LIBERO-Industry:把工厂约束纳入机器人操作能力评测
面向高混合、低产量制造场景,LIBERO-Industry 将产品变化、传送带运动、执行时限和几何容差转化为可控的机器人评测条件。实验显示,工业约束叠加后,通用机器人策略的表现会持续下降。
阅读全文面向高混合、低产量制造场景,LIBERO-Industry 将产品变化、传送带运动、执行时限和几何容差转化为可控的机器人评测条件。实验显示,工业约束叠加后,通用机器人策略的表现会持续下降。
阅读全文一项研究提出集体经验学习框架,让机器人车队共享执行数据,并从成功轨迹中寻找与失败场景相关的动作。实验显示,这种方式无需额外专家纠正,也能持续提升多机器人系统的任务成功率。
阅读全文AffordanceWAM提出一种面向可供性的联合世界—动作模型,用人类视频学习物体、交互区域与场景变化,再结合有限的机器人轨迹生成控制动作。它不要求为人类视频补充动作标签,也不需要进行运动重定向。
阅读全文HexaShell 用一层极薄的控制框架,把视觉语言模型转化为机器人编程代理。它能根据 RGB 相机观察、执行日志和失败原因编写并修正工具,在 RoboDojo 的 42 项任务上取得 39.7% 成功率。
阅读全文VLA-Δ为视觉-语言-动作模型引入了显式的物理状态转移监督,让模型关注物体、夹爪与接触关系在任务过程中的变化。该方法在推理时无需额外解码步骤,并在多个机器人操作基准和真实机器人实验中展现出竞争力。
阅读全文PAIR 为连续动作视觉语言动作模型引入显式的感知—行动中间表示,让模型不再只依赖最终动作损失完成从理解到控制的转换。实验显示,该方法在 LIBERO、LIBERO-Plus、CALVIN 及真实世界任务上带来改进。
阅读全文人形机器人会不会用工具,关键不只是能否拿起工具,还包括能否选对工具、完成操作并在必要时移动。HumanoidToolBench尝试用统一基准评估这条从选择到移动执行的完整链路。
阅读全文一篇综述尝试梳理“智能体机器人”的研究版图:机器人不再只负责预测下一步动作,而是要理解目标、规划任务、修正错误并适应真实环境。文章将相关工作归纳为模型、数据、环境和Harness四个功能领域。
阅读全文WAVE-0 将轻量级潜在世界模型接入预训练视觉-语言-动作策略,让机器人根据预期的未来状态生成动作。该方法无需像素重建或大规模视频预训练,并在多项仿真与真实任务中取得明显提升。
阅读全文GreenWAM试图打通机器人世界模型与控制策略,将20类机器人统一到共享的解剖学动作空间中。研究结果显示,该模型不仅能预测动作后的场景变化,也能直接支持机器人控制。
阅读全文UNITAS 提出一种面向具身操作的三维原生世界动作模型,将观察、机器人动作和场景变化放进同一个具有物理尺度的三维坐标框架。它不仅预测机器人该怎么动,也预测动作将如何改变周围环境。
阅读全文XPENG-AI 发布 4B 参数的 GroundingPI,将目标定位作为具身智能的基础感知能力。该模型在 34 个 grounding 基准上取得平均 73.68% 的成绩,并改善了机器人操作与自动驾驶表现。
阅读全文ENCORE将少量机器人示范整理为可供编程智能体阅读的多视角证据,帮助其在任务描述不完整时生成并迭代操作策略。该方法在LIBERO-PRO和RoboDojo上展现出明显优势,并完成了真实双臂机器人的操作任务。
阅读全文Artisan将多智能体协作与物理仿真反馈引入关节式3D资产生成,目标不再只是还原外观,而是让物体具备可运动、可交互、可用于仿真的属性。论文同时推出覆盖空间、物理、任务和整体质量的统一评测基准。
阅读全文EmbodiedCLBench 将持续学习引入具身仿真环境,检验智能体能否从基础任务中积累经验,并将技能组合到未见过的复杂任务中。实验显示,经验确实有效,但增加样本并未带来相应的能力增长。
阅读全文亚马逊已在仓库部署超过100万台机器人,但这并不意味着人类员工会迅速退出物流体系。真正的变化,是人与机器人将在更近距离内共同工作,而工作节奏、岗位技能与安全风险也会随之重塑。
阅读全文TouchScale提供了一个统一采集的500小时人类视觉—触觉交互数据集,将第一视角视频与双手密集触觉信号同步起来。实验显示,扩大且保持一致的数据规模,有助于提升跨传感器触觉预测和真实机器人操作表现。
阅读全文华盛顿大学团队提出Reflex框架,让人形机器人从第一视角RGB-D视频中推断飞来箱子的运动状态,并协调全身完成接取。系统在仿真中取得85.7%的成功率,并在真实Unitree G1上完成了人类抛箱测试。
阅读全文SimpleICL 重新定义了机器人情境学习的目标,试图回答机器人究竟应该从一段示范视频中学习什么。研究团队以轻量视觉提示编码器和低成本数据采集流程,在无需大规模预训练的情况下验证了示范驱动操控的可行性。
阅读全文SuperNav提出一种面向通用服务机器人的智能导航方案:不再针对导航动作微调多模态大模型,而是让模型理解需求、分析场景并调用专门工具完成移动。该系统已在单目标、多目标和需求驱动任务中展现出较强的泛化能力。
阅读全文UniWAM 提出一种统一的世界—动作模型,将物理推理、视觉生成和动作预测纳入同一训练框架。它通过融合人类第一视角数据、机器人数据与视觉问答数据,试图提升具身模型在复杂环境中的理解和执行能力。
阅读全文