机器人与具身智能领域的最新论文，以及每篇对产业的意义。
这篇预印本论文展示在270克四足机器人MiNI-Q上运行单一强化学习策略，策略完全在机载微控制器上推理，统一了直立行走、倒立行走和落地恢复，没有状态机或相位切换。硬件实验中，同一策略在0.15 m/s指令下直立前向速度RMSE为0.037 m/s，倒立为0.050 m/s，30次释放恢复试验成功24次，并在四种脚型和四种室内表面上完成行走。结果说明连续旋转关节和重力条件参考能让小型机器人用紧凑网络覆盖多种姿态，但尚未经过同行评审。
这是 arXiv 预印本，未经同行评审。作者提出跨具身开放全景分割任务和 EmbPASS 基准，包含车辆、无人机、可穿戴和四足机器人四类平台的 1000 张户外全景标注图像。EPONet 通过 RAMA 和 CAST 在 EmbPASS 上达到 35.82% mIoU，比最强基线 OOOPS 高 1.10%，并在 DensePASS 上取得最佳，为异构机器人平台的统一全景感知提供了新方法。
这是一篇预印本论文，尚未经过同行评审。WING 提出一种从第一视角人类视频中提取可迁移交互知识的方法，通过分离相机运动与手物交互、保留低频时序成分，为机器人动作生成提供引导。在 LIBERO、RoboTwin 2.0 和 RoboCasa–GR1 上分别达到 99.20%、93.80% 和 57.7% 的平均成功率，并在四个真实世界任务中表现强于多个基线。
本文提出VIGOR框架，在TD-MPC2骨干上融入非对称弱到强增强（AW）、动力学一致性（DC）和编码器稳定化（ES），解决基于模型的强化学习（MBRL）在未见视觉干扰下的两层级脆弱性。在DeepMind Control Suite和Robosuite的零样本泛化评测中，VIGOR分别超越次优基线3.4%和43.6%，同时保持TD-MPC2的样本效率。该论文为预印本，尚未经过同行评审。
MobiAgent 是一项预印本研究，提出双闭环智能体框架，把高层推理与低层控制解耦为可组合原子技能，内环负责部署执行与视觉反思，外环自动筛选部署数据并持续微调技能。在 BEHAVIOR-1K 仿真基准上，MobiAgent 平均成功率达到 65.0%，比任务专用基线 π0.5-TA 高 22.5 个百分点；在真机 Astribot S1 上，三轮自我改进后成功率从 32.5% 提升到 57.5%。
这是一篇预印本。研究者提出 KungfuAthleteBot 框架，从专业武术运动员视频构建 KungfuAthlete 数据集，修复重建运动中的物理误差，并以统一策略同时实现高动态动作跟踪与倒地恢复。在 Unitree G1 真机上，该策略从任意倒地状态恢复约需 0.7 秒，论文称这是已报告的统一策略中最快速度。该工作表明，修复和补偿视频数据，而非仅收集更多数据，是解锁高动态人形技能的关键。
这是预印本，未经同行评审。论文提出 SNAP，一种自监督编码器-解码器 transformer，通过限制解码器接收野并在 DINOv3 潜在空间中重建目标视图，迫使编码器学习几何结构。在五个任务上，SNAP 与自监督基线相当或更优，并在部分指标上接近或超过需要大规模 3D 标注的 VGGT，证明新视角合成的几何信号可以通过约束解码器表达力被有效利用。
PointWAM是一个3D世界动作模型，把场景和手表示为共享时空坐标下的点轨迹，预测未来运动并重定向为机器人动作。该论文为预印本，尚未经同行评审。在DexJoCo十项任务上，PointWAM平均成功率达69.0%，比最强基线GR00T N1.6高11.7个百分点；人类演示预训练带来56.9个百分点的提升。真机实验中，PointWAM也优于GR00T N1.6和π0.5。
I2CD是一项发表在arXiv上的预印本研究，尚未经过同行评审。它冻结Hunyuan3D-2的图像条件扩散Transformer和ShapeVAE解码器，仅训练一个3800万参数的凸槽交叉注意力头，从单张RGB图像直接输出K个凸多面体，无需网格修复或分解。在227个留出物体上，I2CD取得8个基线中最高的体素IoU 65.7%，端到端延迟0.51秒，比基线快6到37倍；在真实xArm7的20物体杂乱场景中，几何准备时间从328秒降至11秒，执行成功率为85/100，与最强基线90/100接近。
本文是预印本，尚未经过同行评审。作者提出AVL-JEPA方法，通过动作锚定和视觉不变性约束，防止联合嵌入预测架构世界模型丢失与动作相关的物理动态信息。在TwoRoom、PushT等四个仿真机器人控制任务中，AVL-JEPA显著提升视觉扰动下的成功率（如PushT高斯噪声下从15.3%升至81.5%），同时保持清洁环境性能，表明该方法能有效保留因果动态信息。
