机器人 / 具身智能

Latent Action Pretraining Through World Modeling

通过世界建模的潜在动作预训练

Bahey Tharwat, Yara Nasser, Ali Abouzeid, Ian Reid

机构 * Mohamed bin Zayed University of Artificial Intelligence（Mohamed bin Zayed人工智能大学） ； Alexandria University（亚历山大大学） 纠错

专题命中 机器人基础模型 ：world model(title,abstract)；manipulation(abstract)；robotic(abstract)；分类 cs.RO、cs.CV

AI总结 提出LAWM框架，通过世界建模从无标签视频中学习潜在动作表征，实现跨任务、环境和本体的迁移学习，在LIBERO基准和真实场景中优于使用真实动作预训练的方法。

Act on What You See: Unlocking Safe Social Navigation in Vision-Language-Action Models

Act on What You See: 在视觉-语言-动作模型中解锁安全社交导航

Qingzi Wang, Xiyang Wu, Guangyao Shi, Dianwei Chen, Xianfeng Yang, Dinesh Manocha

机构 * University of Maryland（马里兰大学） ； University of Southern California（南加州大学） 纠错

专题命中 机器人基础模型 ：navigation(title,abstract)；分类 cs.RO

AI总结 提出SALSA框架，通过两阶段无标注后训练（社交行为对齐和时间安全对齐），使预训练VLA模型利用已有表征实现安全社交导航，减少86.4%的近距离碰撞。

A Pragmatic VLA Foundation Model

一个务实的VLA基础模型

Wei Wu, Fan Lu, Yunnan Wang, Shuai Yang, Shi Liu, Fangjing Wang, Qian Zhu, He Sun, Yong Wang, Shuailei Ma, Yiyu Ren, Kejia Zhang, Hui Yu, Jingmei Zhao, Shuai Zhou, Zhenqi Qiu, Houlong Xiong, Ziyu Wang, Zechen Wang, Ran Cheng, Yong-Lu Li, Yongtao Huang, Xing Zhu, Yujun Shen, Kecheng Zheng

机构 * robbyant.com 纠错

专题命中 机器人基础模型 ：robot learning(abstract)；manipulation(abstract)；robotic(abstract)；分类 cs.RO、cs.CV

AI总结 提出LingBot-VLA，基于约2万小时真实数据和9种双臂机器人配置，在3个平台上完成100个任务，性能优于竞品，并实现高效训练吞吐。

Comments Project Webpage: https://technology.robbyant.com/lingbot-vla/, Code: https://github.com/Robbyant/lingbot-vla/, GM-100: https://huggingface.co/datasets/robbyant/lingbot-GM-100

AVA-VLA: Improving Vision-Language-Action models with Active Visual Attention

AVA-VLA: 通过主动视觉注意力改进视觉-语言-动作模型

Lei Xiao, Jifeng Li, Juntao Gao, Feiyang Ye, Yan Jin, Jingjing Qian, Jing Zhang, Yong Wu, Xiaoyuan Yu

机构 * LiAuto Inc.（LiAuto公司） ； Beijing University of Technology（北京理工大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO、cs.CV、cs.LG

AI总结 针对VLA模型忽视历史信息的问题，提出AVA-VLA框架，利用循环状态近似信念并引入主动视觉注意力动态重加权视觉令牌，在LIBERO和CALVIN等基准上取得最优性能。

Comments Accepted at CVPR 2026 (Highlight)

CLAP: Contrastive Latent Action Pretraining for Learning Vision-Language-Action Models from Human Videos

CLAP: 从人类视频中学习视觉-语言-动作模型的对比潜在动作预训练

Chubin Zhang, Jianan Wang, Zifeng Gao, Yue Su, Tianru Dai, Cai Zhou, Jiwen Lu, Yansong Tang

机构 * Tsinghua University（清华大学） ； Astribot ； University of Hong Kong（香港大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO、cs.CV

