GroundingPI 发布 4B 定位基础模型，在 34 个基准上平均达 73.68%
GroundingPI 是一个 4B 参数的定位基础模型，将点和框以量化坐标形式输出到共享词表，训练结合多模态与空间预训练、监督微调和 GRPO 强化学习。在 34 个定位基准、44 个基线上平均达到 73.68%，高于 GPT-6 Astra 的 71.54%。
#Research
arXiv cs.ROAI 评分6464 arXiv cs.ROAI 评分5757 GroundAnything：用块状去噪兼顾并行解码与精确视觉定位
GroundAnything 是一个 40 亿参数的视觉定位基础模型，通过块状去噪把并行解码与精确目标定位结合，训练融合公开数据集预训练、自回归到扩散的直接转换、监督微调和基于 GRPO 的强化后训练。
arXiv cs.ROAI 评分6767 Metro-WM：用可实现的子目标做长程潜空间规划
Metro-WM 提出一种分层规划框架，不再生成无约束的潜空间子目标，而是从离线专家演示或随机动作轨迹的已观测帧中检索真实状态作为子目标，并把不同回合的帧连成通往目标的路径。实验显示其长程成功率比次优分层方法最高高 37.33 个百分点，速度快至 10.9 倍，离线计算量少 13-56 倍，且调参更少。作者还指出，现有领先的宏规划器会频繁输出物理上不可实现的子目标。
arXiv cs.ROAI 评分5757 EgoTac：从第一人称视觉预测野外触觉
EgoTac 是一个可泛化模型，直接从第一人称人类视频预测丰富触觉信息，训练使用超过 570 万图像-触觉对，涵盖连续力测量与二值接触。实验显示其域内预测平均力误差低于 0.06N，在域外接触预测基准上持续优于当前最优接触估计器，并能在无约束真实视频上做零样本预测；缩放分析表明数据多样性与数据量都能稳定提升性能。该工作被 NeurIPS 2026 接收。
arXiv cs.ROAI 评分5555 CorrelationFlow：基于BEV相关的免训练LiDAR场景流估计方法
论文提出CorrelationFlow，将LiDAR场景流估计重构为鸟瞰图（BEV）图像间的相关性最大化问题，用一串图像处理操作替代可学习参数。该免训练方法在Argoverse 2 Scene Flow Challenge（CVPR 2026）无监督赛道获得第二名，测试集覆盖五个数据集、多种车辆平台与环境，结果显示其性能可匹配甚至超越基于学习的方法，源代码将开源。
arXiv cs.ROAI 评分5151 NEXUS：联合学习安全约束与动作模型的具身规划框架
NEXUS 是一个模块化神经符号框架，同时维护 PDDL 动作域模型与 LTL 安全规范：执行失败用于修复动作模式，检测到的危险则通过分层语义与翻译采样及等价共识转化为可复用的 LTL 约束。
arXiv cs.ROAI 评分5555 UniWM：通过记忆增强规划与前瞻实现统一视觉导航世界模型
ECCV 2026 接收论文提出 UniWM，一个将第一人称视觉前瞻与规划统一在单一多模态自回归骨干中的记忆增强世界模型，使动作选择基于视觉想象结果，实现预测与控制的紧密对齐。
arXiv cs.ROAI 评分5757 MAIA：用多模态世界模型预判接触密集操作中的交互异常
MAIA 是一个用于接触密集操作异常预判的多模态框架，其视觉-动作-力世界模型学习正常交互动力学并预测计划动作的视觉与力响应，轻量异常头预测即将发生的交互异常。
arXiv cs.ROAI 评分4646 通过几何自锁可展连杆实现扫地机器人的整理任务
研究提出一种两级可展连杆机构，通过自身几何实现自锁，将其集成到商用扫地机器人中以支持推动式整理任务。该机构仅用单个执行器完成展开与锁定，被动触发器解锁收回，另一执行器调节展开高度；完全展开时内部三连杆子链接近共线近奇异构型，传动比趋近于零，载荷仅产生极小残余反向驱动扭矩。
arXiv cs.ROAI 评分7070 WorldOracle：以真实执行对比评测动作条件世界模型
WorldOracle 是一个针对动作条件世界模型（ACWM）的基准，用相同初始观测和低层动作序列，检验预测 rollout 能否复现真实世界的物理后果与任务状态转移。评测覆盖物理状态正确性、交互空间对齐、关键交互区域保真度和多视角动作一致性四个维度，并配套包含成功与失败执行的长多段真实数据。对七个代表性 ACWM 的实验显示出不同模型的优势与失效模式，数据集、评测代码和排行榜已公开。
arXiv cs.RO精选AI 评分7878 冻结前沿VLM直接作为机器人策略在RoboMME记忆依赖操作基准上的评测
