新闻、仓库与研究，按时间排列。
AVALON 是一个面向"人类熟悉但机器人未见过"场景的零样本室内导航框架，无需预先建图或场地训练，仅需楼层平面图、地点线索和初始拓扑-里程计对齐即可部署，并通过人机记忆协同更新融合人类指定的任务约束与机器人实地验证证据。在 Unitree Go2 上的实验显示，AVALON 结合 X-NavDP 完成 12.81 m 的Intersection-to-Dining任务仅用时 46.4 s（5/5 成功），比 DimOS-Go2（78.5 s，4/5）节省 40.9% 机器人时间，而仅用策略的 X-NavDP 在 5 次运行中全部超时。
一项 arXiv 研究（cs.AI）提出动作可预测性（从连续 latent 状态重建动作）能防止世界模型表征丢弃内在动力学信息，并用 Concat IDM 从拼接的 latent 状态预测动作、利用离线轨迹中已有的动作标签更新共享编码器。在 Push-T 的 24 种外观设置下，Concat IDM 经三次独立训练将规划成功率从 9.1% 提升至 77.2%，配对改进比单一外观条件下高 52.9 个百分点，且不改变测试时规划器。
arXiv 论文提出一种方法，让手机等设备录制的人类演示可作为结构不同机器人的后训练数据，核心是重定向物体运动而非手部动作。采集生成无本体记录（物体位姿、接触区间与重建 3D 物体），机器人以 URDF 和简短描述文件在仿真中求解并评分。在 8 台机器人、42 次采集共 157 对样本中，31.2% 通过、52.2% 失败、14.0% 被拒；被拒的 13 对实际运行全部失败。
PhySGA 是一个通过智能体探索与物理仿真实现 3D 物体组合的框架，支持刚性、铰接和可变形物体的交互式装配。其采用 Assembly Agent 负责全局规划、Critic Agent 基于接触动力学做闭环纠错的双智能体架构，并配自进化技能库复用试错经验。在 Isaac Sim 中的实验显示，其在关系保真度、物理合理性和视觉质量上显著超越现有方法。
研究团队提出 Player-1，一个通过合成经验进行游戏控制后训练的框架，扩展了计算机操作智能体的动作空间，并在 6,044 条精选游戏轨迹上做监督微调。其配套的 Player-1-Gym 提供 16 个可编程验证奖励的 2D/3D 合成环境，支持基于 PPO 的多环境强化学习。Player-1-9B 在 MineDojo-300 上达到 38.33% 成功率，比最强基线 12.63% 高出 27.8 个百分点。
论文提出 HiRe-MoMa 框架，用于移动操作（MoMa）系统的真实世界高效微调。其分层残差架构在冻结基础策略上学习增量修正，并将残差拆分为移动底盘与机械臂两个头以缓解梯度干扰；Expert-Guided Value Alignment 利用覆盖率不足 20% 的稀疏人工干预重塑 critic 价值函数。在 TIAGo++ 平台上的实验显示，约 30 分钟在线交互即可持续提升任务性能，且不依赖基础策略架构。论文被 CoRL 2026 接收。
推荐理由：论文给出在真实机器人上微调移动操作系统的分层残差框架，用不到20%覆盖度的稀疏人工干预提升样本效率。
研究者提出用 latent diffusion 框架直接生成人形机器人控制网络权重：线性自编码器将 actor 网络参数压缩到潜空间，Diffusion Transformer 建模其分布。模型在 Unitree G1 强化学习训练得到的网络上训练，生成的网络可在真实世界执行行走、跳舞、回旋踢等动作。分析发现第一层权重结构在 RL 与模仿学习训练下均反映机器人运动学先验。
论文提出 AdaRSI，一种具身智能体的按需递归自我改进（RSI）框架，解决 VLA 在未见长程任务中途中失败的问题。编码 agent 先改进技能与 harness，再通过从保存状态重试失败子步骤来归因持续失败，仅对仍不可靠的子步骤用自采演示和先前任务经验做微调。在 RoboCasa365 全部 50 个目标任务上，以 GR00T N1.5 为执行器且无人类演示，AdaRSI 在三个套件上均提升 VLA，将未见复合任务成功率从 4.6% 提至 13.8%；相比微调每个子步骤，成功率略高而仅用 28% 的 GPU 时间和 22% 的自采演示。论文链接 https://arxiv.org/abs/2610.20474v1