一项预印本研究通过个体化肌肉骨骼预测模拟，系统评估了下肢外骨骼在髋、膝、踝关节的不同助力组合。结果显示，在50 Nm助力下，髋膝踝三关节联合助力平均降低步行代谢成本48.50%，而髋踝双关节助力达到44.60%，仅比三关节低约4个百分点。研究认为髋踝联合是高效的双执行器方案，但结果仅来自仿真，尚需实验验证。
这是一篇arXiv预印本。作者提出VISTA，一种工作空间级等变视觉触觉扩散策略，将腕部RGB和触觉图像投影到球面并融合，利用末端执行器姿态对齐后进行等变扩散解码。在50个演示/任务下，VISTA在8个仿真任务中平均成功率达80.9%，比最强等变基线EquiDiff+Tac高15.9个百分点；在3个真机任务上平均成功7.33/10次，远高于基线的1.33/10次。
该预印本未经同行评审。作者利用强化学习训练 Soft Actor-Critic (SAC) 控制器，在仿真和体外模型中完成从右侧颈内静脉到上矢状窦的两段导航任务。在 250 次仿真试验和 20 次体外机器人运行中，仿真任务 A/B 成功率在训练解剖为 85.6%/98.4%，保留解剖为 42.0%/91.6%，体外总体成功率为 70%。递归失败预测器在仿真中检出 99.3% 至 100% 失败，但转移到体外后校准下降。该工作首次证明脑静脉系统自主机器人接入的可行性，并为端血管脑机接口植入提供监督信号。
这篇预印本提出 AMSC，一种利用在线任务相似度选择并组合先前策略面具的方法。在 CT28 和 MG16 上，AMSC 的 AUC 和 FWT 分别为 0.94/0.94 和 0.73/0.54，且遗忘为零；但在 CW10 上不如学习式组合。结果表明任务相似度可作为一种免优化信号来提升终身强化学习的复用效果，但跨层组合仍需改进。
这是一篇 arXiv 预印本。研究者用稀疏自编码器分析 VLA 内部表征，找到与对抗补丁高度相关的特征，并在推理时仅当线性探针检测到攻击时抑制该特征。在 LIBERO-10 上，该方法在间歇攻击下提高成功率，例如 π0.5 在 n=10 攻击下成功率从 26.0% 升至 32.4%，而连续抑制会严重损害性能，说明条件干预的重要性。
预印本论文提出 LiteReality-Agent，通过把 3D 重建转化为编写 Room.py 代码的问题，将真实室内 RGB-D 扫描重建为可交互、带关节、仿真就绪的场景。该系统在 10 个场景 620 个视角上，视觉保真度和几何一致性均超过 GPT-6 Astra、Fable 5.1 等前沿模型基线。源码和采集应用公开，有望成为机器人仿真和数字孪生的重要基础。
本文为arXiv预印本，提出SCOUT框架，将流匹配行为先验与分解价值函数解耦，在测试时通过Stein变分梯度下降把动作样本传输到高价值区域，避免训练时策略参数化和固定正则化系数。在SMACv1和MA-MuJoCo共24个离线数据集上平均得分最高，并在全部离线到在线实验中取得提升。该方法为生成式策略与值优化提供了一种不牺牲多模态的测试时精修路径。
本文是一篇预印本，提出EF-GAIfO，利用策略学习过程中机器人自身经验估计状态演示的可行性，并在GAIfO判别器目标中加权，降低不可行演示的影响。在点质量环境和Unitree Go2四足机器人仿真及真机实验中，EF-GAIfO的成功率显著高于GAIfO和WGAIfO，真机目标抓取任务成功率最高达80%。该方法无需显式动力学模型或先验探索数据，为存在形态差异的机器人模仿学习提供了新思路。
本文提出预印本 World Motion Models (WMM)，把动态3D世界表示为稀疏SE(3)姿态轨迹，并用逐token噪声水平的流匹配模型训练，支持任意条件掩码推理。在 Language Table 策略学习、TraceGen 场景预测、OMOMO 人-物交互和 Unitree G1 人形机器人重定向等基准上取得SOTA或接近SOTA结果。这项工作为机器人策略、模型预测控制和跨具身运动生成提供了一个统一框架，但尚未经过同行评审。
这篇预印本提出一种基于关键时间插值的连续时间事件相机立体视觉里程计。它只在稀疏关键时间维护位姿和速度状态，用WNOA先验将每个异步测量插值到原始时间戳，从而解耦状态规模与测量数量，在CPU上实时运行。在MVSEC和DSEC数据集上，估计频率分别约22 Hz和6 Hz，相对平移/旋转RMS误差为0.46 cm和0.038度，分别比ES-PTAM改善11倍和15倍。
论文来自 arXiv 机器人领域。尚未生成摘要的论文，显示摘要开头部分。