross-attention 从少量触点重建绳、布料与软体三类不同拓扑的完整网格；深度集成不确定性还能主动选择下一触点，在无视觉和强自遮挡条件下降低误差。
Reverse to Advance: Teleoperation-Cost Effective Hard Policy Learning from Reversed Easy Tasks
利用困难任务与其逆向简单任务的难度不对称，自主交替收集并时间反转简单轨迹，再以运动学先验和 critic advantage 过滤噪声；仿真和真机高精度操作均减少困难任务遥操作需求。
An Empirical Study on Stage-Information Interfaces for VLA Fine-Tuning
在 GR00T N1.6 与 LIBERO-10 上比较完整指令、当前阶段文本及归一化阶段序号，发现显式阶段信息并不天然有益；延续微调时序号状态在三组配对实验均胜出，为长程 VLA 接口设计提供负结果与基线。
Learning Forward & Reverse Skills from a Single Unfinished Demonstration for Constrained Manipulation Tasks
把单条甚至未完成示范拆成 DMP 非接触段与几何驱动分割的螺旋接触段，以导纳修正完成示范之外的轨迹并直接反向执行；在插销、电池、开锁和拧螺丝上优于 one-shot 基线。
2026-07-15
编辑建议优先连读 FlowWAM × VistaVLA：前者用光流统一 WAM 的动作预测与世界建模，后者把 3D 高斯中的几何—语义压缩为 VLA 控制 token；再以 ExToken 和 DenseReward 串起高效在线探索与失败感知奖励，以 Jetson-PI 检验 VLA 端侧实时部署。
FlowWAM: Optical Flow as a Unified Action Representation for World Action Models
把光流视频作为与 RGB 视频同构、同时携带像素运动的动作表征，在共享视频扩散骨干中统一策略模式与世界模型模式；还能直接利用无动作标签视频预训练，在 RoboTwin 与 WorldArena 均超过 VLA/WAM 基线。
VistaVLA: Geometry- and Semantic-Aware 3D Gaussian-Grounded VLA for Robotic Manipulation
把多视角视觉—语言特征提升到 3D 高斯，形成兼具几何锚点与语义的视角一致表征，再以 Merge-then-Query 压缩 99% token；七项真机任务平均提升 22.8%，困难 OOD 相对 VLA-Adapter 提升 30.0%。
ExToken: Structured Exploration for Efficient Vision-Language-Action Reinforcement Fine-tuning
指出 VLA-RL 的关键瓶颈是轨迹多样性而非 rollout 数量，并用离线示范归纳的离散行为 token 条件化探索；部署时由状态条件选择器挑选行为模式，在受限交互预算下加快收敛并提升仿真与真机操作表现。
DenseReward: Dense Reward Learning via Failure Synthesis for Robotic Manipulation
在仿真中自动合成碰撞、漏抓、掉落与恢复等物理失败轨迹，无需人工标注即可训练视觉—语言稠密奖励模型；逐帧任务进度估计优于通用 VLM 和现有机器人奖励模型，并能为 MPC 与 RL 提供有效反馈。
Jetson-PI: Towards Onboard Real-Time Robot Control via Foresight-Aligned Asynchronous Inference
用未来校正模块处理异步推理的感知—执行错位，以置信度调度减少反应时间，并结合 CUDA 图复用等系统优化；Jetson Orin 控制频率较朴素 PyTorch 提升 8.66 倍，LIBERO 成功率也超过 VLASH。
ChunkFlow: Towards Continuity-Consistent Chunked Policy Learning
针对 action chunk 边界抖动，把每个 chunk 划为冻结、可编辑与未来区域，并在训练中加入接缝及一、二阶连续性损失；结合历史扰动、scheduled sampling 与 AWAC，在 CALVIN、LIBERO 和真机上改善成功率—稳定性权衡。
Hy-Embodied-VLM-1.0: Efficient Physical-World Agents
围绕动作相关状态理解、动作转移推理和顺序自适应推理构建数据与训练体系；仅激活 3B 参数的 MoE 模型在 38 项具身感知、物理理解与推理评测中有 19 项达到同规模最佳，并支持多轮长程具身任务。
UR-VC: Unsupervised Robotic Value Correction for Time-Derived Progress Proxies
利用跨示范中相似状态出现在不同时间点的规律，离线修正把归一化时间误当任务进度的标签偏差；无需人工奖励或额外价值模型，即可捕捉布料操作中的回退与非匀速进展，并用于 VLA 优势条件训练。
TrustVLA: Mechanism-Guided Inference-Time Defense Against Vision-Language-Action Backdoors
从 BadVLA 与 INFUSE 中归纳出注意力驱动、空间紧凑且具因果性的触发器内部足迹，据此在推理时检测异常证据演化、定位区域并局部修复；仅需少量干净校准集，无需重训即可降低攻击成功率并保持正常任务性能。
Mind the Gap: Promises and Pitfalls of Hierarchical Planning in LeWorldModel
冻结 LeWorldModel 低层控制器并增加潜在子目标规划，发现层级化并不会自动改善长程控制，主要瓶颈是高层搜索分布与低层动作空间错配；把搜索约束到训练轨迹宏动作附近后，PushT 长距离成功率提升 14.7 个百分点。
Vision-Based Dribbling for Humanoid Soccer via Privileged Representation Learning
把时序深度编码器直接嵌入强化学习策略，使人形机器人无需显式状态估计即可兼顾平衡、控球与对手感知；仿真 Booster T1 在标称运球与静态障碍下表现强，但面对主动移动对手成功率仍为 46%，适合作为视觉闭环基线观察。
2026-07-14
编辑建议优先连读 Lumo-2 × WALA：前者研究潜在世界动力学、动作与多模态对齐如何形成预测推理，后者把无动作视频的语义—几何变化转成可执行潜在动作；再以 Xiaomi-Robotics-U0 观察世界基础模型作为具身数据引擎的规模路线，以 Robot-Centric Pointmaps 检验低改造成本的跨视角 VLA 泛化。
Towards Predictive, Aligned, and Scalable Robot Learning
Lumo-2 在潜空间学习物理视觉转移并据此生成动作，以分阶段模态预对齐把动作表征依次对齐世界动力学、视觉和语言；系统分析 latent world modelling、对齐、规模律与 OOD 泛化，在长程和灵巧真机任务上超过 VLA/WAM 基线。
WALA: Learning Executable Latent Actions from Action-Labeled Demonstrations and Action-Free Videos
先从视频的 DINOv3 特征差分与稠密深度差分学习语义—几何潜在动作，再用有动作示范把它对齐可执行控制并训练 latent world model；RoboCasa 平均成功率达 75.2%，也提升真实操作的性能与泛化。
Xiaomi-Robotics-U0: Unified Embodied Synthesis with World Foundation Model
以 38B 多模态自回归模型统一图像、编辑、具身场景、跨本体 transfer 与视频生成，保留基础生成模型泛化并强化多视角几何一致性；合成数据把 π0.5 的困难 OOD 真机成功率从 36.9% 提至 63.2%。
See like a Robot: Robot-Centric Pointmaps for Vision-Language-Action Models
把每个像素改写为机器人坐标系中的 3D 点，在保持预训练 2D VLA 所需稠密网格接口的同时消除相机观察坐标与动作坐标错配；对 π0.5、SmolVLA 均有增益，真机相机移到未见位置时优势进一步扩大。
Mixture of Frames Policy: Multi-Frame Action Denoising for Bimanual Mobile Manipulation
不再固定单一动作坐标系，而让 frame-specialized denoiser 在末端、基座等多个坐标系同步去噪并融合回规范状态；新的 SE(3) 参数化支持对中间噪声状态做精确可微变换，在九项仿真和两项真机双臂移动操作中胜过单坐标系基线。