AI总结 提出CLAP框架，通过对比学习将人类视频与机器人动作词汇对齐，利用伪标签训练VLA模型，实现从人类视频到机器人执行的有效技能迁移。

Comments The code is available at: https://github.com/LinShan-Bin/OpenCLAP

Scaling Short-Term Memory of Visuomotor Policies for Long-Horizon Tasks

面向长时任务的视觉运动策略短期记忆扩展

Rutav Shah, Rajat Kumar Jenamani, Xiaohan Zhang, Lingfeng Sun, Roberto Martín-Martín, Yuke Zhu, Deva Ramanan, Karl Schmeckpeper

机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； Toyota Research Institute（丰田研究院） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO

AI总结 提出PRISM架构，通过门控注意力与层次化压缩扩展视觉运动策略的短期记忆至两分钟，在ReMemBench基准上超越现有方法5%-12%。

Comments 14 pages, 9 Figures, 8 Tables

Steering Autoregressive Vision-Language-Action Policies via Action Token Intervention

通过动作令牌干预引导自回归视觉-语言-动作策略

Jason Chan, Jonathan C. Kao

机构 * University of California, Los Angeles（加州大学洛杉矶分校） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；robot foundation model(abstract)；分类 cs.RO

AI总结 提出Token Steering方法，在推理时通过干预动作令牌空间动态引导VLA模型轨迹生成，无需训练或微调，显著提升家务操作任务成功率。

Comments 9 pages, 5 figures

X-Tokenizer: A Multimodal Action Tokenizer for Vision-Language-Action Pretraining

X-Tokenizer: 一种用于视觉-语言-动作预训练的多模态动作分词器

Miracle Kang, Lights Shi, Lucy Liang, Roy Gan, Dongxiu Liu, Pushi Zhang, Sylas Chen, Shawn Qin, Yinan Zheng, Jinliang Zheng, Hao Wang, Xianyuan Zhan, Hang Su

机构 * Square Robot ； City University of Hong Kong（香港城市大学） ； Tsinghua University（清华大学） 纠错

专题命中 机器人基础模型 ：robotic(abstract)；分类 cs.RO、cs.AI、cs.CV

AI总结 提出X-Tokenizer，通过语义残差量化（SRQ）和掩码动作建模（MAM）将动作离散化为语义接口，在2.4M轨迹上预训练后提升VLA模型的多模态接地和长程任务性能。

Comments Project page: https://x-square-robot.github.io/X-Tokenizer_projectPage/

Learned Image Compression for Vision-Language-Action Models

面向视觉-语言-动作模型的图像压缩学习

Hyeonjun Kim, Jegwang Ryu, Sangbeom Ha, Junhyeok Lee, Jun-Hyuk Kim, Hyemin Ahn, Jaeho Lee

机构 * POSTECH（浦项科技大学） ； Soongsil University（崇实大学） ； Chung-Ang University（中央大学） 纠错

专题命中 机器人基础模型 ：robotic(abstract)；分类 cs.AI、cs.CV

AI总结 提出SPARC框架，通过自适应比特率分配和倾斜率损失，在低带宽下保持VLA机器人控制性能，优于传统编解码器。

Trajectory-Level Redirection Attacks on Vision-Language-Action Models

轨迹级重定向攻击对视觉-语言-动作模型

Gokul Puthumanaillam, Vardhan Dongre, Pranay Thangeda, Hooshang Nayyeri, Dilek Hakkani-Tür, Melkior Ornik

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.CV

AI总结 本文发现VLA模型存在轨迹级漏洞：看似保留原始指令的对抗性提示，能重定向机器人最终物理结果，并提出了命令保持的轨迹重定向威胁模型和在线提示搜索方法。

LIBERO-Occ: Evaluating and Improving Vision-Language-Action Models under Scene-Induced Occlusion via Viewpoint Imagination

