中科慧灵完成数亿元人民币A++轮融资，由知来投资、涌铧投资、茂天投资、元禾辰坤、国科科智、鲁宁投资等联合投资，资金用于产品量产交付、具身大脑技术研发迭代与市场拓展。公司自研CASBOT PA感知到动作模型已在莆田制鞋工厂实际工位验证，大底盖章工序节拍达7秒/个、鞋底压合达18秒/双。2026年其在手具身制鞋机器人订单总额突破4亿元，设备排产规模进入数千台量级。
推荐理由：融资稿同时披露了制鞋工位节拍与订单规模，可据此判断具身操作模型的工业落地进度。
DIY 双足机器人 CBR-II 的项目视频回顾了用强化学习训练行走策略、从仿真到实机部署的完整流程，并展示了硬件上的最终结果。该机器人目前已能行走并单腿站立。
通用大模型开始参与机器人控制，GPT-6 Astra等模型在测试中已能理解复杂指令、识别物体并规划操作步骤，但精细操作仍需专门控制系统配合。HexaShell和WorldScape-RSI等方案探索“大模型决策+专门模型执行”分工，测试显示任务表现有所改善，但结果主要来自受控环境。数据采集方面，头戴式操作视频报价约每小时100至300元，复杂实机数据可达每小时1000元左右。
Dream Labs 宣布完成 9000 万美元种子轮融资，由 B Capital 领投，Kindred Ventures 等参投。公司同时推出 Dream API，可将机器人摄像头画面和自然语言指令直接转为电机指令，并称其旗舰模型 Dream-1 基于人类日常任务视频训练，可零样本控制任意带夹爪的机器人。
推荐理由：Dream-1 跨硬件零样本控制与 Dream API 的开放方式，为判断通用机器人模型的可迁移性提供了具体参照。
特斯拉在第三季度财报中确认，弗里蒙特工厂的擎天柱人形机器人产线已启动初期生产，首批达到量产制造标准的机器人下线，该产线规划年产100万台。马斯克在财报电话会上表示，计划先制造约1万至2万台机器人，送入名为Optimus Academy的训练设施自主练习，用产生的数据迭代下一代AI模型，并预计2027年底左右开始向外部企业交付。
宇树科技创始人王兴兴在2026年世界物理AI大会上称，物理AI已看到被击穿的苗头，很可能在最近1到2年发生，GPT-6已实现完全零训练部署到宇树机器人上，可完成自主画画、下棋、寻找厨房工具等任务。
据彭博社援引知情人士消息，北京机器人公司松延动力已秘密递交香港IPO申请，计划募资数亿美元，最早可能明年上市，公司未回应传闻。松延动力已形成N系列、E系列双足机器人、仿生人头小诺及万元级小布米等产品矩阵，创始人姜哲源为2026年设定小布米万台交付目标，截至2026年9月累计交付超5000台、B端订单接近2000台。
作者提出 CATS 方法，将时间惩罚与线性 ramp-up 结合，用于抑制深度强化学习策略的动作振荡。论文证明时间惩罚能够约束共享同一后继状态的当前状态之间的期望动作差异，从而带来空间平滑效果，并在仿真和真实环境中验证该方法在不降低任务性能的前提下显著减少动作振荡，计算开销很小。该工作投稿至 ICRA 2027。
作者提出 TouchSafeBench，一个在 Habitat 3.0 中构建的物理接地基准，用于评估视觉语言模型（VLM）的碰撞接地能力，包含 2,940 个模拟室内共处片段，覆盖社交导航与社交重排两类场景，并提供同步多视角 RGB-D 观测、俯视轨迹图、标定相机元数据与仿真器接触标签。
DepTR-MOT 提出一种基于 DETR 的类别无关检测器，通过实例级软深度标签监督和稠密深度图蒸馏，把实例级深度感知嵌入检测器并在推理时输出实例深度，用于改善遮挡和近距离交互下的多目标跟踪。
ArtifactArena 是一个开放式评测平台，让模型面对软硬件协同设计挑战，在仿真竞技场中构建可运行的机器人并互相对战。平台通过文本描述、物理仿真器反馈和对战数据三种方式引导模型改进机器人产物，并用头对头锦标赛产生的 Elo 排名比较前沿模型。作者开放框架与锦标赛基础设施，供社区持续提交，形成不饱和的长期测试平台。
作者提出 RMMBench，一个要求机器人理解语言指令并在连续空间中执行长程任务的移动操作评测基准，构建了覆盖 70 个典型任务场景的“导航-操作”任务套件。结果显示，领先的视觉-语言模型（VLM）在移动操作任务的空间定位上仍面临明显挑战，长程交互中的空间感知能力有待加强。该工作已被 CoRL 2026 接收。