研究将冻结的前沿视觉-语言模型GPT-6-Astra直接作为机器人策略，在含16项记忆依赖操作任务的RoboMME基准上测试，模型全程保留整个回合上下文并直接输出每个末端执行器路径点与夹爪指令，无需针对该基准的任何训练。
推荐理由：论文给出了冻结前沿VLM直接作策略在记忆依赖操作基准上的完整对照数据，可据此评估通用模型接管多少具身栈。
arXiv cs.ROAI 评分4747 世界-动作模型对空间指令改写的敏感性评测
一项评测在 RoboLab 四个场景中对三个世界-动作模型进行 864 次 rollout，固定初始状态与任务目标，发现用参考物体而非待移动物体描述空间关系，会使稳定放置成功率平均下降 12.2 个百分点。策略语言理解的独立测试识别出关系反转，加入图像会干扰原本正确的纯文本解读。rollout 分析还区分了空间放置与指令跟随：稳定放置率从任意时刻的 43.2% 降至回合结束时的 21.8%。
arXiv cs.ROAI 评分5656 解析式机器人自模型：学习螺旋轴运动学用于渲染与基于模型的控制
论文提出一种解析式机器人自模型，无需形变网络或 URDF/CAD 模板，从多视角图像与关节读数获得外观与刚性连杆分配，并用稀疏末端执行器位姿独立辨识出度量螺旋轴，得到可外推的闭式正运动学与解析雅可比。
arXiv cs.ROAI 评分5656 AnyRank：基于序贯测试的机器人策略可靠排序方法
AnyRank 提出一种多策略排序的序贯方法，自适应地把试验分配给难以区分的策略，并在任意停止时间给出（部分）排序，同时约束错误排序的概率。该方法可选地利用先验信息（如专家直觉、少量留出硬件评估、仿真或动作条件视频世界模型的策略 rollout）提升硬件评估效率，且先验不准确也不会破坏其统计保证。
arXiv cs.ROAI 评分6767 RoboHarness：简单机器人harness让LLM智能体在BEHAVIOR Challenge 2025上超越VLA与世界动作模型
arXiv论文提出RoboHarness，一个为LLM智能体提供视觉-几何控制面板的机器人harness，使其能直接理解并调用具身任务。作者主张编码智能体有潜力实现通用具身操作，无需走大规模训练VLA的路线。实验显示，配合RoboHarness，Qwen3.8-Flash-Next在BEHAVIOR Challenge 2025任务上超过当前最先进的VLA模型，实现已开源。
arXiv cs.ROAI 评分5555 DexBioLab：面向真实生物实验室场景的灵巧操作仿真基准
研究团队提出 DexBioLab，一个面向真实生物实验室环境的灵巧操作仿真基准与框架，包含 4 种机器人本体上的 14 项任务，覆盖功能性工具使用、精细操作、语言条件下的视觉定位与仪器操作。
arXiv cs.ROAI 评分5555 Flow-driven 多锚点探索方法提升开放环境主动 3D 地图构建泛化性
论文提出用条件流匹配（Conditional Flow Matching）把开放环境主动 3D 地图构建中的长程目标预测重构为条件多模态锚点生成，替代传统单点预测。
arXiv cs.ROAI 评分4545 基于强化学习的腱驱动仿生水母机器人实现深度闭环控制
一款腱驱动仿生水母机器人通过柔性基底与离散约束结合的软体执行器实现150°弯曲，腱位移与弯曲角近似线性。8个执行器由4个舵机驱动，可完成稳定游动、姿态调整与自恢复。基于该线性驱动特性训练的强化学习控制器在仿真与实机实验中均实现了深度闭环调节。
arXiv cs.ROAI 评分5555 服务机器人公共环境基准评测：从实验室到实际运行
该研究提出一套用于在公共日常环境中对服务机器人进行基准评测的跨学科流程，针对实验室指标与实际运行之间的差距，在技术成熟度6-7级展开评估。2023-2025三年间通过七次基准评测活动（一次共识研讨会和六次现场评估）对三台机器人在三个用例中进行评估，涵盖户外公园清洁、人行地下通道清洁和公共图书馆互动协助。
arXiv cs.ROAI 评分5858 OpenDexGrasp：开放词汇任务导向的灵巧抓取框架
CoRL 2026 论文提出 OpenDexGrasp，用于开放词汇任务导向的灵巧抓取生成，让机器人从自由语言推断功能意图，结合多视角视觉观测与物体几何生成可执行的高自由度抓取。
arXiv cs.ROAI 评分5757 RoboReel：面向人类视频观察学习的机器人操作技能评测基准