推荐理由：论文给出按需微调与全量微调的对照数据，GPU 时间和自采演示用量都大幅降低，方法细节可直接参考。
一项 arXiv 研究提出不确定性驱动的自博弈训练方案：一半智能体以提升邻居的认知不确定性为奖励，另一半学习安全驾驶，从而自动生成高难度训练课程。该方法在 nuplan Val14 上实现 99.12% 的零样本迁移（对比标准自博弈 97.97%），在 Argoverse 2 上达 82.39%（对比 78.03%），且无需微调；LSTM 隐状态覆盖率比基线高 85%，行为多样性显著提升。
NeurIPS 2026 论文提出 LiFi（LiDAR From images）框架，从多视角相机图像生成视觉与几何对齐的 LiDAR 点云。该方法通过几何分支（结合 DepthAnything3 的不确定性感知编码器）与语义分支双路引导 latent diffusion，并引入双分支平衡的 classifier-free guidance（CFG）策略，生成质量超越现有 SOTA 方法，代码将开源。
该研究提出一种去中心化 HVAC 控制方案，每个空调区域分配一个独立的主动推理（active inference）智能体，通过最小化期望自由能在线学习区域动态，智能体间不通信，仅借助潜在扰动和其他楼层电表推导的拥塞信号应对共享风系统的耦合。在 EnergyPlus 的 Sinergym 办公楼中用 15 个智能体对比 3 种规则控制器和 3 组 MADDPG，5 个未见噪声天气年份下取得最低平均建筑峰值 88.3 kW（比基线低 3-17%），相似舒适度下每月峰值总和每年降低 33 kW（4%），代价是约 10% 的额外能耗。整套系统运行在一台 Raspberry Pi 5 上，经 MQTT 完成观测到动作闭环的 p95 延迟为 442 ms。
arXiv 论文提出 StateCraft，一种将语言模型与视频扩散模型配对的架构，把可持久更新的抽象状态与视觉状态解耦，用于跟踪实体随世界演化的变化并条件化生成当前视图。在生成式界面基准上，其生成质量、记忆与可控性超越 SOTA 基线，并在长轨迹上保持高自一致性；抽象状态可被直接编辑，生成会遵循数据中从未观测到的状态修改。
提出生成式轨迹规划（GTP），一种基于模型的在线决策框架，用扩散模型作为动作序列的提议分布，再结合学习到的动力学、奖励和价值模型进行精炼，避免每步从头求解高维优化。在连续控制与长时域操作任务上，GTP 达到或超过 model-free、diffusion policy 和 model-based 基线，且在强基线退化的场景中保持稳定。
RadarGSOcc 是一个直接处理 4D 雷达张量的 3D 语义占用预测框架，通过分离提取含 Doppler 信息的几何与语义特征，并采用可变形注意力几何精化模块。该模型在 51.2m 范围内预测 15 类，取得 38.2% IoU、7.6% mIoU 与 25.5% weighted mIoU，较 RadarOcc 相对提升 17%（25.5 vs 21.9），且参数与计算量更低。作者还提出首个基于 4D 雷达张量的 K-Radar 3DSemOcc 基准及 EBKL 代理指标，数据集与代码将公开。
论文提出 UniW(A)M，一个基于扩散 Transformer 的混合专家框架，统一动作条件世界建模与多种世界动作模型变体，以共享专家捕捉共同物理动态、原子能力专家跨接口复用。在 LIBERO、RoboTwin 2.0 及三个真实操作任务上，真实世界平均成功率达 88.3%，最强基线为 76.7%；WorldArena 上动作条件世界建模三项任务均领先；PAIR 路由将 OOD 成功率从 63.3% 提至 76.7%，且部署时主干冻结。论文正在 ICLR 2027 评审中，共 34 页。
推荐理由：论文统一了世界模型与世界动作模型的训练，真实操作任务成功率比最强基线高出 11.6 个百分点，并给出 PAIR 的 OOD 数据。
arXiv 论文提出 Steertuning 系统，让机器人从 5 条人类示教在 5 分钟内学会新任务。该系统先在 100 小时带密集标注的自我中心人类交互数据上预训练 400M 参数扩散策略，再对新任务仅做 2 分钟微调（2000 次更新），并在反向采样时用观测最接近部署环境的示教引导动作。在 12 个新环境的 12 项任务上达到 71% 成功率，数据、权重、代码和机器人视频将公开。