研究提出Embodied Agent Arena，在几何、空间推理、可供性、任务规划与操作五个维度评测十个VLM智能体，共1000个案例，其中包含168例的GeoProbe基准，用于相机、运动、深度与尺度估计。
作者提出 WorldEcho，通过视觉完整性和 SE(3) 末端执行器轨迹对齐，在更广动作分布上评估动作条件世界模型是否真正遵循指令动作。诊断显示，专家数据训练的模型在演示动作上表现较好，但在非专家轨迹上会出现动作不一致或视觉无效的生成。
PartialBiGrasp 是一个直接基于部分点云观测的双臂抓取生成框架，通过卷积占用网络隐式学习几何特征，推理可抓取性、无碰撞接触区域和物体厚度。该方法据此生成满足力闭合的抓取对，并用基于采样的优化修正不完整几何带来的歧义。作者用解析力闭合指标、大规模仿真实验和真实机器人上的噪声部分点云评测了该方法。
UCA-Flow 提出统一条件-动作建模框架，将观测条件、时间步条件、区间条件与动作 token 编入同一序列，由统一 Transformer 联合学习表示，实现准确的一步动作生成。
RAPAC-DP 提出一种响应对齐的待执行动作补偿框架，让扩散与流式动作生成器在云端推理延迟下仍能输出与交接时刻对齐的完整动作块。该方法用轻量待执行动作编码器和 LoRA 适配器学习补偿，基础策略保持冻结，并从无延迟示教构造延迟条件训练样本，无需显式动力学模型或额外延迟数据。
论文提出 Semantic Anchoring，一种即插即用的方法，将 VLA 的动作表示锚定到语义流形，并拆分为共享语义通道与私有通道，推理时全部丢弃、不改变部署模型。
论文提出 Graph-as-Policy（GaP）多智能体编码框架，从模块化开放机器人技能库 MORSL 生成包含感知、规划与控制节点的有向计算图，并构建内部仿真环境并行演练不同图结构以迭代优化成功率和吞吐量。作者在 4 个仿真和 4 个真实世界的新开放变异性自动化任务基准上评测，称 GaP 的成功率显著优于基线。
作者提出 Language Sensor Model（LSM），将每句自然语言描述及其场景图上下文映射为多模态分布，用混合权重表示指代歧义、用分量协方差表示空间不确定性。
该综述梳理3D生成在具身智能与机器人仿真中的三类角色：作为数据生成器产出带关节结构、物理属性和可变形内容的仿真就绪资产，作为仿真环境构建可交互、任务导向的场景，以及作为仿真到现实桥接支持数字孪生重建、数据增强和合成示教。作者指出该领域正从视觉真实感转向交互可用性，并列出物理标注有限、几何质量与物理有效性脱节、评测碎片化和仿真到现实差距等主要瓶颈。
该论文提出在因子图框架内估计紧致几何变应变（GVS）参数化系数，并用应变场 Magnus 展开推导的运动学因子把 GVS 应变系数与骨干位姿变量关联起来，从而重建连续体机械臂形状。方法在仿真与实验数据上对比高斯过程回归基线，在部分和稀疏测量场景下精度更高，同时保持计算效率。该状态向量紧致，可直接用于基于模型的控制。
作者提出 ENAP（Emergent Neural Automaton Policy）神经符号模仿学习框架，用自适应聚类和 L* 算法扩展从示教中学习 Mealy 状态机作为可解释高层规划器，再引导低层反应式残差网络通过行为克隆学习连续控制。
作者提出 VORL-EXPLORE 混合学习与规划框架，用执行保真度估计局部可通行性与执行可靠性，并将其耦合进带机器人间斥力的 Voronoi 分配目标，在导航中仲裁全局 A* 引导与反应式强化学习策略。保真度模型利用近期进展与安全结果生成的自监督伪标签重新校准。随机动态栅格实验与严重拥堵消融显示成功率更高、探索路径更短、机器人间覆盖重叠更低，并给出 Gazebo 工厂场景部署示例，代码已开源。
研究团队在国际空间站 Astrobee 自由飞行机器人上完成基于机器学习热启动加速轨迹优化的在轨演示，用神经网络预测序列凸规划（SCP）求解的初值，再由 SCP 求解器保证安全约束。在含旋转动力学的场景中，训练后的网络将收敛所需求解器迭代次数减少 60%，在训练分布内的障碍场景中减少 50%。该工作发表于 iSpaRo 2025。
SceneBloom 提出一种智能体式框架，将视觉布局采样与契约引导的 3D 编译结合，用于生成逼真且多样的仿真室内环境。其分层采样器利用扩散先验在功能区内生成家具布局，编译器再依据提案中提取的关系进行几何拟合与局部位姿修正。
