Hilti-Trimble-Oxford 数据集发布：360度视觉惯性SLAM与楼层平面定位基准
论文发布 Hilti-Trimble-Oxford 数据集，采集自活跃施工现场，包含30条视觉惯性序列，覆盖10个楼层、跨度8个月，涵盖光照变化、移动工人、快速运动和重复结构等真实挑战。真值轨迹由刚性连接在360相机上的高精度激光惯性SLAM系统采集。作者还报告了配套开放研究挑战的结果，SLAM赛道有62支队伍参赛，而楼层平面定位仅22支，显示后者受关注较少。
#Evaluations and benchmarks
arXiv cs.ROAI 评分5555 arXiv cs.ROAI 评分4747 热成像人机交互中视觉-语言模型的失效模式分析
一项研究评测了七个可本地部署的视觉-语言模型（VLM）在两个以人为中心的热成像数据集上的人类活动理解能力，诊断任务涵盖细粒度动作识别、活动时间线重建与拒答能力。
arXiv cs.ROAI 评分6464 前沿AI模型在LIBERO-10机器人操作任务上的基准评测
研究提出一个统一的闭环操作评测框架，在LIBERO-10基准上评测前沿AI模型无需任务特定微调直接通过视觉观测、机器人本体感知和结构化工具调用控制机器人的能力。
arXiv cs.ROAI 评分5858 TARSphere：面向长时程具身智能体的机器人全栈框架与基准
TARSphere 是一个面向物理与社会环境持续变化下长时程具身智能体的机器人全栈框架，包含在物理仿真中运行机器人策略的 TARSphere-Infra、让冻结多模态大语言模型通过多层可执行技能决策的 TARSphere-Harness，以及包含 30 个室内场景 360 个 episode 的评测基准 TARSphere-Bench。
arXiv cs.ROAI 评分5858 AirPlayground：覆盖多样重建环境的空中导航基准
AirPlayground 是一个用于训练和评测空中导航策略的统一基准，构建了 94 个覆盖室内、城市户外和植被场景的写实 3D Gaussian Splatting（3DGS）环境，并配有对齐的碰撞几何。
arXiv cs.ROAI 评分5151 NavBind 诊断导航 VLA 模型在路线分叉处的指令-动作绑定
NavBind 提出一种诊断导航视觉-语言-动作（VLA）模型是否真正遵循指令的方法：在固定导航上下文下，检查改变指令是否会影响动作的概率分布。作者通过重组 R2R-CE 和 RxR-CE 中与路线对齐的指令片段，构建了 3,252 个路线分叉上下文，每个上下文配对两条共享已走路线描述但指定不同分支的完整指令，并在相同智能体状态和导航历史下评估。
HuggingFace Daily PapersAI 评分5151 SpatialBrain：从经验中生长的空间智能框架
SpatialBrain 是一个在固定视觉-语言骨干上保留空间推理决策经验的框架。3DFusionMemory 将当前场景观测融合为可查询的空间关系，Spatial Skill Library 提供可复用的工具流程，Spatial Cognition 将任务条件与何时及如何使用记忆和技能的经验关联起来；已完成轨迹被抽象为过程记录并在任务块之间巩固。
HuggingFace Daily PapersAI 评分5151 Dual Exam 基准发布：分轨评测多模态智能体与世界模型
Dual Exam 基准将多模态智能体与世界模型分开评测：智能体轨在固定环境响应机制下比较 10 种配置、覆盖 1,088 个条目和 15 个报告类别，世界模型轨包含 8 个场景的 400 个案例。
HuggingFace Daily Papers同新闻AI 评分7878 VLA模型机制研究：并非所有特征同等重要
该研究提出一套可解释性流水线，发现向动作专家注入任务A的激活可使pi0.5在99.6%的回合（n=1,968）中执行任务A的运动轨迹，且该注入程序绑定绝对工作空间坐标而忽略可见场景，为基准报告的扰动脆弱性提供了机制解释。
同一新闻，精选展示《研究用激活注入机制解析视觉-语言-动作模型》
未来机器人网 · 微信公众号AI 评分6161 大晓机器人发布具身基模型ACE-Brain-0.6，八项Grounding评测中六项超越GPT-6 Astra