推荐理由：原文给出了从人类视频微调机器人策略的完整方法与量化结果，读者可以据此评估少样本示教方案的可行路径。
Xinyi Wang 等在 arXiv 发布 SEAR（Self-Evolving Agentic Robotics）框架与基准，语言模型智能体通过编写控制代码并在真实与仿真任务中保留有效经验实现自我进化。框架含 code-as-policy、agent-as-policy、auto-research 三种模式，基准覆盖 7 个前沿模型、330 个仿真任务与 5 个真机任务、累计超四年智能体运行时间。主要发现包括任务更难时延长会话更划算、控制代码与共享例程可跨任务和模拟器迁移而任务特定方案不能、真机上智能体设计的练习与新颖人类设计场景存在性能差距，且纯文本模型可媲美可比多模态模型；基准与代码库已开放。
推荐理由：该基准专门设计对照组区分真实学习与重复尝试和运气，并给出跨模拟器与真机迁移的实测发现，方法可复用。
研究者推出 RoboSimStudio（RSS），一个交互式工具包，可将求解器、接触模型和物理参数显式化并支持编辑，供人类与编码智能体基于观测到的物理行为迭代优化仿真。RSS 基于开源 Newton 物理仿真系统实现，并通过视觉评估、力反馈和 agentic Real2Sim2Real 三种方式验证了人机协同的 real2sim 流程。
arXiv 论文提出 Physical Recursive Self-Improvement（Physical RSI）概念，指物理经验驱动机器人能力及其改进过程的持久更新。作者给出 L0-L5 分级框架，区分能力层与元层更新、任务内与跨任务收益，并指出在噪声观测、连续动态、试错成本高与不可逆后果下，现有文献尚未真正实现该定义下的 Physical RSI。研究优先级包括可靠反馈、因果归因、安全保持与基准评测。
LIBERO-RIG 是一个仅扰动机器人硬件与配置、任务保持不变的基准，覆盖相机安装与光学、相机-机械臂标定、控制频率、本体感知噪声等 11 个扰动轴、各 5 个严重程度，共 210 种条件。对 9 个视觉-语言-动作模型的评测显示，汇总成功率从 0.932 降至中等严重度的 0.767 和最高严重度的 0.509。视觉扰动训练无法缓解相机图像不变的故障，基准连同各 episode 的扰动参数清单已发布。
研究者发布 AXIS-Bench 并系统研究演示质量在 VLA 预训练中的用法，基于 5000 条自然次优人类演示和 24 个目标任务，在三个 VLA 内匹配演示与训练预算。结果显示感知方法的片段级条件化在普通行为克隆之外提升平均成功率，条件化偏好 episode 标签而过滤偏好 chunk 标签（因模型而异），恒定标签微调可进一步提升条件化预训练后的平均成功率；真实世界实验中仿真预训练把成功率从 9.6% 提到 31.7%。该基准基于众包仿真演示构建，记录物体与接触状态以便在共享轨迹上重算质量标签，轨迹可回放并支持工作区对齐渲染与自定义真实目标任务。论文：https://arxiv.org/abs/2610.18869v1
推荐理由：论文用 5000 条次优人类演示和 24 个目标任务，系统比较演示质量在 VLA 预训练中的用法，并放出可复算质量标签的 AXIS-Bench。
ChunkAct 将动作分块引入智能体机器人，一次 LLM 调用即可启动一段链式原语自主执行，仅在失败时交还控制，并把记忆离线编译成块，使 LLM 计算随决策数而非原语数扩展。在 LIBERO-Pro 上，ChunkAct 比当前最先进的智能体机器人方法任务成功率高 5.0 个百分点，同时 LLM 调用减少 2.9x、输入 token 减少 4.4x、输出 token 减少 2.3x。
研究者提出 Orchestra，一个将任务规划与执行管理从动作生成中分离的机器人智能体框架，可把多模态指令分解为有序子任务并跟踪进度。Orchestra 在九项 RMBench 任务上平均成功率达 68.22%，超出 Mem-0 26.22 个百分点；在 RMBench-Compose 上 ASL 达 7.35 个子任务，为 HarnessVLA 的 2.46 倍。代码与项目页已开源。
