视觉与机器人
面向环境建模、时序预测、仿真规划、具身智能和自动驾驶的世界模型方法与应用。
ACE-Data-0：以人为中心的环境捕获作为具身数据引擎
机构 * S-Lab, Nanyang Technological University（新加坡南洋理工大学S-Lab） ； ACE Robotics（ACE机器人公司）
专题命中 具身与机器人 ：world model(abstract)；world models(abstract)；world model(abstract)；world models(abstract)
AI总结 本研究提出以人为中心的具身数据引擎ACE，构建含150小时数据的ACE-Data-0数据集，引入分层基准，暴露现有方法缺陷，为具身AI等领域提供基础。
Comments Project Page: https://ace-data-engine.github.io/ACE-Data-0/
ArmnetBench v0.1：在低成本机械臂集群上对操作策略进行并行实际评估
专题命中 具身与机器人 ：world model(abstract)；world models(abstract)；world model(abstract)；world models(abstract)
AI总结 研究针对通用机器人操作策略开发中实际评估的瓶颈问题，引入ArmnetBench v0.1基准测试，在低成本机械臂集群上对7种策略进行评估，涵盖12项任务，通过大量演示训练策略，发布核心情节数据，支持下游学习并给出排行榜比较结果。
Comments 11 pages, 6 tables, 3 figures. data available at https://huggingface.co/collections/armnet/armnetbench-v01
不确定性下用于开放世界机器人规划的假设驱动模型扩展
机构 * School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； Smart Systems Institute, National University of Singapore（新加坡国立大学智能系统研究所）
专题命中 具身与机器人 ：world model(abstract)；world models(abstract)；world model(abstract)；world models(abstract)
AI总结 针对开放世界机器人规划中传统方法失效的问题，提出假设驱动模型扩展框架，利用基础模型生成假设，结合自动规划与验证反馈进行迭代优化，实现自主知识扩展，推动家用服务机器人实际部署。
Comments Accepted to Robotics: Science and Systems (RSS) 2026
具身算子与基准测试：迈向可复用和可部署的具身智能系统
机构 * JDT ； Tsinghua University（清华大学） ； Tianjin University（天津大学） ； Beihang University（北京航空航天大学）
专题命中 具身与机器人 ：world model(abstract)；world models(abstract)；world model(abstract)；world models(abstract)
AI总结 研究具身智能系统中可复用功能模块即具身算子，明确其定义边界、构建分类法，提出多维度基准框架，探讨加速及挑战，为具身智能系统提供基础。
KRVF：面向边缘移动操作的源感知语义体素世界表示
机构 * The University of Manchester（曼彻斯特大学）
专题命中 具身与机器人 ：world model(abstract)；world models(abstract)；world model(abstract)；world models(abstract)
AI总结 提出KRVF，一种源感知语义体素表示，用于边缘移动操作，通过任务导向体素编码占用、语义、时间新鲜度和证据源，实现深度故障感知推理和映射-感知闭环。
Comments Technical report, 9 pages, 3 figures
机器人操作的世界价值模型
机构 * Peking University（北京大学） ； Tsinghua University（清华大学）
专题命中 具身与机器人 ：world model(abstract)；world models(abstract)；world model(abstract)；world models(abstract)
AI总结 提出世界价值模型（WVM），融合世界模型与价值估计，通过时序建模评估数据质量，在标准基准和次优轨迹基准上达到SOTA，提升策略学习性能。
Comments preprint
PAIWorld: 用于机器人操作的三维一致世界基础模型
机构 * Institute of AI for Industries, Chinese Academy of Sciences（中国科学院人工智能产业研究院）
专题命中 具身与机器人 ：world model(abstract)；world models(abstract)；world model(abstract)；world models(abstract)
AI总结 提出PAIWorld框架，通过几何感知交叉注意力、几何旋转位置编码和潜在3D-REPA蒸馏，解决多视图世界模型的3D不一致问题，在机器人操作基准上取得领先性能。
MotionWAM：迈向实时人形机器人全身操作的基础世界动作模型
机构 * Mondo Robotics ； HKUST (GZ)（香港科技大学（广州）） ； HKUST（香港科技大学）
