机器人 / 具身智能

VLA-JEPA: Enhancing Vision-Language-Action Model with Latent World Model

VLA-JEPA: 通过潜在世界模型增强视觉-语言-动作模型

Jingwen Sun, Wenyao Zhang, Zekun Qi, Shaojie Ren, Zezhi Liu, Hanxin Zhu, Guangzhong Sun, Xin Jin, Zhibo Chen

机构 * University of Science and Technology of China（中国科学技术大学） ； Zhongguancun Academy, Beijing, China（中关村学院） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学） ； Eastern Institute of Technology, Ningbo（宁波东部科技研究院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Nankai University（南开大学） 纠错

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

AI总结 VLA-JEPA通过潜在世界模型提升视觉-语言-动作模型的泛化与鲁棒性，采用无泄露状态预测和两阶段训练策略。

UP-VLA: A Unified Understanding and Prediction Model for Embodied Agent

Jianke Zhang, Yanjiang Guo, Yucheng Hu, Xiaoyu Chen, Xiang Zhu, Jianyu Chen

机构 * Institute for Interdisciplinary Information Sciences, Tsinghua University,Beijing, China（信息科学交叉研究所，清华大学，北京，中国） ； Shanghai Qi Zhi Institute, Shanghai, China（上海启智研究院，上海，中国） 纠错

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

Comments Accepted to ICML2025

Adversarial Attacks on Robotic Vision Language Action Models

Eliot Krzysztof Jones, Alexander Robey, Andy Zou, Zachary Ravichandran, George J. Pappas, Hamed Hassani, Matt Fredrikson, J. Zico Kolter

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

MoLe-VLA: Dynamic Layer-skipping Vision Language Action Model via Mixture-of-Layers for Efficient Robot Manipulation

Rongyu Zhang, Menghang Dong, Yuan Zhang, Liang Heng, Xiaowei Chi, Gaole Dai, Li Du, Yuan Du, Shanghang Zhang

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

Robotic Control via Embodied Chain-of-Thought Reasoning

Michał Zawalski, William Chen, Karl Pertsch, Oier Mees, Chelsea Finn, Sergey Levine

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

Comments Project Website: https://embodied-cot.github.io. Updated funding information

RaceVLA: VLA-based Racing Drone Navigation with Human-like Behaviour

Valerii Serpiva, Artem Lykov, Artyom Myshlyaev, Muhammad Haris Khan, Ali Alridha Abdulkarim, Oleg Sautenkov, Dzmitry Tsetserukou

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

Comments 6 pages, 6 figures. Submitted to IROS 2025

Embodied-R1.5: Evolving Physical Intelligence via Embodied Foundation Models

Embodied-R1.5：通过具身基础模型演化物理智能

Yifu Yuan, Yaoting Huang, Xianze Yao, Yutong Li, Shuoheng Zhang, Linqi Han, Pengyi Li, Jiangeng Sun, Wenting Jia, Zhao Zhang, Yuhao Liu, Ruihao Liao, Yucheng Hu, Qiyu Wu, Yuxiao Li, Zibin Dong, Fei Ni, Yan Zheng, Shuyang Gu, Yi Ma, Hongyao Tang, Han Hu, Jianye Hao

机构 * Tianjin University（天津大学） ； Tencent Hunyuan（腾讯混元） 纠错

专题命中 机器人基础模型 ：robotics(abstract,abstract_cn)；manipulation(abstract)；分类 cs.RO、cs.AI、cs.LG

AI总结 提出统一具身基础模型Embodied-R1.5，通过自动化数据管道和多任务平衡强化学习，在8B参数下实现24项基准中16项最优，并支持微调为VLA模型。

Comments Embodied R1.5 technical report. Project page: https://embodied-r.github.io/

CRL-VLA: Continual Vision-Language-Action Learning

CRL-VLA：持续视觉-语言-动作学习

Qixin Zeng, Shuo Zhang, Hongyin Zhang, Renjie Wang, Han Zhao, Libang Zhao, Runze Li, Donglin Wang, Chao Huang

机构 * University of Southampton, UK（英国南安普顿大学） ； Westlake University, China（西湖大学） 纠错