A Minimalist Retargeting-Guided Reinforcement Learning Recipe for Dexterous Manipulation
REGRIND 从单条人类示范保留手—物空间与接触关系地重定向，再以物体中心关键点残差 RL 跟踪，并通过系统辨识零样本迁移到两种多指手；剪刀和螺丝刀等接触丰富工具任务同时给出实用 sim-to-real 因素分析。
Towards Human-level Dexterous Teleoperation
TeleDexter 用手—物协同跟踪把操作员意图映射为学习到的低层接触执行，以连续子目标和混合奖励覆盖重抓、物内重定位及指步；两种灵巧手、七项长程工具任务真机平均成功率 75%，采集示范还能训练自主策略。
EDAR: Learning Environment-Dependent Action Representations for Robotic Manipulation
把动作 token 同时锚定可执行控制结构与场景条件下的预期视觉后果，使同一控制片段在不同环境中的不同语义显式进入表征；在仿真和真机操作上改善策略学习，长程任务收益尤其明显。
Requirement-Driven Design of Whole-Body Social Tactile Sensing via Virtual Human-Robot Interaction
从 VR 触觉交互数据反推人形机器人全身皮肤的覆盖位置与空间分辨率，而非先定硬件；18 名参与者、5,520 次试验形成开放数据，并为九类重复出现的社交触摸手势给出传感器密度基线。
Robust bipedal locomotion on flowable slopes via foot-driven terrain manipulation
从足端主动调节颗粒地形响应，而非只靠身体控制抵消扰动：实验揭示中等 cleat 间距可让基质应力保持在屈服阈值附近，并据此设计可调深度足，在 1.4 kg 与 15 kg 双足平台验证最高 30° 流动斜坡行走。
ERR@HRI 3.0 Challenge: Multimodal Detection of Errors and Anticipation in Human-Robot Interactions
发布 BAD 与 Bad Idea 两套自然场景原始视频数据，分别评测旁观者对机器人/人类失败的自发反应识别，以及失败发生前的结果预判；还设置跨数据集泛化轨道，并报告挑战赛参赛方法与基线。
From World Action Models to Embodied Brains: A Roadmap for Open-World Physical Intelligence
把 WAM 进展整理为模型角色与表征、目标与标准化、系统组合三组缺口，并提出 embodied brain、physical harness、共享契约和闭环后训练组成的模块化栈；适合作为路线图观察，但当前标注为 ongoing work。
2026-07-13
编辑建议优先连读 CD-LAM × FlowDAgger：前者修正无动作视频中的潜在动作偏差，后者用少量人类介入适配冻结的 VLA/WAM；触觉线重点看 TACTIC × TactiDex，分别覆盖多接触预测控制与接触级评测；再以 CLAP 和 AgenticFocus 观察轻量 VLA 与人形数据路线。
Causally Debiased Latent Action Model for Embodied Action Conditioned World Models
识别重建式 latent action model 会把背景与未触碰物体混入动作表征的问题，以本体中心重建、动作对比学习和潜空间校准组成 CD-LAM；在 2B/14B 世界模型上提升动作可控性，并将机器人动作适配更新量压低 12 倍以上。
FlowDAgger: Human-in-the-Loop Adaptation of Generative Robot Policies in Latent Space
把人类纠正动作反演成冻结 flow/diffusion 策略中本应生成该动作的噪声，仅训练轻量 latent policy 即可用少量介入适配 action-head VLA 与 WAM，同时保留未参与适配的原有技能。
Tactile and Vision Conditioned Contact-Centric Control for Whole-Arm Manipulation
TACTIC 将 RGB-D、分布式触觉与 proximity 表征送入动作条件潜在动力学，并以接触 Jacobian 注入解析运动学；预测接触配置和作用力后，用接触感知 MPC 完成真实机器人的全臂多接触操作。
TactiDex: A Real-World Tactile-Guided Benchmark for Human-Like Dexterous Manipulation
建立对齐全手触觉、多粒度运动学与物体状态的真实灵巧操作数据和标准指标，并用三分量触觉奖励统一引导、类人接触对齐与约束，把 human-to-robot transfer 从运动模仿推进到接触级物理一致性。
CLAP: Direct VLM-to-VLA Adaptation via Language-Action Grounding
不改 VLM 骨干结构，而是在数值动作 token 前先生成自然语言动作描述，以缩小语言预训练分布与连续控制输出的落差；单轮微调的 2B 模型在 LIBERO 达 90.8%，并提供 0.8B/2B/4B 同源模型族用于尺度对照。
AgenticFocus: Object-Preserving Mixed Reality Synthesis from Human FPV Video for Dexterous Humanoid Learning
把普通第一视角人类视频转成可训练人形策略的混合现实示范：恢复手部遮挡的物体几何、重建完整手部运动，再经相机相对对齐与分层合成完成跨本体重定向，输出视觉、机器人动作与状态同步的数据。
B-spline Policy: Accelerating Manipulation Policies via B-spline Action Representations
用结点和控制点定义的连续 B-spline 曲线替代离散 action chunk，使动作可平滑缩放并由低层控制器以更高频率执行；可直接接入现有策略学习管线，在保持成功率的同时缩短仿真与真实任务完成时间。
PAC-ACT: Post-training Actor-Critic for Action Chunking Transformers
把 ACT 的在线强化学习后训练改写为 chunk 级 actor-critic，并用混合行为先验约束保持预训练动作分布；在工业精密接触任务中兼顾低延迟、成功率与力安全，Contour 任务中将超过 60 N 的读数比例降低 46 倍。
DemoBridge: A Simulation-in-the-Loop Toolkit for Single-View Human Demonstration Retargeting
把单视角 RGB stereo 手部示范转成物理验证的机械臂轨迹；统一优化整段关节轨迹、候选抓取与碰撞约束，并由仿真逐阶段验证、失败回溯重规划，产物还能直接作为策略学习 rollout。
GenVid2Robot: From Video Generation to Robot Manipulation via Rigid-Geometric Consistency
不把生成视频当作可直接回放的示范，而以真实首帧 RGB-D 锚点和稀疏相对 SE(3) 检验候选运动；仅将几何一致、抓取约束和运动学可行的轨迹迁移到真机，并用有界深度补偿减小执行偏差。
PhysV2A: Reachability-Gated and Semantic-Mask-Constrained Feasibility Completion for Video-to-Robot Manipulation
把视频恢复的 6D 物体运动与每个候选抓取刚性耦合成整段 TCP 假设，以可达性门控筛掉不可执行轨迹；再由 VLM 辅助的语义掩码区分关键与可放松维度，在有限语义偏差内改善可操作性。
One-Shot Multimodal Learning from Demonstration with Force-Constrained Elastic Maps
从单次示范联合分割空间轨迹与力信号，并把外力约束写入 elastic map 的凸优化编码；在 UR5e 腕力传感和 Kinova 指力传感两套平台、五项真实任务上复现运动与接触特性。
Implicit-Behavior Coordination from Unlabeled Sub-Task Demonstrations for Rearrangement Tasks
不预定义技能、边界或切换逻辑，而从混合的无标签子任务示范中学习多模态行为，再由 critic 对候选动作做价值引导选择；在 Habitat 长程整理任务中接近带行为克隆技能的 oracle planner。