专题命中 具身与机器人 ：world model(abstract)；video world model(abstract)；world model(abstract)；video world model(abstract)
AI总结 提出MotionWAM，一种实时世界动作模型，通过统一运动潜变量和全身动作令牌，实现单目相机驱动的自主人形机器人全身操作，在真实任务上成功率比VLA基线高30%以上。
Dream-Tac: 用于接触丰富机器人操作任务的统一触觉世界动作模型
机构 * Peking University（北京大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Nanjing University（南京大学） ； State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机学院多媒体信息处理国家重点实验室）
专题命中 具身与机器人 ：world model(abstract)；world models(abstract)；world model(abstract)；world models(abstract)
AI总结 提出Dream-Tac统一触觉世界动作模型，通过接触门控视觉-触觉融合和接触感知注意力偏置，联合建模动作、未来视觉观察和触觉动态，在六项接触丰富操作任务中平均动作准确率提升31.7%。
Comments 16 pages,13 figures
LUCID：基于想象动力学的潜在技能统一控制用于长程人形机器人移动操作
专题命中 具身与机器人 ：world model(abstract)；world model(abstract)；model-based reinforcement learning(abstract)；分类 cs.LG、cs.RO
AI总结 该研究针对人形机器人长程移动操作的复杂序列任务，提出分层基于模型的强化学习框架LUCID，经模拟多物体重排实验验证，其任务成功率优于现有基线方法。
PhysisForcing：面向机器人操作的物理增强世界模拟器
机构 * Peking University（北京大学） ； NVIDIA（英伟达）
专题命中 具身与机器人 ：world model(abstract)；world model(abstract)；分类 cs.AI、cs.CV、cs.RO
AI总结 针对视频生成模型在机器人操作模拟中物理不稳定的问题，提出PhysisForcing框架，通过像素级轨迹对齐和语义级关系对齐损失联合优化，显著提升物理一致性，在多个基准上改进基础模型，并提高下游策略成功率。
Comments Github: https://github.com/DAGroup-PKU/PhysisForcing Project website: https://dagroup-pku.github.io/PhysisForcing.github.io/#
几何动作模型用于机器人策略学习
机构 * KAIST AI（韩国科学技术院人工智能学院） ； ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center（苏黎世联邦理工学院人工智能中心）
专题命中 具身与机器人 ：world model(abstract)；world model(abstract)；分类 cs.LG、cs.CV、cs.RO
AI总结 提出几何动作模型(GAM)，通过重用预训练几何基础模型(GFM)作为共享骨干，实现语言条件下的操作策略，在仿真和真实机器人任务中优于现有方法。
Comments Project page: https://cvlab-kaist.github.io/Geometric-Action-Model/
MemoryVAM：将记忆融入视频动作模型以实现机器人操作
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Nirvana Robotics（涅槃机器人） ； University of California, San Diego（加州大学圣迭戈分校） ； University of Utah（犹他大学）
专题命中 具身与机器人 ：world-model(abstract)；world-model(abstract)；分类 cs.AI、cs.CV、cs.RO
AI总结 提出MemoryVAM，通过Recap-Cue模块将情景记忆注入视频世界模型策略，解决长时域操作中的非马尔可夫性问题，在LIBERO-Mem和真实机器人任务上显著提升成功率。
Comments Project page: https://MemoryVAM.github.io/
通过视觉和触觉进行推理时策略引导
机构 * Carnegie Mellon University（卡内基梅隆大学）
专题命中 具身与机器人 ：world model(abstract)；world model(abstract)；分类 cs.AI、cs.LG、cs.RO
AI总结 提出ViTaL框架，通过视觉采样验证和触觉引导扩散编辑的双层优化，在推理时引导机器人策略，显著提升接触丰富操作任务的成功率。
使远见可操作：在世界动作模型中重新利用表示对齐
机构 * The University of Hong Kong（香港大学） ； XPENG Robotics（小鹏机器人）
专题命中 具身与机器人 ：world model(abstract)；world model(abstract)；分类 cs.AI、cs.CV、cs.RO
AI总结 针对世界动作模型中视觉预测与动作提取不匹配的问题，提出AGRA方法，通过对齐视频扩散特征与语义表示，提升动作解码器对任务相关区域的关注，从而改善操作任务的性能与泛化能力。
WCM：用于视觉-语言-动作强化学习的世界评论者模型
机构 * Tongji University（同济大学） ； Shanghai Innovation Institute（上海创新研究院） ； Fudan University（复旦大学）
