FOSA：用符号抽象上的生成流发现机器人具身能力
研究者提出 FOSA（Generative Flow on Symbolic Abstractions），通过将抽象策略参数化为生成流网络来构建符号任务骨架，再把每个骨架编译成仿真环境，以底层策略学习表现作为抽象策略的奖励信号，从而发现贴近机器人能力前沿的可执行任务。
#具身智能
arXiv cs.AIAI 评分2222 arXiv cs.AIAI 评分2626 FOMO-Dex：面向接触密集操作任务的统一柔顺控制方法
研究者提出 Force-Modulated Dexterity（FOMO-Dex），一种面向接触密集操作的统一柔顺控制框架，在任务几何与接触结构定义的坐标中表达标称动作，沿选定方向施加力驱动的运动修正。
arXiv cs.AIAI 评分3131 D-World：显式世界-语言-动作模型，双控制下递归自我改进
D-World 是一个基于 Sense、Plan、Act 分解的显式世界-语言-动作模型，用可执行数字孪生替代隐式世界模型，让机器人策略可被直接检查与修正。其递归自我改进（RSI）机制在 LLM 冻结的前提下，通过测量驱动的参数修订持续改进孪生环境，仅当重放最新动作块不使任何测量残差超出容差时才接受修订。
arXiv cs.AIAI 评分2626 MultINav-Bench：超越可达性的交互式导航基准与 MultINav-Agent 智能体框架
研究者提出 MultINav-Bench，一个基于 MolmoSpaces 的 3K episode ObjectGoal 基准，覆盖通道、容器及混合任务，并附带交互必要性标注，评估协议分别衡量导航成功率、交互有效性与成本。
arXiv cs.AIAI 评分3232 ProAgent：持续观察与及时干预的主动式 Physical AI 系统
研究者提出"主动式 Physical AI"问题并开发 ProAgent 端到端系统，由判断是否需要及何时干预的 StreamingJev 主动时机模型与生成响应或调用设备能力的 Response Model 组成。团队还构建了将视频转为主动时机监督信号的自动化数据管线，实验显示其干预时机更准、误触发少于基线，真机评测验证了识别新兴需求并转化为物理动作的能力。
arXiv cs.AIAI 评分2929 VLA-GAUGE：系统评估视觉-语言-动作模型的泛化性与鲁棒性
研究团队提出诊断框架 VLA-GAUGE，在统一可执行任务表示下评估 12 个视觉-语言-动作（VLA）模型的零样本泛化与扰动鲁棒性。结果显示平均 Zero-Shot Score 仅 22.3%，SimpleVLA-RL 仅 8.0% 位列倒数第二；三种组合扰动配置下平均 R-Score 为 9.3。
arXiv cs.AIAI 评分2020 因果推断如何评估走廊场景中社交导航信号的真实作用
一项研究用因果模型估计走廊人机交互中社交导航信号是否真正提升通行成功率。研究将交互建模为包含机器人动作、行人占用、可用空间、任务结果和静态障碍物混杂因子的因果 DAG，结果显示仅基于观测的估计会错误地认为该信号有害，而因果估计表明其有益。
arXiv cs.AIAI 评分3232 SurgiCLAW：面向精密机器人显微操作的可解释原子技能智能体
SurgiCLAW 是一个分层技能框架，将 MLLM 限定于术中视觉理解、结构化解释与原子手术技能选择，物理执行交由可验证的确定性控制程序完成。在脑机接口植入任务上，其技能选择准确率达 94.6%、Macro-F1 为 93.0%，50 次闭环真机植入试验任务成功率为 88.0%。
arXiv cs.AIAI 评分3131 SpecWM：通过谱对齐实现世界建模
研究者提出 SpecWM，一个 JEPA 框架，通过目标相似度核显式指定观测间的关系，并训练编码器在嵌入几何中复现这些关系。时间谱对齐将 CEM 规划成功率从 LeWorldModel 的 52% 提升至 68%（OGBench Cube）、49% 至 77%（OGBench Scene）、29% 至 51%（CALVIN）。结果表明，显式指定表征几何可引导潜在世界模型保留对控制有用的信息。
arXiv cs.AIAI 评分3232 DexCast：从人类视频中学习真实世界灵巧手控制
DEXCAST 是一个无需遥操作的框架，可直接从单目 RGB-D 视频中学习灵巧机械手控制，利用联合手物交互重建实现。该框架提出 DexHand Motion Perception Module（DMPM），以紧凑隐表征捕捉关节间协调与时序依赖，为扩散策略提供条件。真实世界实验表明，DEXCAST 在多种灵巧操作任务上表现优异。