SplatCtrl: Perception-Action Coupling via Gaussian Scene Representations and Reactive Robot Control
从动态 3D Gaussian 场导出连续可微的碰撞距离，再纳入 control barrier function，把 RGB-D 实时场景重建与反应式机械臂控制闭合为一条链；在仿真、真机和共享人机空间中验证动态避碰。
2026-07-10
编辑建议优先细读 LingBot-VA 2.0 × EgoWAM，比较“原生视频—动作预训练”与“非像素世界目标”两条 WAM 路线；再读 Latent Memory Palace × TFP，区分自适应潜在推理与事件敏感记忆；具身侧重点跟进 ContactMimic 与 DexVerse。
Native Video-Action Pretraining for Generalizable Robot Control
提出 LingBot-VA 2.0：不再改造面向数字内容的视频生成器，而是从语义视觉—动作 tokenizer、因果预训练、稀疏 MoE 到异步闭环推理原生构建具身视频—动作基础模型。
EgoWAM
固定策略骨干、动作头与数据配比，只比较 Pixel、DINO 和 3D motion flow 世界预测目标；结果显示抽象外观并分离相机运动的表征更适合把野外第一视角人类视频迁移到双臂机器人。
Latent Memory Palace
把连续控制中的推理写成自回归潜变量上的变分推断，并用潜空间强化学习优化；同一框架既形成可自适应分配测试时算力的策略，也产生可变长度动作 tokenizer。
Harness VLA
把 frozen VLA 暴露为可重试的接触丰富 primitive，由带执行记忆的 agent 负责语义重接地、非接触动作与重新 staging，在不微调 VLA 的情况下扩大其部署工作域。
ContactMimic
在关键点轨迹之外显式跟踪身体部位二值接触命令，用轨迹增强打破姿态与接触标签的伪相关，使人形机器人能按需产生或抑制接触，并在 5 种动作上完成 sim-to-real。
DexVerse
提供 100 项灵巧操作任务、3 种机械臂、6 种灵巧手、可控视觉变化和 3,180 条多模态 VR 示范，并用 Diffusion Policy、DP3、OpenVLA 与 π0.5 暴露跨任务和跨本体泛化缺口。
TFP
用 Liquid Time-Constant 动力学维护 episode-local 任务进度信念，并调制 flow-matching 动作解码器，让记忆在接触、释放和子目标转换附近主动更新，而非仅作为被动历史上下文。
AnyDexRT
以自监督指尖对应、少量人类引导与接触分类器替代手工目标和精确标定，面向不同仿人灵巧手提供 calibration-free 的遥操作重定向与示范采集接口。
FabriVLA
将 1B 级 InternVL3.5 骨干与带门控动作 token 自注意力、浅层 VLM 特征融合的 flow-matching action head 单阶段联合训练，探索紧凑 VLA 的精细多任务操作上限。
In vivo feasibility study of humanoid robots in surgery
用通用器械建立人形机器人腹腔镜遥操作框架，从台架、干实验用户研究到活体猪实验系统评估精度、控制、安全与临床准备度，是通用人形进入高风险精细操作的少见实证。
HumoSlope
以斜坡局部支撑面上的 ZMP 正则和生物力学步态适配器抑制蹲伏退化，部署时只用本体感知，在真实户外草坡实现最高 32.1° 的盲走连续穿越。
2026-07-09
编辑建议优先连读 LaMem-VLA × GeoProp × PriGo 理解“记忆—状态—动作”链路；WAM 侧把 LingBot-Video、WAM-TTT 与 world-model admissibility 放在一起看；TouchWorld 则是本期最值得跟踪的接触闭环样本。
LingBot-Video
面向 embodied intelligence 重新设计 MoE DiT 视频预训练,把机器人、导航和 egocentric 视频纳入数据画像,并用物理合理性和任务完成奖励对齐视频世界模型。
LaMem-VLA
把历史经验重构成 short/long-term latent memory token,直接编织进 VLA 连续嵌入序列,解决长程任务里仅靠当前观测或外部检索难以参与动作推理的问题。
TouchWorld
把 vision-language 子任务规划、tactile world-model prediction、visuo-tactile action chunk 和高频 tactile residual correction 分层,用触觉同时做接触预测和快速反馈。
EmbodiedGen V2
把 sim-ready 3D asset、交互 affordance、任务世界、多房间场景和 stateful vibe coding 统一成可编辑仿真流水线,服务导航、操作和移动操作策略训练。
GeoProp
把机器人 proprioception 投影到图像平面采样局部视觉特征,形成 grounded state token 并加入短程 look-ahead 坐标,给通用操作策略一个轻量几何归纳偏置。
WAM-TTT
用未标注人类视频在测试时写入 frozen WAM 的轻量 adaptive memory,通过视频预测和 human-robot 对齐让 world-action model 向新任务偏好迁移。
Validate the Dream Before You Trust Its Verdict
把生成式 world model 作为闭环测试 oracle 前先做 admissibility ladder 认证,指出视觉质量指标不能替代 action-following 和安全判决可信度。
LingBot-World 2.0
把 LingBot-World 扩展到无限交互时长、720p 60fps 实时蒸馏、多样化动作事件和 agentic harness,更偏可交互世界模拟器路线。
ABot-C0
用条件视频生成、动作捕捉、遥操作和人工设计构建 16,074 段物理可行动作片段,训练四足机器人 motion-control foundation 与真实部署栈。
PriGo
给 diffusion / flow manipulation policies 增加 test-time primitive guidance,通过 PANet 预测 primitive distribution 并可微地修正动作,减少表面动作相关性带来的泛化失效。
GemNav
用 frozen MLLM 语言塔 LoRA 做短中程视觉导航,把 waypoint 和导航信号统一成离散 token,弱化专用视觉编码器和连续 action head 依赖。
Smooth Operator
提出 sampling-based hand retargeter,面向 VLA/VAM 所需高质量遥操作数据降低 jitter 和操作者负担,并用真实用户实验评估复杂操作成功率。
Immersive Social Interaction with VR and LLM-Assisted Humanoids
用 Apple Vision Pro、语音控制、VR 手腕/手指跟踪和 LLM locomotion command 模块遥操作 Unitree H1,同时记录第一视角、多模态命令、关节和 gaze 数据。
Multi-Agent Robotic Control with Onboard VLMs
把多个小型 VLM 专家和 Megamind 编排 agent 部署到板载硬件,在工业仓库移动操作场景中处理巡检、维护、搜索、质检和人类请求。
Closed-Loop Multi-Agent Framework for Multi-Robot Manipulation
用层级 LLM agent 把长程任务分解、物理执行反馈和多机器人协同闭环结合起来,针对跨 workspace、接触丰富和执行不确定性的操作任务。
Compositional Motion Generation with Object-Centric Neural Fields
把 object-centric neural fields 和 temporal MoE movement primitives 连接起来,从示范中学习可组合的操作轨迹,保持物体几何变化与动作生成的一致表示。
Context-Aware Force Estimation for Deformable Tool Manipulation
针对机器人环境拭子这类一次性柔性工具,用 wrist force 和 proprioception 学习 tip-level contact force,并通过 few-shot FiLM context 适应表面和工具顺应性变化。
Initiation Safety
把 generalist robot safety 中的“是否应该开始第一个难撤销社交动作”单独建模为 initiation authorization,补 motion guardrail 和对话安全之外的许可层。
