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。
74 条精选近 30 天 14 条共收录 222 条
Skild AI 宣布与 ABB Robotics、Teradyne 旗下 Universal Robots 和 MiR 合作，将通用模型 Skild Brain 集成到工业机器人中，无需逐任务编程，通过少量任务数据做 post-training 微调。
推荐理由：Skild AI 自述与 ABB、UR、NVIDIA 的合作部署方式与装配任务细节，读者可了解其通用模型如何进入产线。
RoboForce 宣布获得 5200 万美元超额认购融资，累计融资达 6700 万美元，本轮由 YZi Labs 领投，Jerry Yang 参投。新资金将用于加速下一代机器人基础模型、扩展通用 Physical AI 机器人，并推进面向商业部署的制造准备。
推荐理由：融资公告同时交代了资金用途和与NVIDIA的技术栈合作，读者可以据此了解这家公司下一阶段的落地路径。
Physical Intelligence 提出名为 Multi-scale Embodied Memory（MEM）的方法，为视觉-语言-动作模型（VLA）同时提供短期与长期记忆，使模型能完成最长 15 分钟的任务，如清理整个厨房或从头做烤奶酪三明治。
推荐理由：文章把长时程任务的瓶颈定位到记忆机制，并给出短期存视频、长期存语言的双尺度设计，思路可迁移。
Physical Intelligence 在博文中提出机器人需要一个可复用的物理智能层，并公布了合作方 Weave 与 Ultra 使用 π 0.6 的真实部署数据。
推荐理由：两家部署方给出了自主率、漏抓与吞吐量等对照数据，便于判断基础模型迭代在真实场景中带来的实际收益。
Figure AI发布Helix 02，将控制从上半身扩展到整个人形机器人，实现连续的移动与操作一体化自主任务。新增System 0全身控制器，基于超过1000小时人体动作数据与仿真强化学习训练，以10M参数网络在1kHz输出关节指令，替换约109504行手写C++代码；System 1连接头部的视觉、掌部相机、指尖触觉与本体感知，以200Hz输出全身关节目标。
推荐理由：原文给出Helix 02的架构分层、训练数据与演示任务细节，读者可以据此了解全身自主控制的具体实现路线。
Skild AI 宣布完成 14 亿美元 C 轮融资，由 SoftBank 领投，NVentures（NVIDIA）、麦格理资本、Jeff Bezos 等参与，估值超 140 亿美元。
推荐理由：官方披露融资规模、估值和收入数据，读者可据此了解这家通用机器人模型公司的商业化进展。
Physical Intelligence 通过微调其最新的 π 0.6 模型，在 Benjie Holson 提出的 Robot Olympics 五类日常操作挑战中，3 类给出金牌任务的初步解、其余 2 类达到银牌，平均成功率 52%、任务进度 72%。
推荐理由：用同一组外部提出的日常操作任务对比有无机器人预训练的差距，读者可据此判断基础模型预训练对操作技能的实际价值。
Physical Intelligence 研究发现，在只有人类演示出现的泛化场景中，仅将人类第一视角视频与机器人数据混合微调 π0.5，就能让策略性能提升约 2 倍，全程没有使用任何显式的迁移学习机制。
推荐理由：实验显示仅把人类视频混入微调就能让策略在纯人类演示场景上提升约2倍，且该能力随预训练机器人数据规模增长而出现。
Physical Intelligence 发布 VLA 模型 π*0.6，用其 Recap（RL with Experience & Corrections via Advantage-conditioned Policies）方法训练后，在部分最难任务上吞吐量提升一倍以上，失败率可降至原来的一半或更低。
推荐理由：原文解释了模仿学习下VLA复合错误的成因，并给出用专家纠错与自主经验做强化学习的训练路线。
南方科技大学CLEAR Lab、逐际动力与香港大学合作的论文《Generative Visual Foresight Meets Task-Agnostic Pose Estimation in Robotic Table-top Manipulation》入选CoRL 2025。
推荐理由：这项研究给出了从人类视频学习操作的具体技术路线和实验数字，可帮助读者了解视频数据训练机器人操作的可行路径。
Figure 宣布 Project Go-Big 两项进展：与 Brookfield 合作构建大规模人形预训练数据集，后者拥有超 10 万套住宅、5 亿平方英尺商业办公和 1.6 亿平方英尺物流空间；Helix 在 100% 第一视角人类视频上训练后，无需任何机器人示教即可响应 go to the fridge 等自然语言指令，在杂乱真实家居环境中导航。
推荐理由：原文给出Helix仅用人类视频学会导航的训练方式与Brookfield数据合作的规模细节，可了解人形预训练数据路线的实际进展。
Figure AI 的 VLA 模型 Helix 全自主完成叠毛巾，称是多指人形机器人用端到端神经网络完成该任务的首例。架构与训练超参数不变、仅新增数据集，可从混合毛巾堆取物、按初始形态调整折叠策略、纠正多抓错误，并用拇指描边、捏角等精细动作解开缠绕毛巾。
推荐理由：同一模型不加架构改动仅靠新增数据完成叠毛巾任务，展示了从物流到柔性物体操作的泛化路径。
Figure AI 发布 Helix 在物流环境部署三个月后的能力进展，单件处理时间从约 5.0 秒降至 4.05 秒，条码扫描成功率从约 70% 提升至约 95%，并新增处理 poly 袋、扁平信封等柔性包裹的能力。
推荐理由：原文给出数据规模与各架构模块的消融实验细节，读者可以据此理解物流性能提升的具体来源。
Figure AI 发布端到端强化学习步行控制器，让 Figure 02 人形机器人在仿真中通过奖励模仿人类参考轨迹学会带脚跟触地、脚尖蹬地和摆臂的类人步态。训练在 GPU 加速物理仿真中并行进行数千台机器人，数小时收集数年仿真数据，结合域随机化与 kHz 级扭矩反馈控制实现零样本迁移到实机，10 台 Figure 02 运行同一神经网络无需单独调整。
推荐理由：原文给出 Figure 02 用强化学习实现类人步行的训练方法和仿真到现实迁移细节，可了解其技术路线。