每日代码实战专栏——WALL-WM 源码解读
古月居每日代码实战专栏解析 WALL-WM 源码,重点拆解 Event-Level 数据组织、多视角 Video DiT、Action Transformer 逐层耦合以及 Video-Action 联合机制,帮助入行者理解该世界模型架构的代码实现。
古月居每日代码实战专栏解析 WALL-WM 源码,重点拆解 Event-Level 数据组织、多视角 Video DiT、Action Transformer 逐层耦合以及 Video-Action 联合机制,帮助入行者理解该世界模型架构的代码实现。
Mobile ALOHA 是斯坦福研究团队提出的低成本、开源双臂移动操作系统,在 ALOHA 双臂遥操作平台上增加移动底盘和全身遥操作接口,通过遥操作同步采集视觉、机械臂状态与底盘运动数据,再用行为克隆等模仿学习方法训练策略,其中 ACT 一次预测一段动作序列。
Pollen Robotics 发布 Microduck Arena,一个供 Microduck 机器人竞赛、训练与比拼的虚拟竞技场,无需实体机器人。用户用强化学习训练策略并发布到自己的 Hugging Face 账号参加挑战,每条提交由竞技场统一评测,结果可跨玩家比较;已发布策略可下载为 .onnx 文件,用来看回放并学习最佳运行。
推荐理由:它把策略训练、统一评测和回放学习串成闭环,读者可了解无需实体机器人时如何训练并比较强化学习策略。
卡迪夫城市大学 Wai-keung Fung 撰文称,在世界人形机器人运动会2026上,Tiangong Ultra 以8.64秒完成100米,快于博尔特9.58秒的世界纪录,但叠衣、洗衣等柔性操作更能检验机器人智能。文章指出布料形状多变、技能难以在构型与传感器不同的机器人间直接迁移,Open X-Embodiment 正汇集22种机器人的超百万条真实轨迹探索这一问题。
Khang Nguyen 与合作者 Minh Nhat Vu 凭 XFlowMP 获 CASE 2026 最佳会议论文奖,该框架用薛定谔桥把随机噪声转化为轨迹分布,按起止构型生成含速度与加速度的可行运动。
PyTorch 官方强化学习库 TorchRL 发布 v0.14.1 维护版本,修复环境重置、采集器、回放缓冲、规划、训练、日志和 LLM 工作流多处问题,并引入 v0.17 设备弃用预告。
哥伦比亚大学李昀烛团队在 IROS 2026 触觉专题研讨会上介绍了开源柔性压阻式触觉传感器 FlexiTac 开源约一年半后的进展。传感器采用 FPC 与力敏薄膜层叠结构,备料后 3 分钟可完成组装,团队开源了完整 BOM、装配说明、读数软件并集成进 LeRobot 框架;仿真适配只需标定 3 个超参数的弹簧-阻尼系统。
Discrete Forcing 提出先用一次离散 forward 确定动作整体结构,再映射回连续空间作为 Flow Matching 的生成起点,通过一次连续 forward 完成精细修正,整个动作生成只需 2 NFE。
Chelsea Finn 指出随着机器人变得更可靠,DAgger 式的数据采集效率会大幅下降,例如 90% 成功率意味着人超过 90% 的时间只能被动旁观。她引用的 Mulligan 论文提出关键思路是失败往往来自相似的初始状态,因此可把学习集中在这些状态上;在部署中由机器人执行任务、人在需要时介入,每轮采集都聚焦机器人失败的初始状态,在 3 个真实任务、2550 次盲测中同预算下优于均匀采集。论文见 https://arxiv.org/abs/2610.05882 。
Appen 生成式 AI 研究总监 Jeanine Sinanan-Singh 在 The Robot Report 播客第 265 期中解释,为何精彩的机器人演示不一定证明其行为可泛化,并强调人在环训练机器人依然重要。
Boston Dynamics 介绍其为人形机器人 Atlas 重新设计的四指灵巧手,具有13个自由度、直接驱动,可处理超过100磅重物,并为量产设计。总监 Alberto Rodriguez 表示,手部去掉小指、采用13个完全封装的相同执行器且无跨关节易损线缆,专为高保真仿真和 sim-to-real 强化学习设计;团队测试了动力工具使用、线缆处理、找螺丝等工业任务,尚未部署到整个机器人车队。
Monolithos 发布长期记忆系统 Robot Brain 的公开 Alpha 0.1,让机器人保留任务历史、失败、人工纠正及获取条件,并按任务和场景检索为规划提供上下文。
乐聚依托OpenLET社区联合青瞳视觉发布LET-HumanMotion-Ruban2数据集,基于青瞳MotionDecode人体动捕数据经重定向、动作精修与格式适配,输出面向鲁班2的标准化机器人动作轨迹。