arXiv cs.AIAI 评分3131 GG-Nav：面向目标的接地思维链如何激发导航基础模型的推理能力
GG-Nav 通过监督微调学习结构化思维链，让导航基础模型显式定位目标并累积接地证据，在 HM3D ObjectNav、VL-LN 和 CoIN 基准上成功率分别超越 SOTA 3.1%、16.6% 和 5.3%。其两阶段设计从中间帧累积证据使证据缺失失败减少 11.6%，显式接地使停止错误降低 49.4%，并已在 Unitree Go2 机器人上实现真实环境零样本泛化。
arXiv cs.AIAI 评分3434 IMPRINT：无需筛选的多流潜在记忆，为机器人策略增强 VLA 模型
研究者提出 IMPRINT，一种策略无关的潜在记忆框架，为 VLA 模型加入多流记忆而不显式约束策略该记住什么。它把不同信息流压缩为推理时增量更新的潜在记忆，并采用两阶段训练：先监督记忆重建观测、动作、本体感受等过去信息并估计任务进度，再与策略联合端到端微调。在仿真和真实记忆任务上，IMPRINT 平均成功率比基础 VLA 至少提升 26%，推理延迟在记忆增强 VLA 中最低。
arXiv cs.AIAI 评分3232 DexFLEX：面向指令引导灵巧操作的接触感知基础控制器
DexFLEX 是一个接触感知基础控制器，将上游指尖运动草稿转化为接触一致的关节指令，通过 Draft-Dream-Select 推理流程在跟随指令的同时保持未来接触稳定。同一训练好的控制器无需重训即可提升鲁棒性，真实世界遥操作成功率从 29.2% 提升至 78.3%，策略学习成功率达 46.7%，为直接关节动作预测的 3.5 倍、仅先验修正的 1.56 倍。
arXiv cs.AIAI 评分2424 Akule：基于稀疏交互扩散的快速可扩展多机器人运动规划
Akule 是一个稀疏交互扩散框架，通过可复用的成对修正模型、上下文选择器和组合器三个学习模块，在冻结的单机器人先验上协调多机器人运动。它在多个 MRMP 基准上实现最高 25 倍完整规划器加速、零样本规模迁移，并成功规划多达 256 台机器人。消融实验显示，学习式选择与组合相比启发式选择和均匀求和能减少修复前冲突与下游修复开销。
arXiv cs.AIAI 评分2323 基于硬件感知 LLM-VLM 集成的具身零样本任务规划，实现有物理依据的机器人操作
该研究提出一种硬件感知的 LLM-VLM 操作框架，在 NVIDIA Isaac Sim 中驱动模拟 Franka Research 3 机器人完成零样本任务规划。
arXiv cs.AIAI 评分2020 两阶段多模态学习实现动态音视觉导航：从物理对齐到场景聚合
针对动态音视觉导航（D-AVN）中现有方法依赖语义听觉特征、难以泛化到未见声音类别的问题，研究者提出两阶段多模态学习框架：物理对齐阶段用 Intensity-Calibrated Geometry Encoder（ICGE）将声音强度与视觉几何做物理对齐。
arXiv cs.AIAI 评分3838 无需高质量状态估计：NAO 机器人通过真实交互强化学习学会射门
研究者提出 RSSM-RLPD，让 NAO 机器人在无外部动捕或摄像头的情况下，仅靠机载无迹卡尔曼滤波（UKF）估计状态，学习带球射门。该方法用循环状态空间模型（RSSM）学习新状态表示，且仅在观测到球时修正隐状态。经过 30 分钟真实世界交互，机器人从多个起始位置学会射门，成功率达 100%，而同等训练预算下的前馈策略为 0%。
arXiv cs.AIAI 评分6060 RoboHarness：一个简单机器人控制框架在 BEHAVIOR Challenge 2025 任务上超越 VLA 与世界动作模型
研究者提出 RoboHarness，一个为 LLM 智能体提供视觉-几何控制面板的机器人框架，使其能直接理解并调用具身任务。作者称借助该框架，Qwen3.8-Flash-Next 在 BEHAVIOR Challenge 2025 任务上超越了当前最先进的 VLA 模型，实现将开源。论文认为编码智能体有潜力实现通用具身操作，无需按传统路线收集机器人动作数据并训练大规模 VLA 模型。
arXiv cs.AIAI 评分3131 机器人如何实现物理递归自我改进？Physical RSI 的 L0-L5 框架综述
一项 arXiv 综述提出 Physical Recursive Self-Improvement（Physical RSI）概念，即物理经验能持续更新机器人能力及其改进流程，使后续改进更高效。
arXiv cs.AIAI 评分3535 Thinker-WM：面向具身智能的统一多模态世界模型
优必选 Thinker 团队提出统一多模态世界模型 Thinker-WM，通过共享的 Unified Dynamics Transformer 与模态专属编解码器，联合建模并生成 RGB、度量深度和机器人动作。