大晓机器人（ACE ROBOTICS）发布视觉空间锚定增强型具身基模型ACE-Brain-0.6，聚焦Grounding能力，在八项Grounding评测中六项超越GPT-6 Astra，七项公开基准平均得分74.53（Astra为73.68），自建真机评测集RobotGrounding（2591道问题、14类任务）得分94.13（Astra为91.10）。
CVer · 微信公众号AI 评分5555 NeurIPS 2026 论文 Urbex：智能体驱动的城市尺度三维空间定位
Urbex 是面向城市尺度三维场景的智能体视觉-语言框架，将依赖预生成候选框的静态排序转为主动空间搜索，通过地标查询、局部放大、倾斜视图三种工具逐步缩小范围，并用 GRPO 强化学习优化工具调用策略。
arXiv cs.ROAI 评分5151 RoboFake：深度伪造检测器能否识别人形面部机器人
RoboFake 论文提出用真实人形面部机器人同步口型与表情、配合生成语音构成无像素编辑的新型呈现攻击，并测试了三个公开呈现攻击检测（PAD）模型和六个深度伪造检测器。
arXiv cs.ROAI 评分4949 TAPDreamer：面向世界动作模型的可迁移对抗补丁
TAPDreamer 提出一种仅用公开编码器构造固定局部对抗补丁的攻击方法，无需查询目标策略，可跨任务与动作架构迁移。在闭环评测中，覆盖输入约6.5%的冻结补丁使 FastWAM 在40个 LIBERO 任务上的成功率从97.7%降至0.0%，在50个 RoboTwin 任务上从90.86%降至0.0%，而匹配随机补丁仍保留81.5%和79.2%。
arXiv cs.ROAI 评分3232 Taskonomy：解耦视觉任务迁移学习
Taskonomy 提出一种完全计算化的方法，对 26 个 2D、2.5D、3D 与语义视觉任务在隐空间中建模，挖掘一阶及高阶迁移学习依赖关系，生成任务迁移分类图谱。
arXiv cs.ROAI 评分5656 RoboJudge-Bench 评测多模态大模型作为具身视频生成裁判的表现
论文提出 RoboJudge-Bench，用于评估多模态大语言模型（MLLM）作为具身视频生成裁判的可靠性，覆盖物理一致性与指令对齐两个维度，包含来自 8 个源语料库、10 个视频生成器的 800 条人工标注视频，涵盖夹爪、人手和灵巧手。
arXiv cs.ROAI 评分4545 给模型一根手指：视觉-语言模型计数能力的发展对齐评测
一项针对9个视觉-语言模型、682张图像和7种评测条件的研究发现，模型的精确计数范围差异近两个数量级（R80从3到150个点）。研究通过免训练智能体循环让模型用图像标记辅助计数，发现该方法作为干预大多失败，但能生成可审计的串行推理痕迹，帮助揭示模型如何得出答案。实验还显示模型在遍历顺序反转时常改变答案，而儿童式的规则排列优势仅在特定条件下出现。
arXiv cs.ROAI 评分4747 经验记忆何时真正帮助闭环 LLM 驾驶智能体？一项受控评测
一项在 HighwayEnv 测试台（1Hz，关键对比使用 gpt-4o-mini）上的受控评测显示，闭环 LLM 驾驶智能体中已发表的经验记忆增益主要来自热身池的抽样运气：检索式记忆仅在十个池中的一个池上胜过 No-Memory（符号检验 p=0.011）。
arXiv cs.ROAI 评分5555 TaskWAM 用阶段感知令牌引导世界-动作模型走向预期未来
论文提出 TaskWAM，一个闭环、阶段感知的框架，用 Mode Tokens 表示细粒度任务需求、用 State Tokens 跟踪执行进度，构成结构化任务状态来引导世界-动作模型生成符合当前任务的未来，以解决长程操作中的 Stage Confusion 现象。
arXiv cs.ROAI 评分5555 CAPSafe 基准评测大模型在具身智能体中的动作与长程规划安全推理
研究者提出 CAPSafe 基准，从两个层面评测大语言模型驱动的具身智能体的安全推理能力：动作级数据集判断单个动作在给定环境上下文中是否安全，规划级数据集评估智能体能否为复杂的危险家庭任务生成安全的长程规划。
arXiv cs.ROAI 评分5555 GPT-6 Astra 机器人操作评测与 LIBERO-GeoMotion 基准发布
论文用轻量智能体执行框架系统评测 GPT-6 Astra 的闭环机器人操作能力，发现其在 RoboDojo 上成功率 26.92%、RoboTwin 2.0 上 76.0%，但语义推理与物理执行之间存在明显落差。