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

AI总结 CRL-VLA通过双批评者架构和目标条件价值公式，实现VLA模型在持续学习中的稳定与可塑性平衡，优于现有方法。

UniVLA: Learning to Act Anywhere with Task-centric Latent Actions

Qingwen Bu, Yanting Yang, Jisong Cai, Shenyuan Gao, Guanghui Ren, Maoqing Yao, Ping Luo, Hongyang Li

专题命中 机器人基础模型 ：manipulation(abstract)；navigation(abstract)；robot policy(abstract)；分类 cs.RO、cs.AI、cs.LG

Comments Accepted to RSS 2025. Code is available at https://github.com/OpenDriveLab/UniVLA

Bridging Embodiment Gaps: Deploying Vision-Language-Action Models on Soft Robots

Haochen Su, Cristian Meo, Francesco Stella, Andrea Peirone, Kai Junge, Josie Hughes

机构 * EPFL（苏黎世联邦理工学院） ； LatentWorlds AI ； TUDelft（代尔夫特理工大学） ； Embodied AI SA（具身人工智能股份有限公司） 纠错

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

Comments Accepted by NeurIPS 2025 SpaVLE workshop. 4 pages, 2 figures(in main paper, excluding references and supplements)

CrossTracer: Cross-Embodiment Navigation via VLA Model Reasoning and Trace Residuals Adapting

CrossTracer：基于VLA模型推理与轨迹残差自适应的跨 embodiments 导航

Yao Wang, Siyuan Wang, Zhirui Sun, Wenzheng Chi, Liang Lin, Jiankun Wang, Wenjun Xu

机构 * Peng Cheng Laboratory（鹏城实验室） ； Southern University of Science and Technology（南方科技大学） ； Innovation Investment Research Institute（创新投资研究院） ； Soochow University（苏州大学） 纠错

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

AI总结 本研究提出跨 embodiment 导航框架 CrossTracer，通过 VL-Tracer 和 CE-Adapter 优化轨迹，在 NaviTrace 基准得分 45.68，优于 Gemini-2.5-Pro，实际部署于轮式、腿式机器人效果良好。

DyPES-VLA: Learning Shared Dynamics Priors and Embodiment-Specific Control for Cross-Embodiment Manipulation

DyPES-VLA：学习共享动态先验与具身特定控制以实现跨具身操作

Junfeng Li, Junjie He, Zhide Zhong, Yangyang Zheng, Pingyue Sheng, Jiayu Dong, Ruixin Li, Haodong Yan, Jiaguan Zhu, Tianran Zhang, Runze Yu, Wen Chen, Liuqing Yang, Yuxiang Gao, Haoang Li

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； COCO Matrix 纠错

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

AI总结 该研究针对跨具身机器人操作问题，提出DyPES-VLA模型，通过学习共享动态先验与具身特定MoE动作头，在LIBERO等数据集上达到先进操作成功率。

Deltoris: Enabling Real-time VLA Inference in Embodied AI via Bit-level Sparsity and Speculative Inference

Deltoris：通过比特级稀疏性和推测性推理实现具身AI中的实时VLA推理

Zheng Liu, Zeyu Guo, Zihan Liu, Anbang Wu, Han Zhao, Fangxin Liu, Zhezhi He, Yinhe Han, Jingwen Leng, Minyi Guo, Yiming Gan, Yu Feng

专题命中 机器人基础模型 ：embodied AI(title,abstract)；分类 cs.LG

AI总结 Deltoris作为算法-硬件协同设计框架，通过时间感知比特级稀疏性、推测性推理及定制加速器，实现具身AI中实时VLA推理，加速比显著且精度相当。

ChainVLA: Chaining Vision-Language-Action Queries through a Unified Execution State for Long-Horizon Manipulation

ChainVLA：通过统一执行状态串联视觉-语言-动作查询以实现长 horizon 操纵

Yuzhi Huang, Weijue Bu, Ziyi Xiong, Jie Wu, Fanding Huang, Jingyan Jiang, Zhi Wang