ELEANOR
构建 85 cm 连续柔性象鼻式机械臂,通过 3D 打印体素化结构和 tendon actuation 获得全身抓取与高顺应性,对软体大尺度操作硬件有参考价值。
SPECTRA
用频域 movement primitive 同时保留 task-space 几何和 joint-space 执行约束,避免事后滤波、裁剪或 time scaling 破坏关键末端轨迹。
2026-07-08
本期判断:今天最值得优先细读四条线:第一是 VLA 从二维视觉动作模型继续补 3D 几何、部署数据和推理效率,Lift3D-VLA、LingBot-VLA 2.0、SIEVE、ActionCache 都值得优先跟;第二是 WAM/4D 世界模型明显升温,RynnWorld-4D、RynnWorld-Teleop、MECo-WAM、RoboTALES 分别覆盖 RGB-D-flow 预测、数字遥操作、机械直觉和任务对齐想象;第三是数据和评测侧开始更重视可生成数据、抓取 SE(3) 质量、人形交互力和 embodied occupancy;第四是人形与灵巧手继续向接触密集操作推进,WristMimic、LAMP、DexTele 都有真实或物理仿真约束。
Lift3D-VLA
把 VLA 显式抬升到点云几何和时序动作空间,通过 2D 模型 lifting 与 temporal action token 建模补现有 3D 编码的信息损失和动态操作不足。
RynnWorld-4D
从单张 RGB-D 图像和语言指令联合生成未来 RGB、depth 与 optical flow,用 RGB-DF 表征把世界预测向低层末端动作需要的 4D 动态靠拢。
RynnWorld-Teleop
提出 digital teleoperation,让操作者手部 pose 驱动机器人中心的生成式世界模型合成第一视角视频,再把 pose stream 作为可重定向动作标签扩展模仿学习数据。
SIEVE
把示教轨迹拆成可复用 primitive 与 transition interface,按结构覆盖度选择 medoid 轨迹,针对 VLA imitation learning 中的冗余、噪声和长程组成覆盖不足。
WristMimic
用 wrist 作为全身运动和接触丰富手部操作之间的分界,身体与手腕跟踪人体运动,手指则通过物体轨迹和接触结果学习抓取与操作。
LingBot-VLA 2.0
把 LingBot-VLA 扩展到约 60,000 小时预训练数据、20 种机器人配置、双臂/头腰底盘/灵巧手动作空间与预测式动态建模,更偏真实部署工程化。
ActionCache
给 flow-matching VLA 加外部动作缓存,用相似上下文检索历史中间动作 warm-start 去噪过程,目标是在不训练的情况下减少实时部署延迟。
LAMP
为灵巧手学习 history-conditioned latent motion prior,让在线 residual RL 在低维手部 latent action 空间探索,降低真实硬件上接触断裂和高维动作误差。
Semantic Handoff Failures
在 BEHAVIOR-1K 中诊断长程 household task 的 skill handoff 问题:单个 VLA skill 达成 postcondition 后,终态可能仍不适合作为下一个 skill 起点。
Image2Sim
把单张全景图自动转换成可交互 3D 场景并生成 embodied navigation 训练数据,用 VLM、深度、GSplat 和 asset retrieval 串起低成本仿真数据引擎。
ThorArena
面向人形物理交互评测,采集带双手交互力的真人全身动作示范,用于衡量 motion-force 条件下的 tracking、稳定性和控制鲁棒性。
RoboTALES
用层级 LLM planner 和 VLM critic 约束视频生成模型的 imagined futures,让世界模型想象更贴合任务子目标,再从内部表征训练机器人策略。
Imagined Rollouts are Kinematic, Not Dynamic
提出 imagined Kinematic-Consistency Error 诊断长程 world model failure,指出模型常在运动学外观上想象,但没有随物理参数跨 regime 变化出动态响应。
DexTele
双臂灵巧遥操作系统,结合视觉 motion retargeting、motion-graph encoder、latent optimization 与 VLM+MPC 自适应抓取,处理跨平台和合规接触。
GraspIT
连接仿真和真实抓取 SE(3) 姿态生成的数据集,用 Isaac Sim slip-test 给候选抓取打连续质量分,并把标签回投到真实 RGB-D 场景。
GEM-Occ
为 embodied AI 引入 generative 3D occupancy prediction,从 ego-centric observation 推断语义占据,补齐导航和操作任务中对不可见空间结构的场景理解。
FORGE
通过 VLM 从视觉提示中推断 object states、目标状态和 functional keypoints,把工具使用与 manipulation generalization 组织成更可解释的 prompt-conditioned 流程。
MECo-WAM
从机械直觉角度改造 world-action model,把 mass、elasticity、collision 等物理属性作为可解释信号,尝试提升长期操作预测与动作生成的一致性。
2026-07-07
本期判断:今天最值得优先细读四条线:第一是 VLA 部署鲁棒性和组合泛化,CamVLA、InternVLA-A1.5、Cortex、SEAM 分别补自由相机、潜在前瞻、长程规划对齐和 action chunk 平滑;第二是 WAM 继续从视频预测靠近可控操作,DSWAM、KAM-WM、Mask2Real-WM、GeoMoLa 都在把世界模型信号转成动作接口;第三是数据和评测侧出现 Deform360 与 RoboDojo,一个补真实多视角视触觉可变形物体数据,一个补 sim+real 通用操作评测;第四是接触密集操作继续升温,线缆、灵巧手、触觉芯片和人形 WBC 都有新信号。
CamVLA
把末端动作先预测到 camera-centric 坐标再转换到机器人控制,目标是在不显式输入相机外参的情况下处理部署时相机重装、移位和自由视角变化。
Deform360
面向可变形物体 world model 的真实多视角视触觉数据集,覆盖 198 个日常物体和 1,980 段交互,适合比较 2D pixel、3D 几何和触觉动态建模路线。
Cortex
把高层 VLM 规划和低层 VLA 执行做双向对齐,用 32 个规范化 skill primitives 与可执行性原则缩小语义规划和运动执行之间的落差。
GelNeuro
把 GelSight Mini 光学触觉前端和 Speck2f 神经形态 SoC 直接集成,用 DVS 事件和脉冲卷积网络做低延迟、低功耗纹理识别。
Green for Go, Red for No
用实时语义分割把可通行区域标绿、不可通行区域标红,评估 visual grounding 对 VLA navigation waypoint error 和场景歧义的影响。
InternVLA-A1.5
在原生 VLM backbone 上同时保留 VQA/子任务预测和连续动作生成,把未来预测改成 latent querying,用视频生成器先验增强组合泛化。
Zero-Shot Dexterous Force-Based Grasping
用密集触觉和关节力矩反馈训练灵巧手接触控制,强调快速触觉仿真、电流到力矩映射和 zero-shot sim2real 部署。
DSWAM
把 VLM 式显式子任务分解接到 video-based world/action model 的物理执行能力,并尝试给 VLA 与 WAM 做更公平的真实机器人对比。
PRISM
从单张目标环境图像和自然语言任务生成个性化机器人数据集,把场景重建、运动合成和任务轨迹生成串成面向用户环境适配的数据管线。
Athena-WBC
面向长尾人形全身控制,用 capability-aligned policy experts 处理高动态转移和平衡关键动作中“多采样仍学不好”的能力错配问题。
CAC-VLA
学习 context-gated action conditioning,让视觉语言表征显式服务于连续动作生成,减少 action expert 独自补齐多模态语义到控制信号的压力。
Spatial Attention
用 action log-likelihood 对观测的梯度敏感度动态调整 diffusion policy 的 action chunk 执行时长,在响应性和计算成本之间自适应折中。
GeoMoLa
通过预测 manipulation 中点云随时间的 4D 几何变化来学习离散 motion latent,让动作抽象更关注真实物理运动而不是外观重建。
Do VLAs Mean What They Say?