专题命中 具身与机器人 ：world model(abstract)；world model(abstract)；分类 cs.CV、cs.RO
AI总结 该研究针对视觉-语言-动作强化学习中评论者与机器人部分可观测性不匹配的问题，提出WCM模型，联合预测未来潜态与值估计，在149个仿真任务和7个真实任务上均实现最优性能与泛化性。
迈向可预测、对齐且可扩展的机器人学习
机构 * Astribot Team（Astribot团队）
专题命中 具身与机器人 ：world model(abstract)；world model(abstract)；分类 cs.AI、cs.RO
AI总结 研究旨在实现可预测、对齐且可扩展的机器人学习。核心方法是引入Lumo - 2潜在世界 - 动作模型，提出多阶段模态预对齐策略。主要贡献是该模型在实证研究中表现出色，优于基线，验证了结构化多模态对齐和预测推理对具身智能的重要性。
DSWAM：用于细粒度机器人操作的双系统世界行动基础模型
机构 * AIRC, Midea Group（美的集团美云智数） ； Tongji University（同济大学）
专题命中 具身与机器人 ：world model(abstract)；world model(abstract)；分类 cs.AI、cs.RO
AI总结 研究针对世界行动模型在复杂任务指令分解及VLA与WAM执行能力对比方面的不足，引入DSWAM，通过双系统结合，利用视觉历史和任务提示预测子任务，经多种训练及加速等实现细粒度机器人操作并进行公平对比。
Comments 13 pages, 1 figures
科大讯飞-具身全能技术报告
机构 * iFLYTEK ； LindenBot ； University of Science and Technology of China（中国科学技术大学）
专题命中 具身与机器人 ：world model(abstract)；world model(abstract)；分类 cs.AI、cs.CV
AI总结 研究通用具身智能体，提出统一多模态基础模型iFLYTEK-Embodied-Omni，通过共享多模态自注意力联合建模视觉、语言和动作，结合多种数据构建数据集并采用四阶段策略训练，实现脑-小脑协作。
ABot-M0.5：统一移动与操作的世界动作模型
机构 * AMAP CV Lab（AMAP CV实验室）
专题命中 具身与机器人 ：world model(abstract)；world model(abstract)；分类 cs.CV、cs.RO
AI总结 针对移动操作任务中VLA策略缺乏世界建模、动作空间耦合及训练-推理不一致的问题，提出ABot-M0.5模型，通过三级对齐（时间粒度、动作空间、训练-测试一致性）实现细粒度控制，在长时域任务成功率和控制精度上达到最优。
Comments Code: https://github.com/amap-cvlab/ABot-Manipulation
PearlVLA：潜在空间中的渐进式具身动作计划精炼
机构 * Imperial College London（帝国理工学院） ； Tsinghua University（清华大学）
专题命中 具身与机器人 ：world model(abstract)；world model(abstract)；分类 cs.AI、cs.RO
AI总结 提出PearlVLA框架，通过在VLM潜在空间中进行迭代计划精炼，平衡动作生成效率与显式推理，在LIBERO基准上达到最先进性能。
Comments 21 pages, 2 figures. Preprint
LaWAM: 用于高效动力学感知机器人策略的潜在世界行动模型
机构 * Tsinghua University（清华大学） ； Jilin University（吉林大学） ； Nankai University（南开大学） ； Peking University（北京大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Zhongguancun Academy（中关村学院） ； Striding.AI ； Infinigence AI
专题命中 具身与机器人 ：world model(abstract)；world model(abstract)；分类 cs.AI、cs.RO
AI总结 提出LaWAM模型，通过潜在视觉子目标预测场景变化，实现动力学感知的机器人控制，在多个基准上达到最优或竞争性成功率，且推理延迟低。
面向欧拉-拉格朗日机器人动力学的物理感知稀疏学习与选择性在线自适应
机构 * The University of Manchester（曼彻斯特大学） ； International Institute of Information Technology Hyderabad（海得拉巴国际信息技术学院） ； Delft University of Technology（代尔夫特理工大学） ； Newcastle University（纽卡斯尔大学）
专题命中 具身与机器人 ：world model(abstract)；world model(abstract)；分类 cs.RO；dynamics model(abstract)
AI总结 提出一种保结构残差学习框架，将模型误差分解为惯性修正、科里奥利项和广义力残差，通过物理约束学习机械部分，并用稀疏历史依赖潜变量模型和贝叶斯线性回归在线自适应扰动敏感部分，提升多机器人平台动力学预测与轨迹跟踪性能。
异构机器人的校准预测安全性：一种带基于模型安全盾的动作条件联合嵌入预测架构（JEPA）框架
机构 * Guangdong Bifang Intelligent Control Technology Co., Ltd.（广东毕方智能控制技术有限公司）
