标签
本综述论文回顾了在机器人学习中嵌入物理先验的方法，提供了一个统一的分类法，并讨论了该领域的开放挑战和未来研究方向。
本文提出时频几何交叉注意力（TFGCA），这是一种即插即用模块，用于分块视觉-语言-动作模型，通过将分块分解为时频表示并捕捉几何关系来改进动作轨迹预测，从而在基准测试和真实机器人任务中实现显著性能提升。
本研究严格检验了扩展网络视频预训练能否提升机器人任务性能，发现更大模型和更多计算资源在真实工业任务中持续产出更优策略，且预训练质量与性能表现呈正相关。
WuJi 已开源其 MINT 模型和 EgoPipeline，用于从第一人称视频中重建3D手部和摄像头运动，以及1,021小时的自我中心数据，以辅助机器人学习。
介绍了潜能量行动规划（LEAP），该方法通过冻结的世界模型优化行动序列，以改善目标条件控制，在四个控制领域中实现成功率提高17.3个百分点。
将视频预训练扩展到12万小时，可将世界行动模型在真实机器人上的零样本成功率从36.1%提升至77.8%，实现更快的动作预测。
本文比较了灵巧操作任务中专家和模仿学习策略的时间鲁棒性，发现模仿学习策略随执行速度增加而显著下降，主要原因是插入错位。
介绍了 worldproof，一个用于诊断世界模型的开源工具，并发现像素指标通常无法在真实机器人视频上对模型进行排名，因为评估视野缺乏区分能力；确定了一个可用的 8-24 步窗口。
CoRL 2026 上 Scaling H2R 研讨会的征文启事，聚焦于人类到机器人学习中的规模法则与多样性。提交截止日期：2026年10月7日。
Light Origins宣布推出一款人形机器人，其由单一感知全身策略驱动，能够自主决定在未见过的地形上是行走、攀爬还是跨越，推理时无需技能标签、状态机或运动生成器。
一篇综述论文，将机器人学习技术按照“冻结权重策略（VLA模型）”与“以代码形式自行编写可执行技能的智能体”这一轴线进行组织，提供了自我改进机制的分类法，并分析了新兴的机器人技能经济。
Ego2Robot是一个可扩展的流水线，通过动作重定向和视觉合成，将第一人称人类操作视频转换为机器人训练数据，生成涵盖15种机器人形态的18,561小时数据。实验表明，在该合成数据与真实机器人数据上联合预训练，可提升视觉-语言-动作模型在分布外场景下的泛化能力，并已在真实机器人部署中得到验证。
Sergey Levine 强调了从次优机器人数据中学习的重要性，并推广了 OopsieData——一个收集并开源那些丰富但未被充分利用的机器人失败交互片段的社区项目。
HiFi-UMI引入了一种便携式数据采集系统，用于无机器人的UMI数据，通过立体惯性SLAM和广角摄像头实现了高轨迹精度。仅依靠这些数据训练操作策略即可在真实机器人上实现零样本部署，其性能在多个模型家族中达到或超越了遥操作基线。作者还开源了一个2000小时的高保真数据集。
本文将有具身数据源组织成一个五级金字塔（真实机器人、UMI、自我中心/外部中心、仿真、通用视觉语言），分析它们在可扩展性和机器人对齐之间的权衡，并回顾了近期具身基础模型的数据策略。还讨论了构建下一代具身系统的开放性挑战。
本文讨论了使用第一人称视频进行机器人学习的潜在优势和挑战，指出虽然直接模仿有限，但视觉注意序列可能得以迁移。文章引用了LingBot-VLA 2.0，并呼吁进行控制实验以分离视角效应和数据量影响。
本文介绍了作者如何在 Daft 数据框架库中优化 LeRobot 视频读取器，通过按分片批量解码、分组行、排序目标以及每个聚类只进行一次寻址，最终将帧解码速度提升至原来的 15 倍。
小米推出小米机器人-1，这是一个基于超过10万小时真实世界操作轨迹训练的视觉-语言-动作基础模型，展现出清晰的规模化定律，并以极少的微调数据在真实世界任务中实现高成功率。
LeRobot v0.6.0 引入了新的世界模型、奖励模型、更快的数据加载以及改进的基准测试，用于机器人学习，从而闭环机器人学习过程。
本技术报告介绍了 iFLYTEK-Embodied-Omni，这是一个统一的多模态基础模型，采用脑-小脑协作架构和四阶段训练策略，联合建模视觉、语言和动作，用于具身智能体。