UCLA研究人员推出PhoneBot,一款以安卓智能手机充当躯干、负责视觉感知、运动传感与运动控制计算的小型开源人形机器人平台,其硬件成本约400美元(不含手机)。
Sereact、Zalando 和 CEVA Logistics 宣布在德国 Greven 和波兰 Świebodzin 的履约中心启用 AI 自动化退货处理,由 Sereact 的物理 AI 平台 Cortex 驱动,双臂机器人系统可自主识别、抓取和分拣此前未见过的时尚退货商品,无需针对具体商品的训练。
不需要训练,没有仿真到现实迁移的差距,只需一个提示和一个愿景。 Sentdex 指出,当前机器人领域的每个任务都是移动、操作、视觉、规划等的复杂组合,一旦偏离训练数据或仿真特性就会失效。因此许多演示只在完美光照和精心摆放物体的条件下进行,从未在真实世界的未知条件下落地——每次部署都是独特的边缘情况。 示例中,一个通用多模态大语言模型(DSV4.1F)完成了一项从未专门训练过的机器人任务,使用没见过的摄像头、未学习过的伺服电机/电机、从未处理过的环境和从未测试过的形态。视频为 10 倍速,目前较慢,但这已是该智能水平的最慢状态。 Sentdex 表示,越使用通用多模态大模型,越意识到 ACT、VLA 等专用方法可能只是配角和干扰,最终将被顺带完成机器人的通用模型吞没。他不认为永远会是大语言模型,但大模型能完成最具挑战性的机器人任务这一事实,说明…… ——Sourccey 功能持续改进中。
Helm.ai宣布过去12个月签署7000万美元商业合同,客户涵盖全球汽车OEM、Tier 1供应商和工业自动化公司,并称公司接近盈亏平衡。其基础模型采用无监督"deep teaching"方法,将感知与决策分层解耦以提升数据效率,技术已用于SAE L2至L4自动驾驶、采矿、建筑和送货无人机项目。
ETH Zurich软机器人实验室的Amirhossein Kazemipour团队把Wuji Technology的商用机械手加配80克背包(含电池、IMU和Raspberry Pi Zero),用强化学习在仿真中训练出让其以指尖爬行的策略。
文章以AMD宣布约82亿美元全股票收购李飞飞创办的World Labs为引,对比影身智能自成立起押注原生4D世界模型的路线。影身智能自研“影身360”采集系统用4到6个家用级RGB摄像头实现毫米级、每秒25帧实时4D数据生成,硬件综合成本降低超90%;4D基座世界模型“破界S1”中,GAF高斯动作场在动态操作任务上平均成功率比此前最优方法高出10个百分点以上。
9月30日,具身智能公司上海苏度科技宣布完成新一轮超10亿元人民币融资,由上海国投先导、国泰海通、孚腾资本联合领投,小米等老股东跟投。
据Business Insider披露,物理AI公司FieldAI已签署条款清单,计划完成7亿美元新一轮融资,投后估值100亿美元,距上一轮融资一年多估值从20亿美元涨五倍,交易尚未正式闭合,领投方未公开。
Noitom Robotics 在 IEEE Spectrum 与 Wiley 的白皮书中介绍 HiPHI 数据集,包含 617.5 小时光学动作捕捉的全身人体动作数据,精度达亚毫米级。
PAIR 为连续动作视觉-语言-动作模型学习感知与动作之间的共享表征,在 LIBERO、LIBERO-Plus、CALVIN ABC-D 及七项真实世界任务上提升了 OpenVLA-OFT 与 VLA-Adapter 的表现。
SimForcing 提出一个仿真引导框架,通过潜变量蒸馏把仿真教师的运动知识注入动作条件机器人世界模型,缓解外观差异并降低不准确仿真预测对真实视频生成的误导。
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。
Vsim Technology 联合创始人兼 CEO Michelle Lu 在播客中谈用仿真和人工智能教机器人学习新技能。她曾在 NVIDIA 任仿真技术总监,与联合创始人开发了首个端到端 GPU 加速强化学习框架 Isaac Gym;2022 年两人离开 NVIDIA 创立 Vsim,目标是解决基于仿真的机器人 AI 在效率、可扩展性和 sim-to-real 差距上的局限。
三星电子在首尔总部举办的Samsung AI Forum 2026上公布机器人商业化路线图,由新设的RX(Robot eXperience)事业推进室主导,结合机器人基础模型(RFM)与世界模型技术,先推动自家100多座工厂、100多条产线的自动化,再进入家庭助理机器人市场。
推荐理由:文中给出了人形机器人单机成本构成和工厂场景的成功率门槛,可用来对照理解各家厂商商业化路径的差异。
