行业深度报告、硬件 BOM 拆解、数据矩阵
Editor's Picks
Ego2Robot 是一条可扩展的数据合成流水线，通过动作重定向、机械臂视觉合成与多级质量筛选，将第一视角人类操作视频转化为机器人训练数据，产出横跨 15 种机器人形态、共计 18,561 小时的训练数据——这是迄今规模最大的 ego-to-robot 数据集。在合成数据与真实机器人数据上的联合预训练，能在视觉外观、场景布局、本体形态与任务语义等多个扰动维度上持续提升分布外泛化能力，并在真实机器人部署中得到验证。
首个大规模 ego-to-robot 数据合成流水线：18,561 小时、15 种形态，配合解耦的分布外扰动评测与真实机器人验证，直接冲击 VLA 预训练的数据瓶颈。技术新颖性 27/30，证据强度 22/25，行业价值 23/25。
本文对动作分块（action chunking）为何能提升行为克隆性能进行了严谨剖析。仿真与真实世界实验推翻了主流假说（时间一致性、视界缩短、表征学习），指出真正收益来自更强的非马尔可夫表达能力、更低的误差累积，以及一个新识别的机制——隐式集成（implicit ensembling）。作者在完全不使用动作分块的情况下，通过将策略部署为随机延迟策略的集成，复现了分块策略的性能，并提出一种显式实例化集成的策略类，在多个领域显著超越动作分块。
以严谨的仿真+真实实验推翻动作分块的主流解释，识别出隐式集成这一关键机制，并证明可用更简单的单动作策略复现乃至超越分块性能。技术新颖性 28/30，证据强度 22/25，行业价值 21/25。
PhyAI 是一个统一的物理 AI 推理引擎，以单一运行时在机载、边缘与云端部署视觉-语言-动作（VLA）模型和世界动作模型（WAM）。模型适配器封装了架构相关的条件计算、求解器、缓存与输出逻辑，而图执行、算子、内存管理与并行服务全部共享，相较 pi0、pi0.5、GR00T N1.7、MiniCPM-Robot 的官方实现取得 1.40–4.65 倍加速，并在 Cosmos3-Nano-Policy-DROID 上实现 2.08 倍延迟降低。论文还提出控制时 Roofline，用于区分推理受限与环境受限的控制回路。
统一的物理 AI 推理引擎，通过模型适配器在机载/边缘/云端运行 VLA 与世界动作模型；相对 pi0、pi0.5、GR00T N1.7、MiniCPM-Robot 官方实现提速 1.40–4.65 倍；Cosmos3 在 8×H20 上延迟由 2.46s 降至 1.18s；提出控制时 Roofline 分析；开源。新颖性 23/30，证据 22/25，行业价值 23/25。
本文在入门级 Jetson Orin Nano Super（8 GB）上完整运行了一套双臂 SO-101 抓取-放置系统——感知、策略与控制全部在边缘完成，桌面 GPU 仅用于离线训练。基于 GStreamer/NVMM 的零拷贝流水线将最坏延迟从 117.31 ms 降至 101.52 ms，单核 CPU 峰值占用从 98.0% 降至 77.0%；TensorRT 转换使 ACT 推理延迟由 114.02 ms 降至 FP16 的 17.93 ms（6.4 倍）与 INT8 的 12.65 ms（9.0 倍），任务成功率保持不变（19/20、18/20、19/20）。论文还报告了两项 ACT 此前未被记录的发现：INT8 校准只量化 ResNet18 主干、对 145 个 transformer 层全部拒收；以及量化的必要性取决于动作分块配置。
GORDON 从无动作的视频示教中学习稠密奖励：将每个视觉场景表示为检测物体及其空间关系构成的图，并用自监督图神经网络把这些图嵌入到与任务对齐的隐空间。该奖励的时间曲线在长时程任务中会显露出阶段式的物体状态迁移，从而支持自动子任务发现与顺序组合策略。在 MAGICAL 与 ManiSkill3 的七个操作任务上，长时程任务平均成功率达 74.4%，较最佳学习基线提升约 35 个百分点、较 oracle 提升约 25 个百分点。
StableMimic 是一个在名义跟踪分布之外训练的统一人形机器人动作跟踪策略，能够在跌倒后自主恢复。围绕多个人类起身参考的扰动重置暴露了俯卧、仰卧与失衡等状态；专用的跟踪与恢复专家由本体感觉门控持续混合，隐藏后继状态目标则在不向部署策略暴露参考身份的前提下塑造类人恢复行为。在重定向后的 LAFAN1 舞蹈子集上，它在五种方法中取得全部四项跟踪指标的最低误差；在匹配的推倒实验中 100/100 次成功恢复，并在真实宇树 G1 机器人上得到验证。