专题命中 具身与机器人 ：world model(abstract)；world model(abstract)；分类 cs.RO
AI总结 本研究提出带基于模型安全盾的动作条件JEPA框架，用于异构机器人，可预测候选动作的任务进展与物理风险，在仿真中提升了成功率并降低碰撞漏报率。
Comments 17 pages, 9 figures. Simulation-only empirical results on LIBERO-Long (no real-robot experiments). Source, figure-generation scripts and reproducibility checklist included. Level-3 offline reranking significance test not executed; see Sec. 7 (Scope and honesty statement) for detailed disclosure
JoyAI-RA 0.5：通过双动作对齐扩展机器人操纵学习
机构 * Joy Future Academy, JD（京东探索研究院）
专题命中 具身与机器人 ：world model(abstract)；world model(abstract)；分类 cs.RO
AI总结 针对机器人操纵学习中异构数据的负迁移问题，提出 JoyAI-RA 0.5 框架，通过双动作对齐结合 VLWA 与强化学习，在 AgiBot 基准上实现性能提升，证明人类弱标注数据可作为扩展操纵能力的核心资源。
Comments Project Page: https://joyai-ra-05.github.io/
用于多步视觉推理的分层去噪
机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机科学学院多媒体信息处理技术国家重点实验室） ； The Hong Kong University of Science and Technology（香港科技大学） ； Beihang University（北京航空航天大学） ； Fuzhou University（福州大学） ； Muka Robotics（木卡机器人）
专题命中 具身与机器人 ：world model(abstract)；world model(abstract)；分类 cs.CV
AI总结 研究针对视频模型多步推理不足的问题，提出HDR框架，通过树形层次结构和稀疏分层注意力模式进行多步推理，在新基准测试中提升了成功率和进度，推理更快，数据效率更高，在机器人实验中展现潜力。
WALA：从带动作标签的演示和无动作视频中学习可执行的潜在动作
机构 * CASIA（中国科学院自动化所） ； Anyverse Dynamics（Anyverse动力学公司） ； UCAS（中国科学院大学） ； NUS（新加坡国立大学） ； XJYLU（西安交通大学利物浦大学）
专题命中 具身与机器人 ：world model(abstract)；world model(abstract)；分类 cs.RO
AI总结 研究从带动作标签演示和无动作视频学习可执行潜在动作的问题，提出WALA框架，先预训练语义几何潜在动作模型，策略训练时编码器和解码器协同，由多方面联合监督潜在动作，实验证明其提升了机器人策略性能和泛化能力。
Comments Project page: https://liujiahao2077.github.io/WALA.github.io
EgoSteer：一个用于从第一人称视角视频实现可控灵巧操作的全栈系统
机构 * Institute for AI, PKU（北京大学人工智能研究院） ； PKU-PsiBot Joint Lab（北大-灵犀机器人联合实验室） ； UPenn（宾夕法尼亚大学）
专题命中 具身与机器人 ：world-model(abstract)；world-model(abstract)；分类 cs.RO
AI总结 针对灵巧手系统因缺乏数据而无可控性的问题，提出全栈系统EgoSteer，集成EgoSmith数据管道等，通过人类数据预训练赋予语言引导操作先验，经机器人后训练强化，能执行多样任务，还开源相关内容。
TouchWorld：一种用于灵巧操作的预测性和反应性触觉基础模型
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； PHANES AI（PHANES人工智能公司）
专题命中 具身与机器人 ：world-model(abstract)；world-model(abstract)；分类 cs.RO
AI总结 研究针对日常环境中灵巧操作需预测与反应的问题，提出TouchWorld模型。该模型采用分层策略，分离多项任务。通过将触摸用于预测和反馈，提升局部接触适应性。在六个相关任务中表现出色，超越最强基线。
InternVLA-A1.5：统一理解、潜在预见与组合泛化的行动
机构 * Physical Intelligence Team Shanghai AI Laboratory（上海人工智能实验室物理智能团队）
专题命中 具身与机器人 ：world-model(abstract)；world-model(abstract)；分类 cs.RO
AI总结 研究旨在统一机器人操作模型，提出InternVLA-A1.5，基于原生VLM骨干构建策略，将未来预测转化为潜在查询问题，继承预训练视频生成模型动力学先验，在模拟和现实基准测试中效果良好。
Comments Homepage: https://internrobotics.github.io/internvla-a15.github.io/
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