区分 embodied CoT 的 functional reasoning 和 faithful reasoning,质疑 VLA 口头推理是否真实反映动作预测内部因果链。
KAM-WM
从冻结 latent video world model 的单步 latent velocity 里抽取 Kinematic Affordance Map,给少样本 manipulation policy 提供交互区域和粗运动方向。
SILO
用 GPU 并行仿真训练多阶段线缆 routing RL policy,覆盖不同线缆几何和变形模式,目标是减少线性可变形物体任务的数据需求。
RoboVista
提出 Robot Question Answering 模块化评测框架,从真实机器人应用中拆出可解释的视觉语言决策组件,诊断 VLM 是否适配多样机器人场景。
SEAM
针对 flow-matching VLA 的 action chunk 边界不连续问题,提出无需训练的 inference-time 平滑执行方法,减少相邻 chunk 落到不兼容轨迹模态。
Simple-to-Complex Structured Demonstrations
把示教数据从简单到复杂组织起来,把 demonstration organization 作为影响 VLA 学习效率、稳定性和泛化的关键变量来研究。
Mask2Real-WM
把 action-conditioned dexterous world model 拆成 mask dynamics 与 photorealistic rendering 两段,用分割空间缩小 sim2real gap,再把 mask 转成真实 RGB 未来。
VLA Grounder
不更新黑盒 VLA 权重,而是优化语言条件空间,把人类指令转成更贴合目标物外观、空间关系和 grounding cues 的短命令。
RoboDojo
统一仿真与真实机器人通用 manipulation 评测,包含 42 个仿真任务和 18 个真实任务,覆盖多维能力而不是只测短程或单技能任务。
2026-07-03
本期判断:今天最值得优先细读三条线:第一是 VLA 部署可靠性,Neuro-Symbolic Safety、VLA-Corrector、DiG、VLAFlow 都在补安全、闭环自纠错和动作分布漂移检测;第二是 WAM 从“预测视频”继续靠近动态 3D 操作、视频-触觉联合预测和可控长程世界模拟,PhysMani、Bridge-WA、VT-WAM、WorldDirector 值得优先跟;第三是真实数据/评测侧很强,AutoSERL 用单条示教跑实机 RL,ManipArena 和 VLA-Arena 继续把 VLA/WAM 评测做成更可复现的基准,同时 EAGLE-360 和 ComplexMimic 补上具身主动探索与人-场景交互模仿。
Neuro-Symbolic Safety Guidance for VLAs
把符号安全约束插入 flow-matching VLA 的去噪过程,对预测动作轨迹做 minimum-norm correction,从单步避障转向预测性碰撞规避。
BIFROST
用 paired cross-domain data 学共享 history encoder,让视觉导航、接触操作和 visual servoing policy 通过跨域 bisimulation 表征做 zero-shot sim2real。
AutoSERL
用单条示教自动化实机 RL 的滑窗干预、安全恢复和干预终止,在插入、悬挂、铰链等接触密集 manipulation 任务上减少人工介入。
TacImag
从视觉和本体感觉预测触觉表征,让部署时没有触觉硬件的机器人仍能利用接触先验;真实任务中 imagined force field 与 tactile image 分别提升接触/纹理任务。
CoRe
把 VLM 反馈拆成 formal reward 的迭代设计和 residual reward 的视频偏好学习,用于十个仿真和五个真实 manipulation 任务的偏好对齐 RL。
VLA-Corrector
不改 VLA backbone,用 latent-space vision monitor 检测预测视觉演化与实际观测的偏差,触发 chunk 截断和在线梯度引导重规划。
PhysMani
把 divergence-free Gaussian velocity field 作为 physics-principled 3D world model,再把预测的未来 3D 动态接入 action policy,面向快速运动目标操作。
Guided Action Flow
给 flow-matching action policy 加 Guiding Window 和 confidence-aware guidance,在相同数据预算下提升复杂灵巧操作的收敛和轨迹质量。
Bridge-WA
用结构化 3D Gaussian 场景和 object-centric action token 把 video/3D world model 接到动作生成,目标是补齐 WAM 里状态预测到控制的接口。
Actuator Reality Shaping
把系统辨识从“复刻硬件”改成“重塑仿真 actuator reality”,减少人形 sim-to-real 中电机/传动误差对全身控制策略的破坏。
CoFL-S
把低层视觉语言动作表示成局部可查询 sector flow field,用帧级子指令、动作、轨迹和稠密 flow supervision 训练连续时间导航接口。
Moving Eye
把可移动相机/视角选择纳入 VLA 决策,让 policy 在长程操作中主动获取更有用的视觉证据,而不是固定视角被动执行。
HEFT
面向 175cm 全尺寸人形的重载遥操作,用 privileged motion guidance 和 windowed payload curriculum 学习带噪 VR 参考下的稳健全身跟踪。
ACID
从 action-conditioned interaction data 中做更高效的 world/action model 学习,关注少数据下预测-控制耦合的样本效率。
LIME
从 egocentric video 挖掘多意图相机运动监督,给自由语言意图预测下一视角的相对 SE(3) 目标位姿,把主动观察变成可学习动作。
WorldSample
用真实 rollout 后训练 world model 生成高保真 synthetic transitions,再通过 Policy-Paced Learning 控制样本选择,降低实机 RL 的交互成本。
TAP
先用廉价无语言交互数据和 inverse dynamics 学可迁移 motor priors,再用少量专家数据做语言 grounding,把 VLA 的“会动”和“会听指令”拆开训练。
Embodied.cpp
面向具身 VLA/robot policy 的轻量运行时与系统实现信号,关注从模型到本地机器人执行栈的部署效率。
VT-WAM
把视频-触觉联合预测纳入 world-action model,用视觉和触觉未来状态帮助接触密集任务中的动作选择和失败预判。
WorldDirector
把 LLM 编排的 3D 轨迹和相机运动作为视频生成控制信号,强调长程事件中的动态对象持久记忆、身份保持和可控视角探索。
EAGLE-360
面向 360 度全景环境的具身主动视觉搜索,用全局到局部探索、RoPE Rolling 和 70K+ 轮 VQA 数据提升目标定位与错误恢复。
HandsOnWorld
从野外单目第一视角视频重建 3D 手部轨迹,构建 EgoVid-Pro 并用 Plucker Hand Map 解耦相机和手部运动,适合作为手控具身视频世界模型的数据路线参考。
PWM-ArtGen
把关节物体建模为动态系统,联合学习视觉动态与运动学参数,用 Part World Model 生成/恢复可操作物体的结构先验。
ComplexMimic
面向复杂 3D 场景中的物理人-场景交互模仿,用 imitation/interaction 双专家和难度感知蒸馏处理 Mocap 不完美与碰撞适应。
VLAFlow
cross-list 新文,围绕连续动作 VLA 的 flow matching/action generation 建模,适合作为 VLA-Corrector、DiG 等动作流可靠性工作的横向对照。
ManipArena
replacement 重要更新:标准化真实机器人 manipulation generalization 评测,覆盖 20 个任务、10,812 条专家轨迹、13.5M frames 和 VLA/WAM policy 对比。
DiG
用 observation feature 到 action representation 的 sliced-Wasserstein transport cost 作为 VLA action chunk 可靠性信号,在分布漂移和长程任务下做 gate/refinement。
AEGIS / VLSA
replacement 更新:给 VLA 插入 control-barrier-function 安全约束层,并用 SafeLIBERO 评估 obstacle avoidance 和 task success 的共同提升。
AtomSkill
从多任务示教里学习语义对齐 atomic skill space,再用 keypose imagination 做长程 skill chaining,适合作为技能抽象/行为分段路线参考。
VLA-Arena
replacement 更新:开源 VLA benchmark 框架,从任务结构、语言命令和视觉观察三个轴拆解难度,适合和 ManipArena 共同跟踪。
2026-07-02
本期判断:今天最值得优先细读三条线:第一是 VLA 的可组合泛化和少样本部署适配,EmbodimentSemantic、ACT-VLA、DART、FurnitureVLA 分别从空间关系、动作组合、域迁移和长程装配补短板;第二是 WAM 从视频预测转向 3D/4D 结构化世界状态和可用于评测的神经模拟器;第三是触觉/接触数据继续变大,CHORD 和 H-Tac 都把人类示教或人类触觉数据转成机器人可用的接触先验。
EmbodimentSemantic
构建面向具身操作轨迹的空间 scene-graph 数据集和 benchmark,用支撑、包含、遮挡、深度等关系诊断 VLM/VLA 的空间 grounding。
Joint Discovery of Object and Action Symbols
从随机交互数据中联合发现对象类别和高层 manipulation primitive,再用 effect trajectory 中间状态做离散规划。
CHORD
把人类示教转成 object-centric contact wrench guidance,用于长程刚体和 articulated object 灵巧操作 RL,并给出 4,739 个双手任务 benchmark。
3D Point World Models
先补全局部点云再学习 action-conditioned 3D dynamics,缓解视频 world model 的几何漂移,面向 model-based planning 做更可靠 rollout。
ASPIRE
NVIDIA GEAR 的开放式机器人技能发现系统,通过执行 trace、失败诊断、修复合成和技能库沉淀,让 code-as-policy 技能跨任务复用。
Wake up for Touch!