论文提出 RoboReel，一个用于评测从人类视频学习策略（Learning from Observation）模型的统一基准，收录十个操作任务的真实人类演示视频、仿真机器人轨迹与评测环境。
arXiv cs.ROAI 评分6060 按步态相位分析网络雅可比有效秩改善足式运动策略健康度
该研究用网络雅可比的有效秩分析足式运动强化学习策略，发现按步态相位条件化后可暴露全局秩看不到的表征结构。观察归一化加残差连接的架构比普通 MLP 多为摆动主导状态分配超过一个有效秩维度。基于此提出的诊断方法在仿真和实体 Spot 上将关节抖动最高降低约 2 倍，论文已被 CoRL 2026 接收。
arXiv cs.ROAI 评分5656 DriveDegrade：相机端到端驾驶规划的图像退化容忍度基准
论文提出 DriveDegrade，一个针对纯相机端到端（E2E）驾驶的图像退化容忍度基准，在图像加载器中在线注入 16 类 corruption、5 个严重度，用一个算子覆盖 15 个策略，并在 nuScenes 和 NAVSIM 上评测开环规划，附 CARLA 闭环锚点。
arXiv cs.ROAI 评分7272 ADEPT：通过强化学习预训练与后训练加速灵巧操作
ADEPT 是一个大规模强化学习框架，先在通用物体重摆任务上预训练灵巧策略，再以该先验后训练下游策略，实现跨高自由度本体、直接从原始视觉触觉感知求解长程任务。为避免朴素微调破坏零样本重摆能力，作者提出结合行为克隆蒸馏、评论家预热与保守在策略更新的稳定后训练方案，并引入关节空间 Geometric Fabric 协调策略与机器人。
arXiv cs.ROAI 评分5757 Cyclops：将稀疏LiDAR强度合成为RGB视频以实现无相机感知
Cyclops是一个将稀疏非重复扫描LiDAR（NRS-LiDAR）强度数据合成为RGB视频的框架，用于全天候感知任务且无需相机。其方法先用冻结的预训练稠密化模块把稀疏强度投影转为稠密表征，再通过潜在桥匹配（LBM）学习速度场、在少量ODE积分步内将强度潜变量迁移到RGB分布；同时用时序注意力注入前帧上下文以抑制帧间闪烁，并将速度场建模为由可微终端奖励优化的策略。
arXiv cs.ROAI 评分6262 MANGO-Grasp：基于几何导向3D高斯与马氏场的跨本体灵巧抓取框架
MANGO-Grasp 提出一种各向异性交互框架，用几何导向的3D高斯基元表示物体以保留局部表面几何，并把手部编码为同时捕捉形态与运动学的预训练描述子，通过各向异性马氏场建模手物接触。
arXiv cs.ROAI 评分6464 FACT后训练方法提升VLA在接触密集操作任务中的成功率
论文研究视觉-语言-动作（VLA）模型在需要精确物理交互的接触密集操作任务中失败的原因，提出两类失败模式：精度失败（策略难以产生接触时所需的小幅精确修正动作）和力失败（策略无法响应接触力）。
arXiv cs.ROAI 评分5555 Diagnosing Compositional Generalization in Sequential Robot Tasks：诊断序列机器人任务中的组合泛化
该论文从指令空间覆盖的角度研究序列机器人操作任务中的组合泛化，把泛化差距分解为边际指令偏移、指令组合偏移和上下文-动作偏移三个来源。结果显示穷举指令元组并非必要，覆盖动作相关依赖的结构化子集即可获得较强的分布外性能；稀疏训练失败往往源于指令引导而非缺失底层技能，每个任务仅用一条演示微调即可将分布外成功率从0.4%提升到54.7%。
arXiv cs.ROAI 评分6868 PRISM：用多项式表示改进机器人运动控制策略学习
PRISM（Polynomial Representations for Interaction Structured Motor Control）是一种受物理启发的策略表示方法，通过递归添加缩放的双线性特征学习变量间的乘性交互，只需替换多层感知机（MLP）的第一层仿射层，即可用于强化学习与模仿学习，无需改动训练目标、传感或控制器。
arXiv cs.ROAI 评分5555 FELT：从视觉生成触觉信号用于视触觉操作
FELT 是一个利用已有视触配对数据从 RGB 观测中学习接触感知表征的框架，通过生成触觉图像和接触感知特征两种接口提供给下游策略。它采用冻结视觉编码器配合左右手指独立查询解码器，两分支经门控连接交换信息，卷积读出生成空间接触表征。在四个接触密集的实机任务上，两种接口的成功率均高于纯视觉策略，直接将接触感知特征融入策略使成功率提升 15-22.5 个百分点。