WCM 用基于轻量级 LeJEPA 架构的 World Critic 取代 VLA 强化学习后训练中的标量回报评论家，在估计价值的同时联合预测未来潜在状态，为评论家赋予显式的时间结构。在四个基准的 149 个任务与 7 个真实操作任务上，WCM 在 Pi0、Pi0.5 与 OpenVLA-OFT 上均取得分布内与分布外的最优性能。
BWM 是一个开源、低成本、动作条件的世界模型，可预测机器人操作任务的未来观测，既可作为数据引擎，用动作对齐的 rollout 扩充模仿学习数据，也可作为策略评估器，用于闭环评估、风险预判与策略排序。它在 WorldArena 挑战赛中 Track 1 与两个 Track 2 应用中总排名第一，并已开源模型权重、训练与推理代码及接口。
CLIFT 展示了如何通过受管监督微调（SFT）API，将闭源权重的人形机器人基础模型定制为敏捷、接触密集任务的专家。通过把部署期的奖励反馈转化为 API 兼容的监督数据，CLIFT 在两个飞轮周期内将 Gemini Robotics On-Device 推向近乎完美的成功率——全程无需接触权重、梯度或损失。
PAC-MAN 将控制屏障函数（CBF）安全机制与贴近部署的真实机载感知相结合，用于人形机器人全身闪避。仅凭头戴相机与训练期 CBF 引导训练的策略即可达到接近特权状态oracle的闪避表现，零样本部署到宇树 G1 后在真实世界投掷中成功率达 95%。
FasTac 是一款曲面视觉触觉传感器，将多光谱光度立体、动态卷积力估计与 FPGA 硬件加速集成于紧凑形态。深度误差降至 0.0415mm MAE，三轴力估计 NMAE 约 2.4%-2.7%，FPGA 部署将处理延迟缩短至 1.09ms。
TacWAM 是一个预测未来触觉状态（外观、密集力场与形变流）来监督接触丰富操作学习的世界动作模型，在四个真实世界任务上平均成功率达 75.0%，比最强基线高出 37.5 个百分点。
TurboVLA 将传统的 V→L→A 范式重构为直接的 V+L→A 映射，消除了大语言模型作为中心瓶颈。仅 0.2B 参数，在 LIBERO 上达到 97.7% 平均成功率，RTX 4090 上以 32Hz 推理，仅需 0.9GB 显存，匹配或超越远超其规模的 VLA 策略。
HumanCLAW 提出了一种将动作决策与运动执行解耦的具身 AI 评估框架，在 41 个场景中的 1,218 个第一人称“寻找-导航-交互”长程任务上评估了 9 个最先进的 VLM。最佳模型仅达 16.8%——揭示了当前 VLM 从根本上缺乏具身自我意识。
SymmGrid 利用并行化对称变换大幅加速机器人真实强化学习。在真实机器人操作接触任务上实现 1.37-2.17 倍的训练加速（壁钟时间），插销插入和缆线布设在 10.9-16.6 分钟内收敛，归一化 AUC 提升最高达 2.59 倍。
πR² 通过将条件输入拆分为快速本体感知通道（每控制周期更新）和异步更新的慢速视觉语言通道，并结合延迟自适应流调度，使基于大骨干网络的动作分块流策略获得反应能力和实时性。应用于 GR00T-N1.7 后，在 A5000 GPU 上以约25Hz频率重规划，真实场景任务成功率最高提升30%。
Pictura 是一个 GPU 加速的多智能体驾驶模拟器，在每个时间步渲染每个智能体的自我中心视角，首次实现了无需特权观测、直接基于第一视角图像的大规模驾驶自博弈策略训练。训练出的 Alberti 策略性能接近使用特权向量化观测的对应策略，并能零样本迁移至 Waymo 数据集。
HiFi-UMI 通过头戴式立体惯性SLAM、原生相对位姿估计和超广角立体相机，将机器人无需遥操作干预的UMI数据采集精度提升至末端执行器3毫米。仅基于此数据微调的策略在三个骨干网络家族上与同场景遥操作基线性能持平，4000小时预训练语料将未见任务的动作误差降低41%。
本文系统性地梳理了具身智能体的数据生态系统，将其组织为五层数据金字塔：真实机器人数据、UMI风格数据、自我中心与外中心数据、仿真数据、通用视觉语言数据。围绕可扩展性与机器人对齐之间的张力展开分析，并从数据配方角度审视了近期具身基础模型的能力来源。