RobustRLlib 是一个以算法为中心的鲁棒强化学习库与基准，在统一接口下集成了17种代表性在线、离线与安全强化学习算法。其评测平台覆盖多种现实偏移以及人形机器人和视觉-语言-动作任务，在273种扰动配置上给出当前鲁棒强化学习算法的能力分布，指出哪些场景仍然有效、哪些仍存在明显鲁棒性缺口。项目提供开源代码、项目页和教程，便于复现与扩展。
作者提出基于 soft mellowmax 价值函数的正则化强化学习算法 SMM-AC，在 MuJoCo 连续控制基准上与 SAC 等基线相当，在真实机器人上取得更高回报，且对观测、环境和动力学扰动更鲁棒。研究对比了常用强化学习算法的仿真到现实迁移表现，指出正则化能提升策略对仿真到现实差距和真实环境变化的鲁棒性。
研究提出从大规模示教数据中学习速度先验，给定任务指令、运动路径和沿途图像，预测路径上的执行速度分布，并用选定分位数作为统一时钟为每条示教重定时。该方法在机器人遥操作数据和人类手持夹爪示教上拟合速度先验，把机器人示教重定时到手持节奏后再微调视觉-语言-动作策略，执行时配合实时最优控制层在机器人约束下跟踪预测动作块。
研究在 HandMeThat v2 基准上对比了基于结构化社交与具身推理的 FISER 和通过文本提示合成叙事与逼真图像做多模态增强的 CEMIR，覆盖 Qwen2.5-Omni-3B 至 GPT-5 四款大语言模型。
作者提出 SAGE（Semantic-to-Action Grounded Execution）框架，用视觉语言模型（VLM）输出的轨迹作为对完整几何候选路径的偏好，并通过排序融合把候选的几何得分与 VLM 轨迹一致性结合。
StackGen3D 框架可根据给定积木库存与三张正交轮廓图生成稳定的积木装配结构。其先用物理信息图神经网络（PI-GNN）建模积木支撑关系并筛选稳定结构数据集，再训练条件流匹配模型学习符合目标轮廓的多模态积木配置分布。初步实验中，Best-of-10 选择将物理稳定性从 45.3% 提升至 72.4%，轮廓 IoU 达 0.970。
研究用匹配的仿真器与模型响应，在 Reacher 和 OGBench Cube 近千个状态上以 Gram 矩阵测量 LeWorldModel（LeWM）对小幅动作扰动的敏感性。
研究系统测试了小型足式机器人 SandBot 在沙等颗粒介质上的速度与步态参数关系，高性能仅出现在很小的参数空间区域内。将已有的机器人运动学模型与新的各向异性颗粒穿透力律结合，可预测其速度。性能在步态参数使机体加速度和肢体干涉最小化、并利用颗粒介质固化特性时达到最优。
DexPort 是一个面向高自由度机器人手的手持数据采集接口，采集与部署使用同一套手部硬件，记录关节目标指令和实测关节状态。操作者移动手持接口指定腕部运动，并通过选择或调整技能来协调手指动作，无需逐关节控制。
ViT-H 提出生成加跟踪的视频到人形控制框架，用扩散模型直接从单目视频生成人形参考动作，跳过人体动作重建与重定向环节，并用运动跟踪结果以直接偏好优化后训练生成器。作者还给出自回归变体，可在低于 400 ms 延迟下实现实时人形视频遥操作。在 Unitree G1 上的实验显示，ViT-H 在动作质量与可执行性上优于现有的重建-重定向-跟踪流水线，且性能随模型规模及预训练、后训练数据规模提升。
RynnUnify 是一个 16B 统一具身模型，通过交错的视频-语言推理把具身理解与长程视觉规划结合起来，覆盖空间推理、物理预测与 grounding。作者还基于强化学习开发了智能体扩展，用于选择性利用视频预测推理未观测状态和交互结果，并开发了 world-action 扩展把理解与预测能力转化为机器人控制。
研究提出 OCT 引导的数据驱动框架，用用户示教学习软组织形状控制并以 OCT 闭环反馈执行。在 12 种配置、576 次体模试验中，带残差条件的体素点云 Explicit 策略在深度任务上达到 0.534 mm、方向任务 0.443 mm 的 Shape RMSE，全体积 Diffusion 加残差条件把方向误差从 0.748 mm 降到 0.555 mm。
作者提出 Backtrack，一种面向冻结 VLA 的轻量失败检测与恢复机制，无需恢复演示、策略重训或额外推理模型。它用仅增加 0.48-0.88% 参数量的失败预测头读取 VLA 内部表示，预测失败概率超阈值时暂停策略、回溯机械臂近期运动并交回原策略重试。
HoloBoxing 提出一种基于预训练全身控制器的人形机器人拳击学习方案，将可复用运动技能与任务决策分离：紧凑规划器输出未来身体点目标，冻结的控制器负责关节级执行。