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

AI总结 ChainVLA 是 12 亿参数的 VLA 策略，通过联合可修订的执行状态串联查询，结合进展上下文与运动尾部，在长 horizon 操纵任务中大幅提升成功率， ablation 验证了两个组件的关键作用。

Comments 13 pages (9 main + 4 appendix), 4 figures. Project page: https://muqy1818.github.io/chainvla-web/

VEGA: Learning Navigation VLAs from In-the-Wild Egocentric Video with Geometric Trajectory Supervision

VEGA: 从野外自我中心视频中通过几何轨迹监督学习导航VLA

Gershom Seneviratne, Yohan Abeysinghe, Jianyu An, Vaibhav Shende, Rahul Kumar, Dinesh Manocha

机构 * University of Maryland, College Park（马里兰大学帕克分校） 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VEGA方法，利用未标注的自我中心视频通过重建场景几何生成障碍感知轨迹，训练流匹配VLA导航策略，在VEGA-Bench上碰撞减少33.0%，真实世界成功率提升至少150.0%。

Closing the Loop in Humanoid VLA: Persistent 3D Object Tokens for Verifiable Loco-Manipulation

人形机器人视觉语言动作闭环：用于可验证移动操作的持久3D对象令牌

Peng Ren, Haoyang Ge, Jiang Zhao, Cong Huang, Yukun Shi, Pei Chi, Kai Chen

机构 * BUAA（北京航空航天大学） ； DeepCybo（深灵机器人） ； ZGCI（未提及具体中文译名） 纠错

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

AI总结 研究人形机器人视觉语言动作中对象状态差异问题，提出持久对象令牌化方法（POT）并实例化为POT-VLA，通过RGB-D观察维护3D对象记录，转换为对象令牌用于动作生成与验证，实验表明该方法提升了任务成功率。

PhyAgentOS: A Self-Evolving Operating System for Embodied Agents with Decoupled Cognitive Planning and Physical Execution

PhyAgentOS：一种用于具身智能体的自进化操作系统，具有解耦的认知规划和物理执行

Yang Liu, Weixing Chen, Xinshuai Song, Tao Pu, Siwen Mo, Yongjie Bai, Zihao Chen, Qianran Sun, Liruo Zhong, Ying Shen, Liang Lin

机构 * X-Era Lab（X-Era实验室） ； HCP Lab, Sun Yat-sen University（中山大学HCP实验室） ； Peng Cheng Laboratory（鹏城实验室） 纠错

专题命中 机器人基础模型 ：embodied agent(title)；world model(abstract)；分类 cs.RO

AI总结 研究为具身智能体提出PhyAgentOS操作系统，其以会话为最小调度单位，用文件系统解耦认知与物理执行，通过会话验证器区分执行与任务完成，经认知记忆整合结果，有分层安全约束，在多模型和实体上验证并优于其他系统。

Safe-Night VLA: Seeing the Unseen via Thermal-Perceptive Vision-Language-Action Models for Safety-Critical Manipulation

Safe-Night VLA: 通过热感知视觉-语言-动作模型看见未见事物以实现安全关键操作

Dian Yu, Qingchuan Zhou, Bingkun Huang, Majid Khadiv, Zewen Yang

机构 * Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich (TUM)（慕尼黑机器人与机器智能研究所（MIRMI），技术大学慕尼黑（TUM）） 纠错

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

AI总结 Safe-Night VLA通过整合热感知技术，实现了安全关键操作中的非可见领域感知与稳健执行。

Comments Accepted to the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)

Artificial Foveated Perception for Mitigating Shortcut Learning in Robotic Foundation Models

用于减轻机器人基础模型中捷径学习的人工中央凹感知

Xiatao Sun, Yuan Zhuang, Mateo Sanchez Lopez Negrete, Matei-Victor Coldea, Chen Liang, Haoyang Zhang, Che Liu, Ziyao Zeng, Shawn Li, Qian Wang, Fei Miao, Daniel Rakita

机构 * Yale University（耶鲁大学） ； University of Connecticut（康涅狄格大学） ； Peking University（北京大学） ； Imperial College London（帝国理工学院） ； Digients 纠错