用 mask-isolated tactile alignment 给多模态 LLM 接入触觉,冻结关键视觉语言参数,只更新 dormant subspace 以减少触觉学习对通用能力的破坏。
ACT-VLA
从已有任务的 latent task representation 合成新的物理有效示教,让 VLA 组合已学 sub-skill,降低对额外人工遥操作数据的依赖。
VLM-AR3L
让 VLM 同时产生 absolute state reward 和 relative progress reward,把语言目标下的视觉观察转成 RL 可用的稳定奖励信号。
DART
用 domain-specific weight vector arithmetic 做 VLA 单样本域适配,覆盖相机位姿变化和相近机器人平台迁移。
ABot-M0.5
面向移动操作的统一 world-action model,用中间 latent action、双层 MoT 和 dream-forcing 处理导航-操作动作混杂与 autoregressive 误差累积。
From World Models to World Action Models
用 design-space 统一 observation/state world model 与 world action model,梳理 imagine-then-execute、joint video-action modeling 等范式。
AutoSpeed
无需阶段或速度标注,让现有 visuomotor policy 学习 stage-adaptive motion speed 和预测 horizon,提升不同难度阶段的执行效率。
RoboWorld
用快速 autoregressive video world model 加 task-progress-aware VLM 打分评估 generalist robot policy,主打替代部分实机评测吞吐瓶颈。
H-Tac / TTP
160 小时人类第一视角触觉-动作数据、300+ 任务和 135K episodes,再用统一触觉/动作空间做 human-to-robot tactile pre-training。
FAR
把失败重试变成 test-time recovery 数据,用 failure-contrastive preference adaptation 和轻量动作扰动避免重复同一失败轨迹。
Structured 4D Latent Predictive Model
在结构化 latent 空间预测 3D 场景随时间演化,再把未来场景交给 goal-conditioned inverse dynamics 转成可执行动作。
FurnitureVLA
真实尺度双臂家具装配 VLA,结合仿真专家数据、VR 双臂示教和 progress signal,处理最多 7 个子任务、1550 步的长程装配。
BiliVLA
把胆道内镜导航写成 instruction-conditioned visuomotor learning,结合 scene-aware supervision 与 GRPO 提升真实 phantom 上的动作可靠性。
VolumeDP
把图像特征 lift 到 volumetric representation,选择任务相关 voxel 作为空间 token,减少 2D 视觉到 3D 动作的错配。
PhyPush
只用单次 push 的末端速度估计物体质量和摩擦系数,通过 Newton/Coulomb physics-guided loss 替代特权力觉输入。
Physics Models for Sim-to-Real Transfer in Robot Table Tennis
用高速旋转乒乓球的空气动力学、球台接触和球拍接触模型提升仿真保真度,支撑职业级机器人乒乓策略 sim-to-real。
KungfuBot
面向功夫和舞蹈等高动态人形技能,通过动作处理、retargeting 和自适应跟踪容差训练 whole-body control policy。
2026-07-01
本期判断:今天最值得优先细读三条线:第一是 VLA 后训练和推理时扩展,Z-1、SARL、ELASTIC 都把“部署后怎么变强”具体化;第二是触觉/力觉从附加输入变成可迁移表征、未来接触预测和数据基准;第三是人形/具身数据开始围绕 human-present、ego-exo human video、Unitree G1 触觉操作和实验室精密操作扩张。
Position: VLA Models Cannot Be Verified to Perform Physical Reasoning
把 VLA 成功率拆成语义匹配与物理决策两个不可辨识来源,指出现有 benchmark 很难证明 VLM backbone 真有物理泛化。
From Grasps to Dexterity
把 35.5 万条 dexterous grasp 轨迹用于低层控制器预训练,再迁移到 articulated tool use,说明抓取数据可作为接触操作先验。
MuSe
研究如何把有限力觉数据接入预训练 vision-only policy,通过多阶段融合、未来多模态预测和 replay 保住原传感器能力。
Labimus
面向有机化学实验室的人形灵巧操作仿真与 benchmark,用精度感知评测区分“完成动作”和“满足实验容差”。
Efficient Sim-to-Real Transfer of World-Action Models from Synthetic Priors
基于 Cosmos Policy 和 AnyTask 合成演示,尝试把 world-action model 从仿真零样本迁移到真实 Franka 操作,是 WAM 落地链路的重要信号。
ELASTIC
给 diffusion/flow 机器人策略学习状态相关的推理时计算分配,在 pi0.5 实机上用更低延迟接近 best-of-10 成功率。
MIRTH
给 VLA 加长短期 temporal memory hub、互信息 latent reasoning token 和并行动作解码,主打缓解单帧 VLA 的时序短视。
TactX
跨 resistive、magnetic、vision-based 触觉传感器学习共享 latent,让一类传感器训练的策略可零样本迁移到另一类传感器。
Plan Right, Then Plan Tight
用从视频或任务构造的 BDDL 规格作为可验证接口,给 embodied planner 提供毫秒级 dense reward 和长度自适应训练信号。
3D HAMSTER
让层级 VLA 的 planner 直接输出 3D waypoint,避免 2D 轨迹投到点云策略时产生错误深度与几何畸变。
Stage-Transition Dense Reward Modeling
从非结构化专家视频推断任务阶段,给长程 manipulation RL 提供阶段转移和阶段内进度两类视觉 dense reward。
Revisiting Parameter Redundancy in VLA Models
用 VLM-to-VLA 适配过程中的参数漂移定位可剪枝模块,在 OpenVLA 和 pi0.5 上做 recovery-free 参数裁剪诊断。
UniTac
把触觉理解和触觉生成统一到 multimodal model,同时建模传感器属性与物体属性,面向跨传感器触觉表征。
ChronoFlow-Policy
用过去、当前、未来的物体和夹爪稀疏 3D keypoint flow 统一描述交互动态,再与 diffusion policy 联合训练。
Robustness of Robotic Manipulation
系统整理 manipulation robustness 的定义、概率/控制论表述、评测指标和感知/规划/控制/策略学习/硬件机制。
HABIT
10K+ episodes、160+ 小时的人在场机器人操作数据,把 collaborator、coworker、supervisor 作为数据多样性新轴。
RCT
机器人采集的 touch-vision-language 触觉数据集,强调按接触序列和 held-out material 评测,暴露现有 tactile split 泄漏问题。
UniTacVLA
把 tactile latent、tactile chain-of-thought 与未来触觉预测接入 VLA,再用触觉-动作混合控制器修正低频 action chunk。
RoboTacDex
Unitree G1 上的视觉-触觉-动作人形灵巧操作数据集,6K trajectories 覆盖双臂灵巧手、多视角 RGB-D、触觉和语义标注。
Z-1
基于 pi0.5 的 flow-based VLA RL 后训练,用 RoboCasa 公共数据 SFT 后做 task-wise GRPO,主打无私有示教提升策略。
CoDex
无需人工示教,由 VLM 推断功能性约束,再用解析优化和 RL 发现 spray bottle、glue gun 等可执行灵巧功能操作。
Semantic Action Reinforcement Learning
不直接在机器人动作空间做 RL,而是在 generalist policy 的语言 prompt 空间学习组合技能,用于超出 zero-shot 能力的长程任务。
OopsieVerse
给 household manipulation 引入 damage-aware simulator 和 benchmark,把接触力、温度、液体等损伤纳入 VLA/策略安全评估。
Human-as-Humanoid
把同步 ego-exo 人类视频恢复并 retarget 成 60-DoF 人形 action chunk,用于高自由度 humanoid VLA 训练和零样本部署。
Freeform Preference Learning