arXiv cs.ROAI 评分6262 OptCar：用少量实车数据把通用FKD模型特化为高速MPC专用模型
论文提出OptCar，一种把通用前向运动学动力学（FKD）模型特化为特定车辆专用模型的方法，同时保留跨地形泛化能力。其核心是用FiLM将近期状态-动作历史汇总成单个动力学上下文token来条件化多步预测的Transformer FKD架构，再结合有限实车数据与系统辨识产生的定向合成轨迹进行特化。
arXiv cs.ROAI 评分4848 EDAR：面向机器人操作的环境相关动作表征学习
EDAR（Environment-Dependent Action Representation）将动作 token 同时锚定在可执行的控制结构与预期视觉后果上，通过把运动指令与其环境条件下的效果耦合，使学到的动作空间捕捉交互语义而非仅命令级模式。
arXiv cs.ROAI 评分6262 NativeMEM：面向长时程机器人操作的原生记忆压缩方法
NativeMEM 是一种具备长时程、实时更新记忆的视觉-语言-动作（VLA）策略，其核心是 Native Memory Compression 编码方案，复用 VLA 自身的视觉编码器将每个相机视角的每一帧历史压缩为单个 token，拼接到输入序列后即可让预训练 VLA 关注长期历史，延迟开销极小，无需外部规划器或新初始化的记忆模块。
arXiv cs.ROAI 评分5555 SPACE：基于信息素场的自适应防碰撞集群探索方法
SPACE 是一种受蚂蚁觅食启发的集群探索方法，在同步共享地图上维护吸引前沿的信息素、排斥探索的信息素和快速机器人密度场，为机器人提供局部场引导。作者在 HouseExpo 的十六个家庭布局和 KTH 的八个校园楼层上评测，使用多达两百五十六个机器人；在拥挤规模下，SPACE 在 HouseExpo 上取得最低的机器人间接触率，在 KTH 上位于经验 Pareto 前沿。
arXiv cs.ROAI 评分4040 PinNet：基于关键点感知局部描述子与几何嵌入的LiDAR SLAM回环检测
PinNet通过生成点云关键点及其描述子，并用基于平面的几何自注意力模块建模关键点间空间关系，以提升回环检测与点云配准的描述子判别力。该方法在多种不同LiDAR传感器采集的数据集上评估，实验结果显示其具备较强的地点识别性能、精确的相对位姿估计，以及在不同环境中的单次定位成功。
arXiv cs.ROAI 评分5555 人形机器人异步上半身任务空间轨迹跟踪策略研究
论文提出一种面向人形机器人的异步上半身任务空间轨迹跟踪框架，以应对高层规划器输出稀疏低频轨迹与全身控制器高频运行之间的时序异步问题。学生策略通过教师-学生蒸馏初始化，以完整缓存的未来轨迹和执行时间索引为条件，并用滑动窗口全局奖励训练以减少帧漂移；任务后训练阶段用MPC模块将稀疏参考补全为浮基座与上半身引导。
arXiv cs.ROAI 评分5959 WireCraft：面向工业可变形线状物体操作的仿真基准
WireCraft 是面向工业可变形线状物体（DLO）操作的仿真基准，涵盖连接器插入、卡扣走线和线槽压入三类任务，支持铰接与可变形两种物理模型，发布轨迹同时来自仿真和真实 UR5 机械臂。
arXiv cs.ROAI 评分5555 SidewalkBench：面向城市人行道视觉导航的评测基准
SidewalkBench 是一个基于 NVIDIA Isaac Sim 构建的城市人行道视觉导航基准，提供 GPU 加速的高保真人行道环境，包含程序化生成与真实扫描场景，并加入事件驱动的行人反应行为。作者在 330 个单元测试场景、800 个行人反应场景和 105 个长时程场景上评测了 9 个视觉导航模型，发现行人交互与长时程鲁棒性仍是现有模型的关键瓶颈，扩大人行道合成数据训练规模是可行方向。
arXiv cs.ROAI 评分5656 CoRL 2026 论文提出可无害化引导冻结 VLA 的语言反馈策略
论文提出一个框架，交互搜索能提升闭环 VLA 任务表现的语言序列，将其蒸馏为测试时语言反馈策略（LFP），并训练一个改进头预测语言引导何时有效，再对该改进头做保形校准以防止有害干预。
arXiv cs.ROAI 评分5555 Perceptive BFM：将人类运动先验适配到机器人地形的感知控制框架
论文提出 Perceptive Behavior Foundation Model（Perceptive BFM），一种地形感知的人形机器人全身控制框架，用机器人视角的局部地形观测来适配接触、姿态与时机，同时保留原始运动学参考作为行为接口。