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。
预印本 XGenAct 将 RGB、7 自由度动作、度量深度、表面法向和功能角色分割全部表示为 RGB 视频，通过一个共享的视频扩散 Transformer 进行跨任务生成。在未见过的 RLBench 任务上，结构化感知训练使平均闭环成功率比仅 RGB 训练提高最多 28.75 个百分点，五任务外部对比达到 52%，是最强基线（26%）的两倍。该方法避免了模态专用预测头或辅助损失，为机器人世界动作模型提供了一条可扩展的几何增强路径。
FastOPD是一个预印本框架，通过在线策略蒸馏将大型VLA模型压缩为轻量级少步学生模型。在LIBERO上，仅用2步推理就保留了π0.5约84%的性能，并将推理延迟降低78.1%；在RoboTwin 2.0上单步成功率提升15.9个百分点。该工作大幅降低训练和推理成本，有望推动基础策略在消费级硬件上的部署。
本文为 arXiv 预印本，未经同行评审。作者提出 SLLCP，在冻结的视觉语言模型之上增加后处理校准层，输出带有概率保证的安全预测集。在 CARLA 未见场景的 15321 帧测试中，SLLCP 将 Qwen 基底的碰撞轨迹检出率从 4.6% 提升至 89.6%，将 Cosmos 基底的检出率从 39.1% 提升至 88.4%，但代价是虚警率分别升至 51.8% 和 44.5%。
这是一篇 arXiv 预印本，未经同行评审。作者提出 Relational Sufficiency 条件，认为具身智能体之间未被关系证据消除的表征歧义只要对交互任务不变，就无需继续对齐。在相同的一维异步交接场景中，相对同步任务需要 0 个额外标量锚点，绝对时间交接任务需要 1 个，表明对齐需求由任务不变性而非表征精度决定。
本预印本提出CrowdOcc数据集和框架，用于四足机器人在拥挤室内环境中的单目语义场景补全。方法结合法线引导几何融合和人体中心稀疏交互，在场景不相交测试集上达到SOTA，IoU 15.80，mIoU 11.40，Human IoU 46.23。该工作填补了真实低视角动态人体占用数据集空白，对室内机器人感知有重要意义。
这篇预印本提出面向非合作月球巡视器的取证轨迹分析问题，用于在存在 Byzantine 代理时从稀疏遥测中事后重建轨迹并识别不可信来源。新方法根据相对检测的内部和边界统计一致性评估巡视器可信度，在合成模拟和行星模拟数据上，对 Byzantine 测量的召回率达到 90.8% 至 64.6%，而 robust PGO 基线 GNC 和 PCM 召回率均低于 10%。该方法对月球安全区合规验证等场景至关重要。
这是一篇预印本，提出CSIR（Contextually and Socially Informed Robots）框架，解决在仅有部分、不确定语言提示下为送货机器人规划搜索路线的问题。在3个合成环境共1500个场景中，CSIR平均旅行效率0.62，超过LLM TRP（0.60）和所有图搜索基线（0.22至0.43）；真机测试中Clearpath Jackal约5分钟完成室内找人任务。该框架显式建模信息不确定性，为后续贝叶斯更新提供基础，但尚未经过同行评审。
本文为一篇预印本，作者审计了 RoboGuard 安全监视器对高层动作序列的验证假设。通过对比表面计划与基于语义图的精化执行轨迹，在 28 个受控案例中发现 12 个目标案例全部出现表面安全但精细化后不安全的假安全结果，并在 14 个端到端案例中复现 2 例。作者提出轻量级图驱动轨迹精化层作为缓解，将验证时间仅从 0.54 毫秒增至 0.69 毫秒。
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。
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。