让标注者用自然语言定义速度、安全、摆放质量等偏好轴,学习 language-conditioned reward 并训练可按偏好 steering 的操作策略。
DVG-WM
把 embodied world model 拆成 dynamics learning 与 visual synthesis 两段,用高效级联机制提升 LIBERO 和实机平台上的视频预测速度与质量。
2026-06-30
本期判断:今天最值得盯三条线:VLA 不再只是堆大模型,而是在 action tokenizer、ECoT supervision、test-time RL、事件相机和触觉提示上补闭环短板;WAM 从“生成好看视频”推进到物理诊断、动作一致性、导航规划和可替代 rollout 的模拟器;数据侧则继续围绕人类视频、action-free demo、单次示教和全身 retargeting 扩张。
RoboGaze
用多 agent VLM 对机器人 world model 生成视频做结构化诊断,按物理、时序和任务逻辑定位 glitch,比单一 VLM judge 更像可用评测工具。
Event-Conditioned Diagnostics
把 free-motion、collision、occlusion 等事件条件拆开,诊断 passive object-state world model 内部是否真的编码运动学、接触与物体恒存。
J-LAW
把 metric localization 和 action-conditioned latent world model 写进同一个 factor graph,同时优化位姿、latent state 和可规划 landmark。
ViPSim
针对长程 embodied world model 中动作低维、视频高维造成的几何漂移,协同 visual space 与 parameter space 改善 rollout 一致性。
A2World
用带真实动作标注的大规模多视角 manipulation 数据预训练 action-conditioned diffusion world model,一份权重同时服务 simulator 和 action prediction。
FutureNav
把 VLN 做成 unified world-action modeling:同时建模未来观测和动作序列,补直接 action generation 缺少未来状态推演的问题。
SWAM
从起点/目标 RGB 直接生成中间 RGB-D 与动作轨迹,把导航 WAM 从候选验证范式推向单次 task-centric joint generation。
TAP-VLA
不改 VLA 架构,把视触觉传感器 shear field 叠到多视角 RGB 中,让接触力以视觉 annotation 方式进入预训练分布。
T²VLA
利用离散动作 VLA 的生成置信度做内生 reward,在测试时自举策略改进,覆盖 OpenVLA-OFT 和 pi 系列范式。
SA-VLA
把 robot state 注入 VQ action tokenizer,让同一离散 token 可按当前关节、物体和接触状态解码为不同连续动作。
X-Tokenizer
自变量把 Wall-OSS-0.5 的动作分词器路线正式独立成论文/代码/权重:SRQ 用 q0 学语义意图,q1-q3 保留运动残差,2.4M 轨迹/2B action frames 预训练,作为混合离散-连续 VLA 的冻结语义动作接口。
ZR-0
用 dense embodied chain-of-thought 监督对齐跨 embodiment 表征,推理时跳过 ECoT 生成,动作专家仍以 flow matching 输出 action chunk。
Event-VLA
用事件相机补低光、近暗场景下的 RGB 失效,通过 action-query routing 保住 RGB-language 预训练语义并增强动作鲁棒性。
VLA on Real-World UR5
围绕 OpenVLA / OpenVLA-OFT 的真实 UR5e 部署复现,把问题从模型能力拆到数据采集、RLDS 转换、坐标系和时序对齐。
OpenSPM
用 key spatial pose memory + 高频 flow-matching action generation 弥补端到端 VLA 在开放桌面操作里几何约束不足的问题。
Human2Any
从人类视频学习 object-object interaction priors,再结合机器人侧可达性和运动规划,迁移到不同 embodiment 与任务场景。
CORE
不转移动作,从 action-free visual demonstrations 抽 terminal object configuration、空间关系与接触约束,作为 visual goal prototype 注入策略。
Behavior Prompting Policy
把单条人类示教作为 behavior prompt,当前观察作为 query,用 in-context visuomotor policy 做新任务操作,并强调任务多样性是核心数据变量。
Keypose Exploration
用 VLM 做语义事件检测 + 轨迹分析自动标注 keypose,再借 reachability map 过滤候选关键位姿,探索跨 embodiment 迁移。
Behavior Uncloning
把不想要的行为模式从 BC policy 权重中“重定向”出去,避免重新清洗全量数据或上线时增加 steering 开销,还覆盖 Diffusion Policy 与 Pi0.5 VLA。
Critical Interval MSE
只在任务关键片段上算动作误差,并做 rollout-time 行为对齐,试图让 offline validation loss 更接近真实机器人成功率。
STEAM
用自监督 temporal-offset ensemble 给真实机器人轨迹打 frame-level advantage,从混合质量数据里识别停滞、失败和恢复片段。
WARP
离线把人类姿态 retarget 成唯一、精确的 whole-body mobile manipulation action,目标是减少 embodiment gap 导致的动作多模态。
FADA
少量目标域样本对齐 humanoid dynamics,用 Planner-IDM 三阶段框架解决 terrain、payload、actuator response 带来的控制迁移偏差。
VLK
在重建场景中合成 egocentric image、language command 与 humanoid-compatible kinematic trajectory,补人形 loco-manipulation 监督缺口。
Seeing Touch from Motion
统一 optical tactile raw image 与 motion field,建模 tactile motion correlation,面向接触丰富任务里的细粒度接触状态提取。
2026-06-29
本期判断:今天最值得盯三条线:VLA 的状态/空间 grounding 与冗余压缩;WAM/视频世界模拟器的物理一致性与长时记忆;数据侧从 teleop 清洗、real-to-sim 场景生成扩展到云原生仿真基础设施。
S²-VLA
用 belief state 跟踪长程任务阶段,动态融合视觉、语言意图和动作序列,补 VLA 长程操作中的累计误差。
DiM-WAM
给 world-action model 加多尺度历史事件记忆和进度监督,针对长程任务中的遗忘与阶段感知不足。
PhysisForcing
用物理信息区域的像素/语义特征监督强化机器人视频世界模拟器,关注接触与物体运动的一致性。
SimFoundry
从视频自动构建 real-to-sim 场景与 digital cousins,用于策略学习、泛化与仿真评测。
WARP-RM
自监督学习 dense relative progress reward,再用 WARP-BC 上调高优势 action chunk,服务混合质量 teleop 数据清洗。
Translation as a Bridging Action
用相对 wrist translation 作为人类到双臂机器人的共享动作桥,避开手指接触差异与 6DoF 人手噪声。
Direct Action-Head Injection of a Grounded 3D Point
把 grounded 3D point 直接注入 action head,而不是只做语言/视觉 prompt,用轻量模块提升空间与任务泛化。
Drop-Then-Recovery
系统测 VLA 模型冗余:语言 backbone 在标准操作任务里高度可删,视觉与 action pathway 则更敏感。
SpikeVLA
把视觉编码、跨模态推理与动作策略都做成 spiking 架构,面向低功耗实时 embodied navigation/control。
LocalNav
把 frontier VLM 的空间语义推理蒸馏到 4B 本地 VLM,再用 RLVR/量化降低移动机器人 ObjectNav 延迟。
DexCompose
通过 finger-level action ownership 与双残差模块复用已有灵巧手 policy,处理单手多任务组合中的动作冲突。
PA-BiCoop
把双臂动态分成 primary/auxiliary 角色,共享全局 encoder、分工 decoder,面向通用双臂协作操作。
SCORE
real-to-sim-to-real policy improvement:用生成式 base policy 的 support 约束仿真 RL,减少 dynamics mismatch 带来的不可迁移动作。
SceneBot