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

AI总结 研究机器人基础模型因捷径学习难以稳健部署的问题，提出人工中央凹感知模块AFP，通过预测任务条件掩码辅助微调，使策略关注任务相关区域，实验证明其能减少微调时间、抑制过拟合并提升泛化能力。

X-Foresight: A Joint Vision-Action Causal Forecasting Network via Predictive World Modeling

X-Foresight：一种通过预测世界建模的联合视觉-动作因果预测网络

Baolu Li, Jingyu Qian, Rui Guo, Yilun Chen, Hanpeng Liu, Yuan Lin, Junhong Zhou, Ruixin Liu, Liu Yang, Yutong Zheng, Zhenli Zhang, Sean Li, Chaoda Zheng, Boyang Wang, Tenglong, Gu, Zhuangzhuang Ding, Pengkun Zheng, Yu Zhang, Xianming Liu

机构 * PWM Team（PWM团队） ； XPeng Inc.（XPeng公司） 纠错

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

AI总结 提出X-Foresight，一种将预测世界模型直接集成到VLA架构中的方法，通过长程分块自回归策略和课程学习，联合学习世界建模与实时动作控制，以解决视频预测中的低熵冗余和长程因果建模难题。

Exp2VLA: Enabling Vision-Language-Action for Drone Navigation from Expert Demonstrations

Exp2VLA：通过专家示范实现无人机导航的视觉-语言-动作

Van Huyen Dang, Kabilesh Rajendran, Erdi Sayar, Erdal Kayacan

机构 * Isaac Lab（艾萨克实验室） 纠错

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

AI总结 提出用于语言条件无人机导航的专家蒸馏管道Exp2VLA，将专家行为提炼为训练数据微调紧凑VLA模型，实现控制策略转移，降低新行为部署难度，实验表明微调模型可处理多样语义命令。

ROSA: A Robotics Foundation Model Serving System for Robot Factories

ROSA: 面向机器人工厂的基础模型服务系统

Wenqi Jiang, Jason Clemons, Rowland O'Flaherty, Hugo Hadfield, Alperen Degirmenci, Shuran Song, Yashraj Narang, Christos Kozyrakis

机构 * NVIDIA Research（英伟达研究院） ； Stanford University（斯坦福大学） 纠错

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

AI总结 提出ROSA系统，通过共享GPU池服务、多模型流水线支持和工厂目标驱动调度，将机器人工厂的RFM推理性能提升12倍以上。

SurgVLA-Bench: Towards Evaluating Vision-Language-Action Models for Laparoscopic Surgical Robotics

SurgVLA-Bench：面向腹腔镜手术机器人的视觉-语言-动作模型评估基准

Jiashuo Sun, Yue He, Wenxuan Liu, Tao Mao, Jiazheng Wang, Xiang Chen, Min Liu

机构 * the National Engineering Research Center of Robot Visual Perception and Control Technology, China（中国机器人视觉感知与控制技术国家工程研究中心） ； the national graduate college for elite engineers, Hunan University, Hunan, China（湖南大学精英工程师国家研究生学院） ； the School of Artificial Intelligence and Robotics, Hunan University, Hunan, China（湖南大学人工智能与机器人学院） 纠错

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

AI总结 提出首个腹腔镜手术机器人VLA模型评估基准SurgVLA-Bench，基于SurRoL平台构建层次化任务体系，系统评估自回归与流匹配两类模型，揭示其语义理解与任务精度的权衡。

KEMO: Event-Driven Keyframe Memory for Long-Horizon Robot Manipulation with VLA Policies

KEMO: 面向长程机器人操作的VLA策略事件驱动关键帧记忆

Yihan Zeng, Minghao Ye, Yiyuan Chen, Yide Shentu, Philipp Wu, Zike Yan, Zhongyu Li

机构 * Hong Kong Embodied AI Lab（香港具身智能实验室） ； The Chinese University of Hong Kong（香港中文大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 提出KEMO，一种轻量级插件式记忆框架，通过事件驱动选择关键帧并编码为紧凑记忆令牌，结合交叉注意力和门控残差融合，提升VLA策略在长程操作中的任务成功率23.6%。