ABot-ER 是一个统一具身推理基础模型，在单一模型内同时覆盖感知、规划、执行三项能力，达到专家级深度。其 Agentic Data-Model Self-Evolution Engine 持续调整数据策略，Task-Conditioned Adaptive Training Strategy 用任务 token 在共享骨干上激活轻量低秩残差。在覆盖 12 个 benchmark 的评测中，ABot-ER 在感知、规划、执行上取得 SOTA 总体表现。
Urbex 是一个智能体视觉-语言框架，将城市级 3D 定位从候选排序改为主动空间搜索，让 VLM 智能体查询地标、缩放局部区域、渲染斜视图并提交边界框。该方法在 CityRefer 上用强化学习优化工具使用策略，取得最佳 Hit@1 和 IoU，无需候选框和真值框，且显著快于最强城市级排序基线；在 STPLS3D-Refer 上的零样本结果也显示跨场景鲁棒性提升。
研究者提出一种低成本两阶段方法，利用路侧 RGB 相机与 3D 雷达实时估计行人、自行车和汽车等道路使用者的 3D 形状与朝向，避免端到端模型依赖大量特定点位数据。第一阶段用现成方法提取 2D 相机边界框和对应 3D 雷达点，第二阶段由雷达确定 3D 位置、预定义模板确定尺寸，并用微型神经网络预测针对具体点位优化的 yaw 角。该方法在带行人路口的弯道完成验证，在 NVIDIA Jetson ORIN 上达到 25 fps。
Thinker Team（Ubtech）发布统一多模态世界模型 Thinker-WM，通过共享的 Unified Dynamics Transformer 联合建模并生成 RGB、度量深度和机器人动作。同一套参数化支持视频-动作联合生成、世界预测、策略推理、逆动力学等多种功能；训练数据约含 2 万小时第一视角视频、1 万小时真机数据和 1 千小时仿真数据，其中约 4 千小时真机数据带对齐深度监督。模型在 EWMBench、WorldOlympiad 和 WorldArena 上排名第一，消融实验验证了动作条件化、几何交互与多功能训练的收益。论文链接 https://arxiv.org/abs/2610.18447v1。
推荐理由：论文把外观、几何和动作放进共享动态表示统一建模，并列出在 EWMBench 等三个评测上的具体排名与训练数据构成。
MemoryVLN 是一个面向视觉语言导航（VLN）的记忆驱动导航系统，通过遗忘曲线式时间采样压缩长轨迹历史，并用 2D 语义 token、3D 几何 token 和 6D 位姿构建自我感知记忆表示。系统采用分层记忆库与 Top-K 记忆检索实现跨上下文记忆复用，在 R2R-CE 和 RxR-CE 上成功率分别超过 SOTA 基线 2% 和 6.5%。
EgoOmniWorld 提出以 Ego-Action-World 交互回路统一第一人称视频理解，基准按 Node、Edge、Chain、Loop 四种交互结构组织，包含 24,166 组 QA（20,284 训练、3,882 测试）。实验显示开源与闭源多模态大模型在各交互结构上存在明显且不均衡的短板；用该基准训练可提升域内交互理解并泛化到既有第一人称基准。数据、代码与模型将开源。
研究者针对建筑优化中控制策略难以跨建筑迁移的问题，发起一项 NeurIPS 2026 竞赛，推动开发能以极少配置适配新建筑的建筑基础模型。美国建筑造成近 40% 的碳排放，其中 HVAC 系统占建筑排放的 40-60%、占全球能耗的 15%。参赛者需在模拟建筑上训练控制策略，并在规模、布局、天气、材料与 HVAC 系统各异的未见建筑集上评测。
APTree 是一个模型驱动框架，以行为树为执行模型，将自动化任务规划与模块化任务执行结合，可在运行时协调多个异构符号规划器自动生成模块化任务计划，并配套领域特定语言与执行引擎。在 livMatS Biomimetic Shell 亭的实际评估中，该框架能检测设计与运行时注入的规划错误，并通过协调三个符号规划器跨多个规划模块生成大规模任务计划；形式化分析证明组合执行与局部重规划在给定假设下是安全的。
论文提出 Unravel，一个免训练框架，可将单张图像转为每个物体都可独立移动的可交互 3D 场景。其方法由视觉语言模型规划可见物体、图像编辑器逐层移除并还原被遮挡区域，以点云为主要模态恢复空间关系，每次编辑先验证再纳入重建，并按反向移除顺序重建场景，将观测点作为物体尺寸下限，最后物理沉降与智能体审查修正漂浮和穿透问题。在多样室内场景实验中，Unravel 比现有方法恢复更多物体、摆放更忠实、物理合理性更高。