提出层次化视觉-触觉世界模型FeelWorld，联合预测未来视觉潜在特征与三种触觉状态（接触、三维触觉潜在编码、滑动）。引入接触门控非对称注意力机制，在自由空间运动中保持纯视觉预测路径，接触后激活触觉预测。在芯片抓取、水果抓取和USB插入任务上，80步自回归滚动后LPIPS比纯视觉基线低61%，零样本规划成功率81.7%。
提出三阶段流水线将运动模仿技能转化为可复用的混合运动先验（HMP）。先训练专家策略模仿人类动作捕捉数据，再蒸馏为冻结的RVQ码本架构，最后训练任务级策略通过选择离散码本条目实现 locomotion。速度追踪策略成功部署到真实Unitree G1机器人上。码本结构呈现可解释的层次化步态模式。
ViTacWorld 是首个面向接触丰富操作的视触觉世界模型框架。它利用公开真实触觉数据集和仿真环境预训练视触觉-动作轨迹，利用触觉信号比视觉观测具有更小的仿真-现实差距这一特性，同时作为数据增强引擎和策略评估工具，生成物理上有意义的轨迹以提升下游触觉策略性能。
DynaMAC 通过将对手臂视为动态任务参数，解决了多流策略在动态环境中的因果限制，为动态操作和双臂协调提供了统一表述，无需显式的主从关系。它在领先基线上提升 35+ 个百分点，同时所需样本减少 20 倍，并能从静态演示零样本泛化到动态环境。
Pigey 提出了一种闭环物理智能体编排器，能够将高层目标分解为子目标、调用低层 VLA 策略、跟踪执行结果并从失败中恢复——整个过程无需额外数据采集或微调。在 LIBERO-PRO 上达到 SOTA 的 4 倍（12.8%→53.3%），在真实机器人推理受限任务中将冻结策略从近乎零提升至 90% 的成功率。
AXIS是一个可扩展的社区驱动机器人操作数据引擎和基准，支持基于浏览器的遥操作、自动生成并验证新操作任务、以及将社区收集的演示数据转化为训练就绪数据。AXIS数据集包含207个多样化任务和5万+条轨迹。在AXIS上持续预训练使π0.5的整体成功率提升5.8%，超越在RoboCasa365上预训练的模型37.3%，并随数据量增长呈现一致的扩展特性。
RL-MACRO是一个用于自主机器人颅骨切除的闭环控制论框架，整合了多模态感知（力和声音）、基于离线隐式Q学习（IQL）的自适应决策和机器人执行。CNN-LSTM观测器从部分感知反馈中重建隐藏温度状态（R²=0.939，MAE=1.717°C）。双头Actor动态协调进给速度、主轴转速和切割深度。在牛肋骨和离体山羊头骨上的实验验证了鲁棒的感知能力、对力/温度异常的适应恢复能力以及在不规则表面上的平滑执行。
Robostral Navigate是一个8B参数的视觉语言导航模型，仅需单目RGB图像——这是所有机器人平台上最普遍的传感器——即可通过在当前视野中指向下一个目标位置来预测路点。纯图像空间操作使其对相机内参和场景尺度变化具有自然鲁棒性，可在轮式、足式和空中机器人之间零校准部署。在R2R-CE上达到77.4%的成功率，在RxR-CE上达到75.1%，超越最佳单目方法10.5个百分点，甚至超过基于深度或多相机的系统5.3个百分点。
DEED是一个弥合人形机器人VLA系统从实验室到商店部署鸿沟的系统级框架，在超市货架补货任务中基于Unitree G1-Edu和GR00T N1.6进行了验证。它表明，通过精心设计数据和使用单GPU进行定向后训练，可以将朴素微调下失败的策略转化为可在真实世界中运行的系统，证明实验室到商店的鸿沟主要是一个系统集成挑战。
HOST使机器人能够从单段人类视频中平均29秒习得新的操控技能，同时保留已掌握技能。它在各任务上达到62%的平均成功率——超过零样本基线45%，甚至超过每个任务用50段机器人演示微调的基线，且所需演示量少50倍，技能习得快507倍。
Diffusion ReRoll提出结构化重噪声方法，使预测序列中的早段和晚段能够相互修正。在OGBench上，它比Diffusion Forcing的引导规划成功率相对提高21%；在LIBERO-10上，比Diffusion Policy的动作预测相对改进56.5%；在统一视频-动作预测中取得了最佳的动作-视频一致性。
本文提出掩膜视觉动作（Masked Visual Actions），一种将机器人动作表示为视频中部分揭示轨迹的像素空间控制接口。仅用15小时掩膜示例微调，单个检查点即可在多样场景和多种机器人形态上实现高保真前向动力学预测和逆建模，并支持基于排名的模型预测规划和策略评估。