ACE-Ego-0: Unifying Egocentric Human and Robotic Data for VLA Pretraining

ACE-Ego-0：统一第一人称人类与机器人数据用于VLA预训练

Hao Li, Ganlong Zhao, Yufei Liu, Haotian Hou, Guoquan Ye, Tongyan Fang, Chunxiao Liu, Siyuan Huang, Jianbo Liu, Xiaogang Wang, Hongsheng Li

机构 * ACE Robotics ； CUHK MMLab（香港中文大学多媒体实验室） ； CUHK, Shenzhen（香港中文大学（深圳）） ； SJTU（上海交通大学） ； THU（清华大学） 纠错

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

AI总结 提出ACE-EGO-0框架，通过可扩展的第一人称视频到动作管道和可靠性感知训练目标，统一人类与机器人数据用于VLA预训练，在多个基准上达到最优性能。

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。

SERF: Spatiotemporal Environment and Robot Feature Map for Long-Horizon Mobile Manipulation

SERF：面向长时域移动操作任务的时空环境与机器人特征地图

Sunghwan Kim, Byeonghyun Pak, Kehan Long, Yulun Tian, Nikolay Atanasov

机构 * UC San Diego（加州大学圣地亚哥分校） ； Agency for Defense Development（国防发展局） ； SceniX Inc.（SceniX公司） ； University of Michigan（密歇根大学） 纠错

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

AI总结 提出SERF地图，将环境与机器人身体表示为共享潜空间中的神经点，并在线更新，作为VLA模型的状态输入，提升长时域移动操作中的推理能力，在BEHAVIOR-1K上优于纯图像基线。

Comments Project page: https://existentialrobotics.org/serf/

AIR-VLA+: Decoupling Movement and Manipulation via Cascaded Dual-Action Decoders with Asymmetric MoE for Aerial Robots

AIR-VLA+: 通过级联双动作解码器与非对称MoE解耦空中机器人的移动与操作

Jianli Sun, Bin Tian, Qiyao Zhang, Zijian Liu, Yutong Wang, Zhiyong Cui, Bai Li, Yisheng Lv, Yonglin Tian

机构 * The Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Automation, Beijing Institute of Technology（北京理工大学自动化学院） ； College of Automotive and Energy Engineering, Tongji University（同济大学汽车与能源工程学院） ； School of Transportation Science and Engineering, Beihang University（北京航空航天大学交通科学与工程学院） ； Information Science, East China Normal University（华东师范大学信息科学） 纠错

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

AI总结 针对空中机器人移动与操作在动作尺度、动力学和控制目标上的显著差异，提出级联双动作解码器与非对称MoE架构，实现解耦协调控制，在AIR-VLA基准上取得48.0平均分，任务完成度提升80.2%。

VoLo: A Physical Orchestrator for Open-Vocabulary Long-Horizon Manipulation

VoLo: 面向开放词汇长时程操控的物理编排器

Siyi Chen, Hugo Hadfield, Alex Zook, Mikaela Angelina Uy, Chan Hee Song, Erwin Coumans, Xuning Yang, Faisal Ladhak, Qing Qu, Stan Birchfield, Jonathan Tremblay, Valts Blukis

机构 * NVIDIA（英伟达） ； University of Michigan（密歇根大学） 纠错

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

AI总结 提出VoLoAgent，利用VLM将VLA/WAM作为可中断工具进行物理编排，实现开放词汇长时程操控，并在新基准RoboVoLo上显著优于现有系统。

How Users Understand Robot Foundation Model Performance through Task Success Rates and Beyond

用户如何通过任务成功率及其他方式理解机器人基础模型性能

Isaac Sheidlower, Jindan Huang, James Staley, Bingyu Wu, Qicong Chen, Reuben Aronson, Elaine Short

机构 * Brown University（布朗大学） ； Tufts University（塔夫茨大学） 纠错

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

AI总结 通过用户研究，探讨非机器人专家如何理解机器人基础模型（RFM）评估中的任务成功率（TSR）及其他信息，发现用户不仅按专家预期使用TSR，还重视未常报告的失败案例，并希望获取历史评估数据和机器人对新任务的性能估计。

Comments Submitted to IJCAI 2026