推荐理由：这篇论文展示了用智能体逐层剥离图像来重建可交互 3D 场景的完整做法，各环节可验证可复现。
arXiv 论文提出“交互式 4D 体积液体预测”任务：根据固体在液体中的运动预测未来稠密 3D 液体速度场的时空演化，可服务于机器人液体操控、数字孪生与刚体-流体视频生成。作者提出两级递归框架 TIDE 与 TIDES，其中 TIDES 加入传输感知耦合与显式稳定机制以降低长时滚动误差，在迁移基线对比、组件消融及运动/尺寸 OOD 测试中取得最佳预测性能。代码已开源。
AutoTrust AI 在 Hugging Face 开源决策模型 autotrust/JEV-35B，基于 Qwen3.5-35B-A3B 微调，Apache-2.0 许可，只做 System 1 决策、不生成文本。Decision Index 0.3 公开套件得分 59.73（JEV-27B-VL 为 53.64），单 B200 中位延迟 204 ms；同时放出 NVFP4 版本，下载 25.6 GB、显存 23 GiB，可在 32–48 GB GPU 上运行，Decision Index 得分 59.18、96.6% 答案与 bf16 一致。
推荐理由：模型卡给出 Decision Index 公开套件逐项分数、延迟与 NVFP4 量化对照数据，并演示了游戏与机器人控制等短板场景。
提出一种针对 POMDP 的蒙特卡洛规划方法 BETS，用生成分布嵌入（GDE）表示搜索树各节点的信念，并通过 POMDP 动力学更新，将信念模型与策略、价值网络一同训练，以隐状态为训练目标。在 RockSample、LightDark、PocMan 共六种配置上与 BetaZero 及三个无学习组件的规划器对比，BETS 在全部六项中持平或领先，且信念维度越高优势越大。
arXiv 论文提出 InCLAD，将工业异常检测重构为持续学习基准，把每个工业组件视为一个任务，在半监督设定下依次学习新组件并保持对全部组件的性能。基准设置了随机、由易到难、由难到易等多种任务序列场景，并涵盖跨多数据集场景，从图像级异常检测和像素级异常定位两个维度评估模型的知识保持、适应与泛化能力。
arXiv 论文提出 MARL-BattleGrounds（MARL-BGs），一个 JAX 原生的异构竞争性多智能体强化学习（MARL）基准，填补 SMAX 与 Dota 2 之间的高效且丰富的空白。其含 52 张手工设计地图、8 个终局泛化场景和每月循环赛 Elo 排行榜，单张 RTX 5090 上以 1,024 并行对局实现每秒 50,000 步 5v5 模拟，并通过 API 用 Qwen3.5-9B 与最强策略进行了评测。
研究者提出 SpatialASM 框架，通过训练时空间模拟将主动空间心理模拟（ASM）能力内化到大型视觉语言模型（LVLM）中。该框架用 allocentric novel-view 生成器提供显式 ASM 轨迹和自动构建的视角转换任务两类监督，在七个空间理解基准上提升了四种 LVLM 骨干模型的推理准确率，同时保持原有通用视觉能力。
研究者提出 MC-EvoBench，一个用于审计 Minecraft 智能体经验驱动自我改进的受控基准，含 19 条注册进化链（12 条主评测链、7 条校准/探针链）及三个图对齐配对探针族。基准将任务表示为任务状态图，设置阶段级环境验证器，仅允许声明的 agent 工件跨越源-目标边界。结果显示 planner 支持变体与 controller 变体间存在持续的直接能力差距，而相关经验未带来稳定迁移，各置信区间均含零。
论文提出 LAPT-Scale，一种可扩展的潜在动作预训练范式，用人类第一视角视频为 VLA 策略提供动作监督。方法包含学习连续潜在动作的 LAPT-Scale-LAM 和经人类视频预训练、本体对齐与任务后训练的 LAPT-Scale-Policy 两部分，训练数据达 23.3K 小时；随标注人类视频从 1K 扩到 5K 小时，真机成功率从 63.3% 提升到 85.0%，并能泛化到未见视觉条件。论文已被 CoRL 2026 接收。
推荐理由：论文给出用人类视频潜在动作预训练提升真机成功率的完整方法与数据规模细节，适合关注机器人数据瓶颈的读者参考。