三星在 Samsung AI Forum 2026 上公布机器人商业化路线图,计划以新设的 RX(Robot eXperience)事业推进室为核心,先推进其 100 多家工厂和 100 多条产线的自动化,再进入家用助手机器人市场。
推荐理由:文章给出人形机器人单台约10万美元的成本账和三层行为栈划分,帮助读者理解三星为何把工厂自动化排在家用机器人之前。
Galbot 参与的论文 LATENT 获得 IROS 2026 最佳娱乐与休闲论文奖。该工作从不完美的人类动作数据出发,实现了真实人形机器人的网球对打。文中给出项目页 http://zzk273.github.io/LATENT/、arXiv 地址 http://arxiv.org/abs/2603.12686 和代码仓库 http://github.com/GalaxyGeneralRobotics/LATENT,并向共同作者与合作者致贺。
Boston Dynamics 为新一代 Atlas 人形机器人发布灵巧手,从 GR2 的 7 自由度增至 13 自由度,采用四指含 4 自由度对掌拇指,直接驱动且仅用单一执行器类型。设计舍弃小指以降低成本与复杂度,配备指尖与掌部压觉触觉传感器,支持捏取、三指抓取和按压工具扳机等操作,并针对仿真到现实迁移与强化学习做了高保真仿真优化,已有动态任务的初步 sim-to-real 结果。
推荐理由:原文详细说明新一代 Atlas 灵巧手的自由度、驱动与仿真设计取舍,读者可以了解手部设计如何服务强化学习与实际作业。
IROS 2026 上,Ken Goldberg 与 Andrea Bajcsy 主持了一场关于机器人应通用还是专精的辩论。Matt Mason 以"动物应该成为人类吗?"开场,多位研究者围绕通用模型的工具调用与精确操作差距(粗放放置 19/20 vs 精密插入 2/20)、通用者编写课程专精者执行等观点展开讨论。Ken Goldberg 评价"很棒的总结"。
Georgia Tech 研究者提出名为 FindingDory 的评测基准,用 60 项需要持续交互与环境上下文感知的任务测试 Gemini 2.0-flash、GPT-4o 等视觉语言模型的记忆能力,任务涵盖空间、时间和多目标三类高难度场景。
至简动力在 IROS 2026 现场首次展示自研世界动作模型 SimpleWAM 真机演示,由 i7 Pro 在端侧运行完成封胶带、打包盒子等作业,i7 Pro 与 iX 同场展示运控能力。
推荐理由:原文给出了端侧推理时延的具体优化数据和真机演示场景,可据此评估该模型落地的实际水平。
至简动力在IROS 2026 Tech Talk中介绍机器人在CNC车床上下料场景下的精密操作实践,工件与卡盘间隙仅0.5毫米,方案覆盖动作生成、多视角感知、历史记忆与接触反馈。
斯帝尔针对焊接箱体焊疤打磨推出AI柔性打磨方案,实现焊疤均匀去除、焊缝与母材平滑过渡且薄壁母材无损。方案由自研SeeV视觉系统锁定焊疤位置,NextBrain™ AI磨菇云计算打磨余量并生成打磨路径,经数字孪生仿真验证后由六轴机器人配合PolishX柔性力控系统执行,力控精度达±0.5%FS、可低至4N输出力,适配储能、电气、新能源电池外壳等多品类箱体场景。
KAIST 的四足机器人 RAIBO2 在韩国尚州的柿饼马拉松以 4 小时 19 分 52 秒完赛,成绩略快于人类平均,全程未换电或充电,终点仍剩 34% 电量,团队上周在 Nature 发文介绍这项工作。
推荐理由:研究把腿足机器人的节能从单一部件优化推向跨关节与电路的整体设计,给出可迁移到长时程户外机器人的具体做法。
Daimon Robotics 在 IROS 2026 以“从触觉到智能”为主题首次公开实机演示其触觉智能基础设施,涵盖三层:DM-Tac 系列视觉触觉传感器(超过 12 种触觉模态、超 11 万个传感单元)、Data-Nexus 数据采集系统,以及 8 月发布的 Daimon-TWM 世界模型。
我们发布Dyna-2.1,首个实现可靠超长时程全身自主的物理智能体。它结合了我们全新的半人形硬件和围绕Da
智在无界自主研发的通用灵巧操作大模型 Being-H0.7 入选 NeurIPS 2026,Being-H 系列由此在一年内实现 ICML、CoRL、NeurIPS 三大顶会收录。
至简动力(Simplexity Robotics)推出并开源世界-动作模型 SimpleWAM,6B 参数版本在 NVIDIA ThorX (T5000) 上推理延迟由 181.23ms 降至 42.31ms,可在端侧以近 24Hz 高频闭环运行。
推荐理由:原文给出了从181ms到42ms的端侧优化路径和四项架构设计,可迁移了解世界动作模型如何满足高频闭环控制。