用 per-link contact labels 和 hindsight scene reconstruction 统一 free-space、地形穿越与接触丰富全身操作。
CWI
把上肢 manipulation MoCap 与下肢稳定 locomotion 解耦,再 distill 成仅依赖双手位姿与速度/高度命令的全身策略。
Booster Lab
数据中心化 humanoid locomotion 管线:motion curation、real-to-sim 适配、AMP RL 与 sim-to-real 部署。
Cloud-Native Simulation Infrastructure
面向具身智能训练、评测和数据采集的云原生仿真基础设施,强调弹性调度、容器化模拟和闭环数据优化。
Unleashing Infinite Motion
用 LLM prompt + video diffusion 生成四足机器人动作视频,再 lift 成 3D reference trajectory 训练真实 Go2 tracking policy。
LLawCo
从多智能体失败中抽取 cooperation laws,再写入 embodied agents 的 CoT,对应具身集体智能的协作行为建模。
RS-Diffuser
用 distributional value critic 引导 diffusion planner,在 risky robot navigation 等任务里做风险敏感离线规划。
2026-06-26
本期判断:今日新增明显偏“大系统”:ABC 把开放数据/训练/评测打通;WAM 进入 continual IL、触觉和幻觉诊断;VLA 侧集中在路由、test-time scaling、安全、阶段监督与物理反思。
Scalable Behavior Cloning with Open Data, Training, and Evaluation
ABC 开放 manipulation BC stack;ABC-130K 标称 3500 小时、13 万+ episode、195 个任务,值得放进数据 scaling 主线。
World Action Models Enable Continual Imitation Learning with Recurrent Generative Replays
把 WAM 用作 recurrent generative replay,面向 continual imitation learning 的灾难遗忘与数据复用问题。
RouterVLA
把上线前 smoke test rollout 变成 frozen VLA experts 的路由监督;适合归入多专家 VLA 部署选择。
LA4VLA
Language-action pretraining 不看视觉先学动作先验,用于削弱视觉捷径、补足低层动作语言监督。
E-TTS
Embodied test-time scaling 框架,把 reasoning scaling 与 action scaling 接到历史感知迭代 refine 和 VLM verifier。
ForesightSafety-VLA
13 类安全 taxonomy 的 VLA 诊断基准,把物理交互、指令侧、感知侧风险拆开评测。
Hallucination in World Models is Predictable and Preventable
围绕低覆盖 state-action 区域的 world model hallucination,并给出 MMBench2 数据和覆盖感知缓解策略。
HumanoidUMI
用 VR 与 UMI-like gripper 做 robot-free humanoid whole-body 数据采集,重点在从人类关键点到全身控制的桥接。
Tactile-WAM
把触觉未来状态纳入 WAM,并用 tactile asymmetric attention 处理视频 token 对触觉预测的污染。
PhysReflect-VLA
执行时加入物理可行性判断、动作解释与 LLM self-reflection,目标是提高闭环 VLA 的可靠性。
PAMAE
把单一 flow-matching action expert 换成 phase-aware sparse MoE,对应“任务阶段一致性”的动作生成问题。
Structured Stage and Keyframe Supervision
StaKe 用 gripper state 自动构造阶段分类和关键帧预测辅助监督,专治 gripper-event 附近失败。
WatchAct
视频 + 语言 + 对齐仿真场景 + 可执行 LIBERO task,用于“看人类行为再操作”的 behavior-grounded benchmark。
OmniAct
面向 everyday physical autonomy 的异步层级 agent 架构,把 planner、memory、verification 和 cyber-physical action space 组合起来。
DexAC-WM
重新审视高 DoF dexterous action conditioning,避免把异质动作维度做粗糙统一聚合。
CoStream
把复杂接触丰富操作拆成可组合 simple behaviors,对 GPU 插槽等长程装配任务有启发。
Handheld + Teleoperated Supervision via State-Gated Experts
指出 UMI-style handheld 数据在 free-space 有效但接触阶段可能失真,用 state-gated experts 混合 targeted teleop。
Humanoid-DART
用 diffusion trajectory generation + RL tracking 扩展稀疏示范,面向人形 loco-manipulation 技能扩增。
ReStruct
inference-time 通过 task-structure reconfiguration 做机器人行为 steering,不改权重但引入物理可行性约束。
OmniContact
用 contact flow 串联 humanoid loco-manipulation meta-skills,可作为接触表示与恢复策略样本。
2026-06-25
本期判断:VLA 聚焦后训练/跨本体/几何/部署;WAM 扩到导航、人形和价值评估;DATA 标出合成、筛选、动作标签和数据引擎。
InSight
可 steer 的 primitive VLA + 自主发现缺失技能,把“补数据”变成按技能缺口闭环。
G³VLA
把相机内参、射线和投影关系显式注入多视角 VLA,补齐“多相机但不懂几何”的短板。
Learning Action Priors
先学习跨本体 action prior,再接视觉语言条件,适合放进跨机器人动作迁移主线。
FORCE
VLA reinforcement fine-tuning 候选,把纯模仿学习继续推向在线强化微调。
ROAD-VLA
online post-training + self-distillation,对应部署分布下的持续自适应问题。
World Value Models
把 world model 接到 value estimation,用于任务进展判断与混合质量数据筛选。
Action ControlNet
处理慢 VLA 推理与高频机器人控制之间的异步错位,偏部署和控制稳定性。
Reflective VLA
把 observation-action-consequence 组织进上下文,与记忆增强和反思式策略相邻。
SPACE
用 Cartesian state delta 统一跨机器人动作表示,再通过 adapter 落到具体本体。
Supervise What Survives
生成机器人视频只用于几何监督,不把合成视频硬转成伪动作标签。
NavWM
导航 world model:生成多路径候选并用未来视觉想象做 foresight 评估。
MotionWAM
把 WAM 推向人形实时全身移动操作,与 WOLF-VLA 形成 VLA/WAM 对照。
ω-EVA
Envision-Verify-Act 闭环,在执行前用潜在世界模型设想并验证动作后果。
WOLF-VLA
whole-body humanoid VLA 候选,把 VLA 从桌面操作扩到人形移动操作。
SVP-IL
spatial visual prompts 作为更细的模仿学习接口,与可操控策略和空间接地相关。
具身数据轨道
这里补上数据方向的入口:它们不一定都是“模型范式”论文,但决定数据怎么采、怎么合成、怎么筛、怎么变成可训练监督。完整目录见 具身数据论文索引。
DATA · P0
RoboDream
世界模型作数据合成引擎,减少真机数据需求。
arXivDATA · WAM · P0
Qwen-RobotWorld
语言条件视频世界模型,服务合成数据、评测和规划。
arXivDATA · WAM · P1
GE-Sim 2.0
闭环视频世界模拟器,给策略评估与过滤式 BC 提供数据引擎。
arXivDATA · WAM · P1
World Value Models
判断任务进展与数据质量,筛掉次优/失败轨迹。
arXivDATA · VLA · P1
Supervise What Survives
只抽取可靠几何监督,不硬造伪动作标签。
arXiv队列状态
待细读—
已经完成相关性判断、尚未形成站内细读的研究条目。
已细读—
已有站内页面，可继续沿引用、复现与上下游模型深入。
观察—
方向可能重要，但仍缺项目页、代码或足够证据。
更新口径与可信度说明
- P0：强相关且可能改变本站主线判断，优先细读。
- P1：值得收录，可作为短细读或观察级条目。
- P2：相关方向样本，用于补齐谱系边界。
- 已细读：已有站内页面，但不代表全部结论已独立复现；定量信息仍以各页核查标注为准。
- 待细读：已确认值得跟进，但尚未形成完整研究笔记。