arXiv cs.AIAI 评分3030 ABot-ER：通过智能体数据-模型协同进化实现统一具身推理
ABot-ER 是一个统一具身推理基础模型，在感知、规划、执行三大能力上同时达到专家级深度。其 Agentic Data-Model Self-Evolution Engine 持续根据模型能力状态调整数据策略，Task-Conditioned Adaptive Training Strategy 则用 task tokens 激活共享骨干上的轻量低秩残差。
arXiv cs.AIAI 评分2222 神经符号图 Transformer 实现多模态人类活动序列的分层意图识别
研究者提出神经符号图 Transformer（NSGT），通过可学习拓扑偏置将人类推理图（HR-G）融入自注意力机制，并加入可微一阶逻辑（FOL）损失约束原子动作、复合活动、低层意图与高层意图四层本体一致性。
arXiv cs.AIAI 评分3131 ReStep：用逆向结果建模实现长时程粒子动力学预测
针对自回归模型在长时程轨迹预测中误差累积严重的问题，研究者提出 ReStep，先由随机模型直接预测最终状态，再用 Anchored Diffusion 生成目标条件下的中间轨迹，以两端边界状态约束动力学。该方法被集成进 3D Gaussian Splatting 流程作为物理引擎，在多种刚性与非刚性碰撞数据集上取得更优的长期精度，显著缓解误差累积。
arXiv cs.AIAI 评分2222 Tricorder：面向公用事业规模光伏电站的自主 3D 视觉-热成像巡检系统
研究团队提出自动化 3D 视觉-热成像巡检系统 Tricorder，用于光伏面板下方资产检测，结合 LiDAR-惯性 SLAM 与几何标定的 RGB、热成像及机器学习目标检测与分割，将多视角视觉与热成像观测在重建的 3D 环境中空间融合与定位。
arXiv cs.AIAI 评分2020 参考描述措辞如何影响机器人任务指令的检索
研究在 RLBench 操作基准的自然语言指令中考察参考描述措辞对任务检索的影响，从 62 个公开任务文件提取 296 条固定描述，在 80 组随机索引描述下比较五种免训练词汇排序器。
arXiv cs.AIAI 评分4040 TacitVLA：无需推理延迟的推理型视觉-语言-动作模型
TacitVLA 是一种推理型 VLA 模型，其动作专家不会关注当前调用生成的推理文本，因为推理监督本身已改善骨干表示，从而无需等待自回归解码。在 RoboMME、RMBench、LIBERO 和 PhysicalAI-AV 四个基准上，它以最高 3.4 倍更低延迟匹配显式推理版本性能，并以最高 +17.1% 成功率匹配无推理架构的延迟。
arXiv cs.AIAI 评分2222 观察、共享还是预测？解耦具身多智能体协作中的伙伴信息
研究基于 Habitat 的 PARTNR 基准提出解耦部分可观测机制，在 1000 个验证任务上测试 OAS 观察、KE 知识交换与 OANA 预测对 LLM 具身智能体协作的影响。OAS 观察提升任务质量并减少无效动作，KE 主要提升执行效率、最多减少 25% 仿真步数；OANA 预测在 16 组模型×上下文组合中有 15 组降低成功率，协作收益主要来自对共享上下文的响应而非显式预测。
arXiv cs.AIAI 评分2222 可接受的失准：自主机器人价值对齐为何无法完全实现
研究者提出"可接受的失准"概念，认为自主机器人的价值对齐问题在理论和实践上都无法完全实现，失准事件将持续发生。论文主张从追求对齐最大化转向关注失准事件变得可接受的条件，并给出对齐机制的规范性要求及一套新的方法论框架。
arXiv cs.AIAI 评分2929 LIBERO-Industry：工业流程约束下的机器人操作基准
研究者提出 LIBERO-Industry，一个基于 LIBERO 构建的机器人操作基准，将产品变体、移动物料流、有限执行窗口和严格几何公差等工业约束转化为可控任务条件与可测量成功标准。
arXiv cs.AIAI 评分3131 G²WAM：面向高效几何锚定图像目标导航的世界动作模型
研究者提出几何锚定世界动作模型 G²WAM，用于图像目标导航。它通过学习式场景坐标定位模块将当前、目标与历史帧锚定到统一参考系，无需显式 3D 重建，并完全在潜空间中联合预测未来状态与动作，省去 CEM 式规划。在四个轨迹预测基准上，平均 ATE 与 RPE 分别降低 40.1% 和 35.2%；闭环导航成功率从 54.0% 提升至 63.0%，SPL 从 36.4% 提升至 59.2%。