arXiv cs.ROAI 评分6262 推理驾驶VLA存在感知-动作绑定缺口：能感知危险却不刹车
论文指出推理增强的视觉-语言-动作（VLA）驾驶模型能感知并推理安全关键危险，却无法把该证据转化为安全动作，作者称之为感知-动作绑定缺口。通过匹配的仿真反事实与日志回放，研究发现路径内危险确实被编码在视觉表示中，但纵向规划主要由自车速度历史主导，对危险距离和模型自身推理轨迹响应微弱。
arXiv cs.ROAI 评分5555 EventSync：用事件驱动记忆更新支撑历史依赖的机器人操作任务
EventSync 提出一种事件驱动记忆更新的分层框架，用于解决仅靠当前观测无法判断下一步动作的历史依赖型操作任务。视觉-语言模型依据任务计划与交互历史生成子目标，视觉-语言-动作模型负责执行，轻量级 Event Monitor 结合视觉观测与末端执行器轨迹判断当前子目标是否完成，只有取得完成证据后才写入已完成子目标历史并触发后续推理。
arXiv cs.ROAI 评分5757 RoboColiseum 上对四个前沿大模型的跨模型具身能力评测
论文在 RoboColiseum 上对 GPT-6 Astra、GPT-6.1 Sol、Claude Opus 5.5 和 Gemini 4 Argon 进行跨模型评测，覆盖指令跟随、空间推理、通用操作和鲁棒性四个赛道。
arXiv cs.ROAI 评分5757 RoboCasa-Shift：面向长程家庭操作的VLA策略阶段感知鲁棒性评测基准
论文提出基于RoboCasa365的诊断性鲁棒性基准RoboCasa-Shift，结合受控单因素扰动、配对的干净-扰动rollout和仿真阶段感知诊断，对GR00T N1.5在四项长程任务、四种扰动因子和三档严重度下共完成1,040次rollout评测。
arXiv cs.ROAI 评分5555 JARVIS：从视觉手册到自主机器人装配的基准与智能体方法
论文提出 JARVIS，一个无需额外语言指令、方法无关的视觉手册引导自主执行基准，包含 236,679 个 LEGO 装配任务、8,987 个场景，以及精选的 JARVIS-v1 评测套件 50 个任务。
arXiv cs.ROAI 评分4848 Gemini Robotics-ER 在 SHREC 基准上的社会推理能力评测
一项评测在 SHREC 人机社会交互基准上测试了 Gemini Robotics-ER 的社会推理能力，并与已发表的通用视觉-语言模型基线对比。结果显示，Gemini Robotics-ER 在错误/能力检测上优于 GPT-4o-mini，但在细粒度社会属性判断上表现更差；加入视觉帧对一项任务有帮助，却损害另一项。
arXiv cs.ROAI 评分5555 HATCH：面向可验证操作的硬件认证任务链基准
HATCH 是一个开放规范、可物理复现、由传感器打分且不可排练的机器人操作基准，被 IROS 2026 第五届开放机器人软件研讨会接收（2 页 1 表）。任务覆盖五个技能类别、三个难度等级，并通过确认前一任务完成的传感器解锁下一任务，将整个房间串成一次长时程评测。
arXiv cs.ROAI 评分6767 Jetson AGX Orin 上九个单目与立体深度估计模型的 2026 年基准评测
一篇 arXiv 论文在 Jetson AGX Orin 上对九个深度估计模型族进行基准测试，涵盖单目方法 Depth Anything V2 和 3、Depth Pro。
arXiv cs.ROAI 评分4444 面向在轨服务的仿壁虎粘附界面交互状态识别研究
一项研究为仿壁虎干粘附接口嵌入电容传感，实时识别在轨服务抓取中的五个交互状态（idle、proximity、contact、engaged、disaged）。Random Forest 离线分类准确率 95.65%，在线结合规则状态机后准确率从 78.02% 提升至 93.14%，宏 F1 为 0.9343，推理周期 53 ms。
arXiv cs.ROAI 评分5656 ACE-Brain-0.6发布：用可验证定位监督扩展9B具身模型的空间感知
研究团队发布ACE-Brain-0.6，通过统一数据管线将机器人操作记录与多源互补视觉数据结合，自动标注后转换为可验证的定位监督，并在约150万样本上微调Qwen3.5-9B得到该模型。在七个公开定位基准中的四个上，ACE-Brain-0.6超过GPT-6 Astra，总平均分75.41对73.68；在固定微调设置下，随数据集扩展覆盖更多定位场景，整体定位性能稳步提升。