本文报道了一种直径2毫米的外翻生长机器人平台，能够在人体脊髓蛛网膜下腔实现低摩擦推进和转向。通过尸体实验验证，该机器人在150毫米鞘内延伸过程中，平均交互力降低65.2%，峰值力降低48.0%，且未对硬脊膜或神经结构造成可观察的宏观损伤。
本文首次将运动发散分量（DCM）推广为Koopman本征函数，利用仅1小时的真实机器人数据学习不稳定特征对。在真实双足机器人上，学习得到的Koopman DCM改善了参考步态跟踪性能，并与模型预测控制结合提供基于状态的生存性约束。
本文将适应性压力测试（AST）和扩散故障采样（DiFS）应用于真实商用自动驾驶卡车栈，结合PCA分析对故障模式进行分类与诊断，在汇入和切入场景中发现了传统蒙特卡洛仿真无法触及的罕见碰撞故障。
RynnBrain 1.1 发布涵盖 2B 至 122B 参数的具身基础模型家族，新增接触点预测与原生 3D 定位能力，在 VSI-Bench、MMSI、RefSpatial-Bench 等基准上超越所有开源及商业模型，并在 Unitree G1、Astribot-S1、天玑无极三款机器人上完成跨本体 VLA 部署验证。
CMG-RRT 提出基于临界流形引导的采样规划方法，在精密装配任务中实现 100% 成功率，首次自动求解 Elk 益智拆卸谜题，并提供概率完备性证明。
Handroid 是一款紧凑型 27 自由度可重构机器人，能够在一套硬件上分别充当灵巧的仿人手掌或 0.33 米高的桌面人形机器人，并在操作、运动规划与长时序重构任务上得到实验验证。
Orbis 2 提出了一种分层驾驶世界模型，采用扩散强迫预训练与教师强迫微调相结合的两阶段训练范式，在长时序生成质量、转向响应能力和内部表征质量上达到当前最优水平。
AC-VLA 是一个即插即用的组合学习框架，解决了 VLA 模型中的轨迹过拟合和感知捷径问题，在组合分布外任务上实现约 28% 的绝对提升，同时保持近乎完美的分布内性能。
NVIDIA联合斯坦福大学团队提出RoboTTT，首次将机器人视觉-语言-动作策略的上下文窗口扩展至8000时间步，实现从人类视频演示中一次性模仿学习、在线策略改进以及长时序复杂装配任务的完全自主完成，性能较单步基线提升87%。
本文提出Stigmergic Graph Memory (SGM)，一种有界衰退记忆层，通过记录仓库节点和边的近期执行信号来优化端点选择和路由偏好，在15种地图负载条件下实现20.5-36.7%的吞吐量提升。
本文提出扩展行为基础模型（BFM）的系统性框架，通过运动跟踪学习范式、策略-数据协同和Humanoid Transformer架构，在仿真和真实场景中将人形机器人控制精度提升10%至82%。
DriftWorld利用漂移生成模型替代扩散模型，实现30+ FPS的单步世界模型推理，速度提升17倍，并在多个机器人操作基准上取得最先进决策性能。
AeroAct是首个在实际四旋翼无人机上验证的世界动作模型（WAM），通过适配预训练的视频扩散Transformer，从第一视角视觉、本体感知和自然语言中预测轨迹-动作片段，实现闭环空中导航。
BridgeFlow通过轻量级任务中心规范化与流匹配相结合，实现了快速的SE(2)等变运动规划，在扩散基线方法上取得高达15倍推理加速和2倍有效轨迹率提升。
Reflex通过利用时间步不变性（timestep-invariance）属性，实现了流匹配VLA策略的实时流式推理，在标准基准上达到2.58倍加速和50Hz稳定流式输出。
Open-AoE 是一个大规模的自我中心操作数据集，包含约2000小时的真实环境操作视频，提供完整的标注和工具链支持，降低具身智能研究的数据门槛。
ZEST：波士顿动力重磅发布！人形机器人零样本动作迁移新突破...
SPARR框架：打破“仿真到现实”壁垒，实现无监督高精度机器人组装...
从受限操控到自由灵动：界面感知轨迹重构助力残障人士操控高自由度机器人...
SODA-CitrON：基于在线聚类的多模态异构传感器静态目标关联新框架...
2026年初人形机器人领域论文综述，涵盖运动控制、感知融合等核心方向。
基于对 12 家核心供应商的深度访谈，拆解人形机器人关节执行器的完整 BOM 成本结构。