LIBERO-Occ：通过视角想象评估和改进场景诱导遮挡下的视觉-语言-动作模型

Taishan Li, Jiwen Zhang, Siyuan Wang, Xuanjing Huang, Zhongyu Wei

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Chinese University of Hong Kong（香港中文大学） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.AI、cs.CV

AI总结 针对VLA模型在场景遮挡下性能下降的问题，提出LIBERO-Occ基准和视角想象方法，通过生成互补视图提升鲁棒性。

Comments 14 pages, 7 figures

From Noise to Intent: Anchoring Generative VLA Policies with Residual Bridges

从噪声到意图：基于残差桥的生成式VLA策略锚定

Yiming Zhong, Yaoyu He, Zemin Yang, Pengfei Tian, Yifan Huang, Qingqiu Huang, Xinge Zhu, Yuexin Ma

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

专题命中 机器人基础模型 ：robotic(abstract)；分类 cs.RO、cs.AI

AI总结 提出ResVLA架构，通过频谱分析将机器人控制解耦为确定性低频锚点和随机高频残差，利用残差扩散桥聚焦局部动态精化，实现高效表示与强条件对齐。

Comments Accepted to ICML 2026

RHO: Your Coding Agent is Secretly a Roboticist

RHO：你的编码代理其实是个机器人专家

Karim Elmaaroufi, Justin Svegliato, Sarunas Kalade, Graham Schelle, Sanjit A. Seshia, Matei Zaharia

机构 * University of California, Berkeley（加州大学伯克利分校） ； AMD 纠错

专题命中 机器人基础模型 ：robotics(abstract,comments)；分类 cs.RO

AI总结 提出RHO范式，通过训练时搜索神经符号化多文件策略库，实现机器人任务的高效零样本泛化，在LIBERO-PRO和Robosuite上分别达到45%和70%的成功率，显著优于现有方法。

Comments 46 pages, 9 figures, 15 tables. Project page: https://rho-robotics.github.io

SAPS: Shared Autonomy for Policy Steering by Blending Teleoperation with a Pretrained VLA

SAPS: 通过混合遥操作与预训练VLA的策略引导共享自主性

Crystal Zhou, Jehan Yang, Douglas J. Weber, Zackory Erickson

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO

AI总结 提出SAPS框架，在动作层面混合人类遥操作命令与预训练策略动作，无需重训练或辅助模型，通过动态余弦相似度仲裁策略提升任务成功率高达82%，并减少人工干预。

Comments 23 pages, 15 figures, 5 tables

VLALeaks: Membership Inference Attacks against Vision-Language-Action Models

VLALeaks：针对视觉-语言-动作模型的成员推理攻击

Xukun Luan, Jinyan Liu, Xuesong Li, Yuanguo Bi, Renjun Wu, Zhongxiang Lei, Di Wang

机构 * Beijing Institute of Technology（北京理工大学） 纠错

专题命中 机器人基础模型 ：robotic(abstract)；分类 cs.RO

AI总结 提出VLALeaks方法，利用VLA模型注意力差异，通过两阶段流程（成员特征提取和攻击模型构建）首次揭示VLA模型的隐私漏洞，在多个基准上实现最优攻击性能。

Comments Security and Privacy

IVRA: Improving Visual-Token Relations for Robot Action Policy with Training-Free Hint-Based Guidance

IVRA: 通过无需训练的提示引导改善机器人动作策略的视觉-令牌关系

Jongwoo Park, Kanchana Ranasinghe, Jinhyeok Jang, Cristina Mata, Yoo Sung Jang, Michael S Ryoo

机构 * Stony Brook University（石溪大学） ； ETRI（电子技术研究院） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO

AI总结 提出IVRA方法，利用模型内置视觉编码器的亲和力提示，无需额外编码器或重训练，在推理时调整视觉-令牌交互以增强空间理解，在多种VLA架构和任务上提升操作成功率。