CMU 研究人员设计了可安装在 DeltaHands 柔性机械手上的人手启发式指尖，结合应变片测量捏握压力、麦克风通过塑料指甲捕捉微振动，可数纸杯、识别材质并抓取豆腐块和薯片等易碎物品。每个指尖成本低于100美元，而用现成产品搭建类似装置需约800美元，工作已在 Pittsburgh 举行的 2026 Intelligent Robots and Systems Conference 上发表。
推荐理由：原文给出仿人指尖的多模态触觉设计和低于100美元的成本细节，读者可了解力与振动感知如何支持操作控制。
Sanctuary AI 提出 TIGER（Task-Space Imitation Guidance for Efficient Reinforcement Learning），不执行模仿策略，而是把其动作块经控制器映射为末端执行器参考轨迹，转化为密集奖励供强化学习使用。
推荐理由：原文给出把模仿策略转为密集奖励的具体做法与消融数据，读者可以判断它能否用于自己的稀疏奖励操作训练。
MagicLab（魔法原子）介绍 Magic-Brain 框架中的视觉引导方案，用 VLM Agent 输出 bbox、分割模型细化为三色掩码叠加到观测图像，将语义引导转为视觉引导。
推荐理由：魔法原子详解 Magic-Brain 视觉引导层的设计动机与实现，读者可以了解把语言指令转成像素引导后对抓取成功率的影响。
PKU EPIC Lab 提出 UniPart，一个以 CLIP 文本嵌入为条件的前馈跨模态 3D Transformer，用自由文本短语在点云上选取功能部件，实现零样本语言驱动 3D 部件分割。
推荐理由：论文给出文本驱动的3D部件分割方法与自建数据集，并验证可迁移到真实世界语言条件抓取。
PKU EPIC Lab 发布 FoldNet++，一个用于机器人T恤折叠与展开的大规模合成数据集，涵盖 6 种机器人本体、1K 件T恤、1K 环境资产和 120K 条带丰富标注的演示。
推荐理由：原文给出了数据规模和真实环境部署成功率，读者可以据此评估纯合成数据训练衣物操作策略的可行性。
MIT CSAIL与Google、Northeastern研究人员推出InstructMesh，将TRELLIS与GPT-4结合，让用户用自然语言修复AI生成的3D模型后进行3D打印。
推荐理由：研究给出新工具与用户实验数据，读者可以了解普通用户如何修复AI生成3D模型并完成打印。
PKU EPIC Lab 提出用于机器人学习的智能体式生成框架 GIF，将问题重构为解耦重建加相对位姿恢复。CoGen 结合 2D 与 3D 生成模型产出实例解耦网格和粗略初始位姿，GPRM 在几何与物理联合引导下细化相对位姿，VLM 验证器挑选最符合结构化规范的候选。
推荐理由：论文把交互功能物体组合生成拆成解耦重建与相对位姿恢复，并给出八类接触几何基准与碰撞率数字，可帮助读者评估仿真数据生成路线。
PKU EPIC Lab 在 arXiv 发布 ZETA 研究（arXiv:2609.02546），提出统一的零样本跨本体 VLA 迁移定义和覆盖 14 个留出目标本体的受控基准，区分严格零样本迁移与预训练暴露迁移。实验显示局部末端执行器状态-动作表示、源本体多样性、辅助共训练分别提升约 15、18 和 7 个百分点，预训练中仅加入 5% 目标本体数据可将平均目标本体进度提升 13.4 个百分点。
推荐理由：论文给出了统一的零样本跨本体迁移定义和受控基准，读者可据此理解不同表示与数据策略的实际收益。
哈工大朱延河教授团队在《极端制造（英文）》（IJEM）发表论文，提出基于协作重构的模块化机器人自主容错修复策略，通过改变形态恢复关节故障损伤，无需备份模块替换。方法结合拓扑描述与运动学自建模、粒子群算法搜索目标构型及改进RRT协作重构算法，实验中容错上限比固定构型冗余方法提高7倍。哈工大为唯一完成单位，博士生齐健为第一作者。
推荐理由：论文给出无需备份模块的协作重构容错策略和7倍容错上限提升数据，读者可了解极端环境下机器人集群自修复的具体实现路径。
PKU EPIC Lab 提出灵巧手抓取生成方法 KPGrasp，以全欧氏 3D 手部关键点参数化结合 Transformer 流匹配模型，从大规模数据学习抓取先验，无需接触损失或接触式测试时优化。
推荐理由：论文给出免接触损失的抓取生成新方法和两个基准上的具体成绩，读者可以对比现有方法评估其思路。
Berkeley AUTOLAB等团队提出CaP-X开放框架，用于系统研究机器人操作中的Code-as-Policy智能体，核心包括交互环境CaP-Gym和评测12个前沿模型的CaP-Bench。
推荐理由：原文给出了Code-as-Policy智能体的系统评测框架和测试时扩展可缓解抽象依赖的发现，对研究编码智能体操作控制有参考价值。
Dexterity 发文介绍 Foresight 装箱智能体的系统评测与生产测量。规划侧在四组真实仓库箱型分布上测试，密度 0.65–0.77、稳定性 99.7–100%，并用无分布顺序统计量给出 95% 置信区间；文中还发现随机打乱箱子序列会使局部方差坍缩约 1.4 倍，导致评测偏乐观。
推荐理由：原文完整披露装箱智能体的评测方法，包括无分布置信区间和随机打乱带来的评测偏差，方法可迁移到同类系统。
南方科技大学CLEAR Lab、逐际动力与香港大学合作的论文《Generative Visual Foresight Meets Task-Agnostic Pose Estimation in Robotic Table-top Manipulation》入选CoRL 2025。
推荐理由：这项研究给出了从人类视频学习操作的具体技术路线和实验数字，可帮助读者了解视频数据训练机器人操作的可行路径。