arXiv cs.ROAI 评分6363 Embodied Playground：面向长程智能体机器人的物理、策略与空间推理基准
作者提出 Embodied Playground，一个用于评估基础模型智能体在长程任务中协调物理、策略与空间推理的基准，包含 410 个任务环境，覆盖基础操作、序列谜题和多阶段家务活动。
arXiv cs.ROAI 评分5757 AGT-GSPO 通过可验证交互训练具身 VLM 实现执行错误恢复
论文提出 ERR-Env 可验证交互环境、ERR-Bench 基准和在线强化学习方法 Action-Grouped Turn-GSPO（AGT-GSPO），用于训练 2B 具身 VLM ERR-VLM 学习执行错误后的重规划恢复。
HuggingFace Daily PapersAI 评分5858 S-Agent 2.0：用通用编码智能体做空间推理
S-Agent 2.0 是一个空间推理智能体，为现成的通用编码智能体配备命令行感知工具包，围绕获取场景证据、写入持久场景记忆并用平实空间语言解读读数来设计接口。
OFweek RoboticsAI 评分6565 极智嘉 Gravity Control 用自然语言运行时纠偏，将 OOD 任务成功率从5%提升至95%
极智嘉具身智能在 Gravity 框架下提出 Gravity Control 因果干预模型，无需训练原始策略模型、无需新增示教数据，通过机制可解释性挖掘模型内部动作调控机制，在推理阶段干预相关 latent feature 实现运行时纠偏。
钛媒体AI 评分3434 Edge AI Daily 早报（10月21日）
商汤联合大晓机器人、南洋理工等团队测评显示，GPT-6-Astra在12项仿真评测中多项接近满分（LIBERO-Long++达100%、SIMPLE为98.8%），但部署到8个真实机器人平台后，插插头11次尝试全部失败、叠衣服碰壁。其高分还依赖上下文学习（ICL）和放宽至10倍动作步数两项“补药”，家庭长程基准BEHAVIOR成功率仅37.0%。
HuggingFace Daily PapersAI 评分5858 TARSphere：面向长程具身智能体的全栈框架与基准
TARSphere 提出面向机器人的全栈框架，用于在物理与社会约束下评估长程具身智能体。其 TARSphere-Infra 在带具身 NPC 和受限对话的物理仿真器中运行机器人策略，并用事件驱动有限状态机依据已完成动作与已传递信息更新任务状态；TARSphere-Harness 让冻结的多模态大语言模型通过多级可执行技能、观测、分层记忆和执行反馈修正决策。
The Humanoid Hub精选AI 评分7676 Ropedia 发布开放世界模型 W0，基于约一万小时第一人称人类视频训练
Ropedia 发布开放世界模型 W0，用约 10,000 小时第一人称人类视频训练，一套权重可预测人类、机械臂和人形机器人（Unitree G1、Fourier GR-1）的第一人称视角，采用共享的相机加骨骼表示，接入新机器人只需其 URDF。
推荐理由：原文给出了训练数据规模、跨本体迁移方式和实测对比，读者可据此判断该世界模型对机器人策略训练流程的实际影响。
ModelScope RoboticsAI 评分6969 星辰发布并开源意图理解模型 Xing4.0-29B-Intent
中电信人工智能科技有限公司星辰通用人工智能实验室发布并开源意图理解专用模型 Xing4.0-29B-Intent，同步开放275.3万条监督微调训练语料、模型权重与推理镜像，代码许可为 Apache 2.0。
ModelScope RoboticsAI 评分7373 南京大学、京东等开源 VideoJev：LVBench 73.4%，每题约 1.5 秒
南京大学、京东等机构开源 VideoJev，将视频时序定位与选择式视频问答统一为候选打分任务，让多模态大模型直接输出结构化判断。
深蓝AI · 微信公众号AI 评分7272 浙大高飞团队发布CrossFly基准：无人机跨室内外交互导航评测与分层VLA基线
浙大高飞团队联合微分智飞推出CrossFly基准，构建23个重建真实场景、15263条完整轨迹，覆盖室内、室外、室内-室外跨域三类任务，配套分层VLA基线CrossFly-Agent，整套仿真数据集、评测协议与基线代码全部开源。