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。
预印本论文提出 RYOPO，一种端到端可训练的查询式 RGB-D 集合预测器，无需外部实例分割或显式 CAD 形状先验，同时完成检测、分割与 9 自由度姿态估计。在 NOCS 基准上大幅超越已发表的 RGB-D 联合检测与姿态估计方法，在 REAL275 与 HouseCat6D 上全物体评估中与两阶段方法相当，并在 RTX A6000 上实现 31.8 FPS 全帧姿态输出。该方法消除了按物体重复编码与额外分割阶段，为实时视觉伺服和机器人操作提供可能。
RoboChemGym是面向化学实验的生成式仿真框架，能将文本协议自动转化为高保真、长时程机器人操作演示。在20个真实化学协议上，生成管线成功率最高为89.2%，在真机Level-1任务上平均提升策略成功率23.3个百分点。本文为arXiv预印本，尚未经过同行评审。
MixVLA是arXiv预印本提出的模型无关训练框架，通过信息瓶颈提取不变表征，并用权重减法得到非不变分支，再对非不变嵌入做自适应混合后与不变表征融合。在LIBERO-Plus和RoboTwin等基准上，该方法提升了零样本分布外任务成功率，且在真实机器人光照扰动下优于π0.5。该框架无需额外数据或改动模型架构，但尚未经过同行评审。
这是预印本，未经同行评审。GeoScaffold 提出一种训练时几何监督框架，让端到端 VLN 策略从 RGB 和文本中学习几何隐表示，推理时不依赖深度传感器或 3D 编码器。在 R2R-CE 和 RxR-CE 上，4B 模型达到 64.8% SR 和 60.5% SPL，超过多个 7B 基线，同时每帧 81 ms。
BVER 是一个预印本方法，提出从目标状态和初始分布两端同时扩展中间起点与目标，训练单个目标条件策略。在仿真中，它在点质量迷宫、四足盒攀爬和机械臂套环转移任务上比所有无参考课程学习更快，攀爬 0.4 米盒时达到 95% 成功率的迭代数比最佳无参考基线少约 65%，并且是唯一能学会攀爬 0.7 米盒的无参考方法。该方法无需演示或奖励塑形，对稀疏奖励长程机器人任务训练具有实际价值。
SARI是一种相位分割的仿真-真实协同训练框架，利用仿真生成自由空间接近轨迹、真实数据教接触交互，在灯任务上实现未见放置位置27.5%的任务完成率，而所有全任务仿真-真实基线均为0%，同时减少真实数据采集时间34.3%。该论文为预印本，尚未经同行评审。
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%。
FUSEye 是 arXiv 预印本，提出训练轻量的鱼眼检测框架，将冻结主干的 COCO 预训练 YOLO26-x 适配到鱼眼图像。在 WoodScape MVR 验证分割上，FUSEye 将 mAP50 从 0.148 提升到 0.266，保留全量微调性能的 84.3%，且仅新增约 227k 参数；使用 25% 标签时保留 97.6% 性能。该框架无需相机标定或去畸变，对标签和算力受限的机器人感知部署有吸引力。
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。
本文提出LOCUS，一种基于场景图和GNN的方法，用于更新CLIP嵌入以区分同一类别的多个容器实例，从而找到被遮挡物体。在iTHOR仿真中，LOCUS将ECO/N降至0.257，比TidyBot的0.338降低24%，并在RoboCasa和真机Stretch 3上验证了跨域迁移。该预印本尚未经过同行评审。
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。
这是预印本论文。CORNAV提出一种在建工地导航框架，将2D CAD图纸、开放词汇3D场景图、项目进度表和LLM安全校验整合进统一规划流程。在室内办公室和真实施工场地的离线评估中，蓝图接地将任务成功率从仅用语义检索的13.0%提升到72.2%，进度感知消除了所有硬禁区违规，安全模块正确拒绝因进度表错误标注而产生的危险请求。
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。
这是一个预印本。研究人员推出DexJoCo-X基准和工具包，统一七种灵巧手、六项任务、2100条演示，以比较跨手动作表征。结果显示，联合训练单个Being-H0.5策略时，Native坐标平均成功率为47.0%，功能对齐动作槽FAAS为47.7%，学习型跨手潜变量DexLatent为33.1%；逐手Ego-Pi策略的单臂和双臂平均成功率仅为31.5%和23.2%。这表明跨本体学习效果取决于动作表征、预训练和架构的整体配合。
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。
这篇预印本介绍了Labware Setup Checker，一个被动视觉系统，利用外部摄像头验证Opentrons Flex液体处理机器人的台面准备。在遮挡、不同摄像头位置和光照条件下，槽位分配100%正确，分类准确率超过95%，本地验证中位数2.10秒，云端4.24秒。系统无需修改机器人硬件或固件，为低成本液体处理平台提供了协议感知的验证层。
这是一篇预印本，尚未经过同行评审。论文提出EyeRobot 2.0，通过主动视觉注视仅使用一个固定立体相机即可完成精细双臂操作，无需腕部相机。在7个真实任务和6个仿真任务中，它比被动立体基线在真实世界成功率提高40个百分点，并在腕部相机被遮挡时比ego+wrist基线成功率高一倍以上（48%对22%）。该框架有望成为腕部相机的替代方案，减轻机械臂设计限制。
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。
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。