arXiv cs.AIAI 评分3434 RAP-WAM：通过预测排练与动作扰动学习世界-动作模型
RAP-WAM 将预测排练（Predictive Rehearsal）与动作扰动（Action Perturbations）结合未来监督查询和 Coupled Action Projection 进行策略学习，无需独立评分网络或部署时探针，基座直接从视频预训练骨干学习。
arXiv cs.AIAI 评分2222 ADAPT：面向熄灯工业导航的音频-深度动作规划与过渡感知奖励
针对熄灯工业环境中可见光缺失的问题，研究者提出音频-深度动作规划框架 ADAPT，用空间音频定位目标、深度感知障碍几何，并通过强化学习优化闭环导航。其核心贡献 TARS 在位置-朝向图上定义姿态感知的最短动作势函数，兼顾可行移动与原地旋转。
arXiv cs.CLAI 评分2424 VLX-Go：通过多阶段学习与同策略精炼实现鲁棒具身跟踪
VLX-Go 是一个视觉-语言航点策略，通过视觉-语言对齐、多模态推理中期训练和跟踪专项训练的多阶段流程，在 19,532 条 oracle 轨迹上训练，将干扰物跟踪成功率从 OmTrackVLA 的 41.54% 提升至 55.80%。
arXiv cs.AIAI 评分3434 Words to World：在交互式物理环境中评测 LLM
研究者提出 Words to World 基准，让 LLM 通过控制连接机械臂、摄像头和传感器的 harness 系统，在真实物理环境中完成闭环交互任务。该基准考察模型的具身感知、动作规划、工具选择、空间推理与反馈纠错能力，实验发现模型存在幻觉状态变化、异常恢复差、长程规划不稳定等失败模式。
arXiv cs.CLAI 评分2020 多模态大模型空间推理的数据中心化理解综述
一篇综述系统梳理了面向空间推理任务微调预训练多模态大语言模型（MLLMs）的方法，涵盖监督学习到强化学习，重点关注所用数据集。研究将相关工作分为数据集设计、数据集构建与评估三类，并归纳出规则模板、LLM 提示、程序化生成和人在回路四种固定空间标注构建方法。评估方面存在评分方法、容差指标和基准类型的显著差异，未来方向包括统一动态标注、高效空间推理、评估标准化、扩展空间范围与以人为中心的空间交互。
arXiv cs.CLAI 评分4040 AdaRSI：面向具身智能体的按需递归自我改进框架
针对预训练 VLA 模型在未见长程任务中中途失败的问题，研究者提出按需递归自我改进框架 AdaRSI，先由编码智能体改进技能与执行框架，再通过从保存状态重试失败子步骤来归因，仅微调仍不可靠的子步骤。
RadarAIAI 评分6262 MIT、Stanford 等联合发布机器人自我改进综述：7 项研究中 5 项未跨任务提升
MIT、Stanford、Google、Microsoft 等机构联合发布 Physical Recursive Self-Improvement 综述，指出机器人仍依赖人类采集数据、诊断故障并筛选更新。他们检查的 7 项机器人自我改进研究中，5 项未能在不同任务上展示提升，并定义 L0 到 L5 六个自主改进等级。其 2022 至 2026 年系统图谱中尚无确认的 L5 案例。
极客公园AI 评分5858 人形机器人长腿却只能定住干活，源策未来用全身智能破局
极客公园分析人形机器人长期只能定住干活的困境，指出双足控制要稳定手就晃、要手准就容易摔的两难，并介绍源策未来以全身智能（WBI）为核心的技术路线。源策自研 S0 运动控制基模将手部末端追踪误差从开源基线 SONIC 的 10 厘米量级压到 2 厘米区间，并拓展到有高差的非平地控制，进而训练出负责长程任务理解与拆解的 S1 大脑。
RadarAIAI 评分2020 蚂蚁灵波 LingBot 与 Longsheng Weirui、Damon Technology、Deer Xiangwang 达成机器人战略合作
蚂蚁灵波（Robbyant）已与 Longsheng Weirui、Damon Technology 和 Deer Xiangwang 签署战略合作协议，共同探索由 LingBot 驱动的解决方案。合作方向覆盖工业机器上下料、汽车制造和大批量包裹分拣，目标是迈向“一个大脑适配所有机器人”。
RadarAIAI 评分2020 Preferred Networks 零售 AI 机器人方案 MiseMise 获 2026 年度 Good Design 金奖
Preferred Networks 的零售 AI・机器人解决方案 MiseMise 在 2026 年度 Good Design 奖中获颁 Good Design 金奖，该奖从 Good Design Best 100 中按 20 个审查类别各选 1 件、共 20 件。