机器人与物理 AI

Skill2Real提出一种面向机器人操作的智能体式技能学习框架，通过统一API、分层记忆和提议者—验证器—治理器闭环，减少仿真到现实迁移中的再训练需求。实验显示，冻结的仿真技能在多项真实操作任务上仍能保持较高完成率。

MotorMind提出一种连接通用视觉语言模型与机器人控制器的执行框架，让模型根据视觉观察提出中层动作，并通过异步反馈持续调整。研究显示，在无需任务专用策略训练的情况下，通用VLM也能完成一定程度的零样本机器人操作。

一项发表于Hugging Face Daily Papers的研究提出PyRUA-Lean，让机器人智能体通过可执行Python单元组合动作、局部重试，并只请求必要的视觉与状态反馈。在相同语言模型调用预算下，任务成功率从63.1%提升至71.7%，共同完成任务的输入Token减少65%。

当目标会在机器人看不见时移动，过去可靠的空间记忆就可能变成误导。EvolvingNav尝试用带时间信息的三维记忆和概率信念，让机器人边预测、边观察、边重新规划。

一篇系统性综述梳理机器人上下文学习的四类实现路径，重点讨论机器人如何从示范和交互中理解任务要求，并在环境变化后忠实执行。

香港科技大学团队提出 WorldLine，一种面向机器人操作的动作驱动视觉模拟器。它将通用的机器人—物体动力学学习与不同机械臂的动作控制对齐分开处理，试图降低真实机器人试错成本。

RoboFoundry提出“系统即策略”的具身智能演化框架，不只优化模型或单项工具，而是让上下文、记忆、技能与执行接口共同形成可持续改进的系统。实验显示，该方法在多个具身任务与长期记忆基准上取得显著提升。

EmbodiedMemory-Bench 将具身记忆从抽象能力变成可执行的长期交互评测，覆盖视觉细节、动态状态、交互结果和经验迁移四类挑战。研究同时提出结构化外部记忆系统 Embodied-Memorizer，以及能够管理和调用记忆的 EMem-8B 策略模型。

HexaFuture 提出 Physical Coding，把机器人所处的世界状态、执行策略和恢复流程表示为可检查、可修改的代码。实验显示，这种由工具、反馈和可复用轨迹组成的架构，有望缓解传统 VLA 模型对固定场景和动作序列的依赖。

加州大学伯克利分校团队提出三阶段 Morphometric Imitation 框架，将重建的人手—物体交互转换为机器人可执行的视觉运动策略。在三种机器人手和十类交互任务的实验中，系统实现了较高的真实世界零样本成功率。

World Action Agent把视觉语言模型放进一个可交互的视觉行动工作区，让机器人动作在执行前先被预览、修改和校正。实验显示，这种“观察—排练—执行—纠偏”的闭环，有助于提升跨任务、跨环境的操作能力。

特斯拉正把更多资源转向人形机器人Optimus，但复杂的灵巧手、生产线精度、数据采集和员工抵触，正在拖慢其规模化进程。公司仍瞄准2026年底每周生产超过1000台。

Skild AI让人形机器人在虚拟足球场中与自身历史版本反复对抗，仅以进球作为最终目标，逐渐学会盘带、护球、抢断和倒地起身。这个案例展示了强化学习从数字环境走向真实机器人的一种可能路径。

前华为大模型负责人李寅与多模态科学家张含望共同创办息壤开物，试图用大规模预训练构建面向物理世界的基础模型。其核心问题是：机器人能否像语言模型一样，通过规模化训练获得跨本体、跨任务的通用能力？

Spatial-Interactor 将空间推理从静态识别推进到动态状态建模，通过交互轨迹训练视觉语言模型理解物体运动、视角变化与长期空间依赖。

RoboFollow 指出，许多具身智能体的任务成功率并不等于真正的指令遵循能力。当一个场景只有一种合理任务时，模型甚至可以忽略语言，仅凭视觉完成操作。

XPRIZE Wildfire竞赛展示了卫星、地面传感器和消防无人机的进展。决赛队伍都能在十分钟内发现目标火灾，但没有团队完成彻底扑灭。

CARE提出一种面向机器人操作失败恢复的数据驱动框架：从真实执行失败中学习偏差分布，并生成更有代表性的纠正示范。它还通过分阶段规划与三维监测，在任务尚未完全失控时执行原子级调整或重新操作。

ShieldVLA 将 Hamilton-Jacobi 可达性分析引入 VLA 安全微调，用视觉观察学习安全 critic，并在可行区域与恢复状态之间切换优化目标。论文称，该方法在五项导航与操作基准上平均降低 57% 的累积安全代价，相比 SafeVLA 将任务成功率提高 0.13。

HuRo提出一套“机器人化”流水线，将异构人类操作视频转换为机器人对齐的观测与动作轨迹，并构建包含约63万条机器人化片段的数据集。实验显示，扩大这类数据的预训练规模，能够明显提升真实机器人操作及分布外泛化表现。

一项新研究提出，将世界模型的物理场景表征蒸馏进紧凑型 VLA，而不把昂贵的未来预测带入控制环路。实验显示，该方法能在不增加部署计算和模型容量的前提下提升机器人操作表现。