技术方向
机器人 VLA、通用动作模型、世界模型、模仿学习、强化学习、技能与运动策略学习、在线适应、跨任务和跨本体迁移。重点是模型、策略或学习方法；发布数据集归数据与仿真，优化推理部署归软件与计算系统。
54 条精选近 30 天 7 条共收录 132 条
自变量机器人发布 DMuon 优化器，对 Muon 优化器进行分布式改造，将具身模型分布式训练效率提升约 30%，每步训练时间从 AdamW 的 2.2 倍降至 1.02 倍。改进包括 Owner 中心执行与通信优化、按矩阵形状自动选择计算内核、均衡分配各 Owner 工作量。DMuon 已完全开源，与 Muon 使用方式兼容，只需 3 行代码即可引入训练。
推荐理由：原文解释了 Muon 在分布式训练中的开销来源和三项改进做法，具身模型团队可借此评估训练提效的可行性。
LimX Dynamics 随 COSA 0.5 发布 V³-0，这是其 VLA-tools 层中支持移动全身操作的人形 VLA 技术栈，运行在 43 自由度的 LimX 人形机器人 Oli 上。
推荐理由：原文说明了 V³-0 的架构组成和人类在环真机强化学习闭环，读者可以据此理解移动全身操作能力的来源。
灵初智能与北大-灵初联合实验室发布并开源双灵巧手通用操作模型和全栈系统 EgoSteer，包含数据处理管线 EgoSmith、机器人技术栈 Robot-Stack 和世界模型增强的 VLA 模型。
推荐理由：原文给出从人手数据处理、真机纠偏到模型架构和实验数字的完整链路，读者可据此评估其可复现价值。
Hugging Face LeRobot 发布 v0.6.0，pip install lerobot 不再默认包含数据集和训练依赖，需按需添加 extras，GR00T N1.5 被 N1.7 替代，最低 PyTorch 版本升至 2.7。
推荐理由：发布说明列出了具体破坏性变更和迁移方式，升级中的研发者可以据此检查自己的安装、配置与训练流程。
PKU EPIC Lab 提出测试时训练框架 WAM-TTT，从原始人类视频中引导世界动作模型，无需机器人动作、人类侧标注或任务特定微调。该方法通过自监督视频预测将人类视频吸收进冻结 WAM 内的轻量自适应记忆，并用成对人-机数据和键值记忆重建目标的元训练阶段对齐人类演示与机器人行为；实验显示其在多种操作任务和泛化设置下持续优于上下文人类视频条件化基线。
推荐理由：原文提出仅用无标注人类视频在测试时调整冻结世界动作模型的方法，无需机器人演示或微调，对想复用的研究者有方法参考价值。
深圳具身智能企业自变量机器人连续完成B轮至C轮四轮融资并全部完成交割，估值超200亿元，为粤港澳大湾区首个估值破200亿元且完成交割的具身智能公司。投资方超30家，含国家人工智能产业投资基金、红杉中国、小米战投。公司2026年4月发布具身大模型WALL-B，与58到家合作在深圳开展机器人上门家政服务近1000个家庭，并与顺丰合作柔性智能分拣与供件。
推荐理由：报道交代了四轮融资全部完成交割的细节及落地场景，读者可以了解这家公司融资进度的真实含金量。
自变量机器人发布跨模态具身动作分词器X-Tokenizer，采用语义残差量化（SRQ）架构，在17个机械臂系列、240万条轨迹（含20亿动作帧）上预训练。相比FAST，多模态对齐能力提升13.5%，长程任务性能提升8.25%，RoboTwin 2.0得分82.8；真机测试优于FAST和4级RVQ等对比方法。
推荐理由：原文给出了X-Tokenizer的方法设计与对比实验数据，读者可以了解动作分词器的多模态对齐思路及其可复用效果。
Figure AI宣布Figure 03人形机器人进驻BMW Group Plant Spartanburg的Hall 52，从此前Figure 02的钣金上下料转向sequencing分拣用例，Figure 02去年曾参与装配30,000辆汽车。
推荐理由：官方公布了Figure 03在BMW工厂的部署场景与Helix 02驱动细节，读者可了解人形机器人从搬运到复杂分拣的落地进展。
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。
银河通用发布AstraBrain-WBC 0.5（论文题为Humanoid-GPT，被CVPR 2026接收），用约20亿帧重定向动作数据训练Transformer全身控制器，零样本运动追踪成功率92.58%，推理延迟0.39毫秒，代码和数据开源。
推荐理由：这篇解读把银河通用新模型的数据规模、架构选择和局限讲清楚，读者可以据此评估通用运动控制路线的进展。
韩国科技信息通信部6月9日在首尔举行物理AI领先技术研发项目启动报告会，计划2年内投入340亿韩元，联合LG电子等10家产学研机构自主开发韩国型世界模型及国产模拟器，目标是使机器人最终动作成功率比不使用世界模型时提升20个百分点以上，并计划1年8个月内实现MVP，在制造与物流现场实证。
推荐理由：韩国政府启动物理AI核心技术国产化项目，读者可从中了解其投入规模、目标指标与产学研分工安排。
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。
PKU EPIC Lab 发布 LIMMT（Less Is More for Motion Tracking），称是首个面向物理仿真人形运动追踪的数据中心研究。方法从物理可行性、多样性和复杂度三个维度定义动作数据质量，用不到 3% 的 AMASS 训练即可获得优于全量数据集的追踪表现，并清洗了网络来源 mocap 数据。论文已被 ICML 2026 接收，见 arXiv:2606.06953。
推荐理由：论文给出数据质量三维度框架和少量数据训练结果，对做humanoid运动追踪的研究者有方法参考。
1X 宣布正式成立 1X World Model Lab，专注大规模具身世界模型预训练，目标是加速实现完全自主的人形机器人。前 Luma AI 创始研究科学家 Sam Sinha 加入担任 Founding AI Researcher 和世界模型负责人。
推荐理由：1X 官方阐述了世界模型实验室的数据路线和全栈自研主张，读者可借此理解其通向自主人形的技术路径。
鹿明机器人完成数亿元A1及A2轮融资，A1轮由三菱电机领投、普华资本和吴中金控等跟投，A2轮三菱电机继续领投，恒生电子、海高集团、昆石投资等跟投。融资用于具身大模型研发和场景拓展，融资后公司现金储备达数亿元；其与三菱电机共创的柔性质检具身智能方案已在其中国工厂投入试用，自研的Lumos Nexcore物理AI引擎与无本体数采系统Lumos FastUMI Pro支撑工业场景落地和数据回流。
推荐理由：原文给出融资结构与产业方合作细节，读者可以了解其工业落地路径和数据采集技术布局。
Figure AI 展示两台搭载 Helix-02 的人形机器人在两分钟内协作整理卧室，完成开门、挂衣、收耳机、合书、倒垃圾、推椅子入桌和合作铺床。两台机器人运行同一个学习的视觉-语言-动作（VLA）策略，没有共享规划器、消息传递或中央协调器，各自通过自身摄像头从对方动作推断意图。公司称据其所知这是单个学习神经网络直接从像素到动作完成多人形协作移动操作的首次演示。
推荐理由：官方展示了同一 VLA 系统驱动的两台人形机器人协作整理卧室，读者可了解无共享规划器的多机协作实现思路。
逐际动力LimX Dynamics正式开源FluxVLA Engine，一个面向具身智能的标准化VLA工程底座，覆盖数据、训练、仿真评测到真机部署全流程。
推荐理由：逐际动力官方开源其VLA工程底座，读者可据此了解统一配置与真机部署流程如何降低研发门槛。
Figure宣布BotQ工厂已交付超过350台第三代人形机器人Figure 03，生产节拍从每天1台提升到每小时1台，120天内吞吐量提升24倍。产线由自研制造执行软件驱动，覆盖150多个联网工位，整机下线一次合格率超过80%，电池产线一次合格率99.3%，已生产9000多个执行器，每台机器人出厂前经过80多项功能验证测试。
推荐理由：官方给出量产与质检的具体数字，并说明车队规模如何支撑感知条件全身控制的落地。
灵初智能4月10日发布基于人类数据预训练的Psi-R2和Action-Conditioned World Model Psi-W0，并开源首批1000小时人类手部操作全模态数据集，总数据储备达10万小时。
推荐理由：原文给出两个新模型的分工机制和开源数据入口，读者可据此评估人类数据用于机器人训练的可行路径。
Skild AI 宣布收购 Zebra Technologies（前身为 Fetch Robotics）的机器人部门，计划将 Skild Brain 部署到仓储场景以自动化端到端履约流程。Zebra 的 Symmetry Fulfillment 调度平台已在物流环境中验证，可在机器人和一线工人间协调任务；公司称此次收购将加速其数据飞轮并扩展到更多垂直领域和机器人形态。
推荐理由：收购方自己说明了整合方向，读者可以据此判断其平台与通用模型将如何组合进入仓储场景。