机器人周报 · 2026 年第 45 周 · 11.02 — 11.08
ROBOHOT
本周具身智能模型密集更新，英伟达VFlash以并行解码替代逐token生成，机器人动作解码最高提速12倍。行业层面，中国监管机构阻止软银以53.75亿美元收购ABB机器人业务，Walmart与Symbotic扩大协议并承诺约60亿美元初始投入。研究侧则聚焦数据与仿真，PrimeSim、HALO等用大规模示教与合成数据推动通用世界模型和零样本实机迁移。
模型发布/更新
本版导读本周多家机构推出世界动作模型与全身控制模型，覆盖导航、移动操作与灵巧操作，并强调开源与技术报告公开。
英伟达发布VFlash视觉规划解码框架，机器人动作解码最高提速12倍
英伟达发布面向快速视觉规划的通用解码框架VFlash，用并行解码完整视觉基元替代逐token生成坐标，可一次预测机器人抓取位置和运动轨迹。在H100批量大小为1条件下单次生成速度约提升25倍，四组MolmoSpaces任务中世界动作模型平均成功率70.2%，基线为62.6%。Jim Fan转发称最高实现12倍动作解码加速、5.1倍整体机器人推理加速，3D轨迹误差最多降低61%。
LiberAI 发布世界动作模型 Liber-0，并公开技术报告与在线模拟器
刘松铭创立的 LiberAI 发布新一代世界动作模型 Liber-0，采用语言、视觉、动作三专家流与 Multimodal Attention 联合预测未来画面和动作。
飞捷科思与复旦提出 Fysiverse-UniWAM 统一世界动作模型，24 项真机测试导航与移动操作双第一
飞捷科思（Fysics AI）联合复旦大学 CITLab 提出统一世界动作模型 Fysiverse-UniWAM，用一个模型贯通自主导航、移动操作与固定工位灵巧操作。
源策未来发布人形机器人全身控制模型 Anchor 1
源策未来发布全身控制模型 Anchor 1，定位为全身智能架构中的 System 0 小脑层，以骨盆、左右手腕、左右脚踝五个锚点为指令，不依赖在线重定向。
蚂蚁灵波具身大脑全栈2.0亮相乌镇峰会，在药房窄道完成自主取药
蚂蚁灵波开源的具身大脑全栈2.0在2026年世界互联网大会乌镇峰会展出，机器人在80厘米宽的药房通道内完成接单、识别药品与分拣交付，同方案已在上海国大药房多家门店常态化运转。
行业动态
本版导读资本与供应链动作频繁，Agility Robotics即将通过SPAC挂牌，绿的谐波人形减速器订单增至40万台。
人形机器人的第一份公账：Agility Robotics 上市前夜的深度解析
Agility Robotics 将通过 SPAC 于 11 月 5 日在纳斯达克挂牌，代码 AGLT，投前估值 25 亿美元，2025 年确认营收仅 178.2 万美元，其中约 63.5% 来自关联方。
Robotics 24/711.03Walmart与Symbotic扩大商业协议，为25个美国区域配送中心增加自动化能力
Walmart与Symbotic宣布扩大商业协议，将为25个美国区域配送中心带来更多自动化能力，并支持Walmart全球供应链网络的更多机会。协议包含约60亿美元的初始投入承诺，覆盖多个地点、为期数年的工作。Symbotic称其BreakPack单件拣选方案和SymMicro微履约平台等集成技术由AI软件支撑，用于调度和优化每天数百万箱货物的流转。
绿的谐波前三季营收增45%，人形减速器订单达40万台
绿的谐波2026年前三季度营收5.91亿元、同比增长45.30%，归母净利润1.22亿元、同比增长30.33%，人形相关减速器订单从上年约10万台增至40万台。公司谐波减速器年产能已达100万台、年底目标150万台，但上半年毛利率32.26%、同比下降2.51个百分点，新产线调试与多型号小批量生产正在压低盈利。文章还对比了中大力德、环动科技、来福谐波等国产厂商的追赶节奏。
论文研究
本版导读研究集中在大规模数据集与仿真训练，触觉数据集、人类视频运动数据及闭环仿真实测成为本周重点。
PrimeSim：基于大规模跨本体示教的通用世界模型模拟器
研究团队提出动作条件多视角世界模型模拟器 PrimeSim，在覆盖 22 个平台、30110 小时机器人示教数据上做中期训练，并公开模型权重、推理代码和训练代码。
众擎与北大发布PyRUA-REAL：真机自进化在RoboDojo达84.42%
众擎机器人与北京大学研究团队联合发布论文PyRUA-REAL，在基础模型参数冻结的设置下，通过研究者与工程师两个编程智能体反复探索、诊断和改代码，把有效做法沉淀为技能与记忆。
arXiv cs.RO11.05HALO：从仿真合成数据训练的人形机器人自主系统实现零样本实机迁移
研究团队提出人形机器人自主系统 HALO，通过在约一千个程序化生成的家庭场景中合成视觉-语言-动作数据，摆脱对遥操作采集的依赖。HALO 习得坐椅子、导航到指定物体、侧身穿半开门、蹲爬桌下和推箱子等技能，并能组合完成长程任务。训练中未见过真实家庭场景，HALO 零样本迁移到物理世界，在六个未建图真实环境的 360 次试验中达到 91% 成功率。
arXiv cs.RO11.02Movens-Zero：用大规模人类视频扩展人形运动基础模型
研究团队提出 Movens-Zero 可扩展的理解-生成-执行架构，支持文本、语音、音乐和视频输入下的实时闭环人形运动生成。其配套数据集 Movens-5M 从互联网视频经片段生成、质量过滤、语义标注、运动恢复与人形重定向物理精炼构建，含 1500 万条人类运动序列和 500 万条可物理执行的人形运动序列，总时长超 1 万小时。
arXiv cs.RO11.02TacClaw-Infinity：面向灵巧操作的大规模视觉-触觉-语言-动作数据集
研究团队发布 TacClaw-Infinity 大规模结构化视觉-触觉-语言-动作（VTLA）数据集，用于接触密集型操作，规模超过 10000 小时、100 万条 episode、10 亿帧，覆盖 1000 多种任务类型。
arXiv cs.RO11.05cuRoboV2-Fast：面向扭矩受限无碰撞运动的 GPU 加速规划器
作者提出 GPU 加速规划器 cuRoboV2-Fast，用于无碰撞、载荷感知且扭矩受限的运动，通过 B 样条轨迹优化减少迭代次数，并用 TimeOpt 在速度、加速度、加加速度和扭矩约束下优化固定路径的通行速度。
Any3R开源：一个模型统一处理针孔、鱼眼与全景相机的三维重建与位姿估计
南达科他州立大学等机构提出Any3R，用稠密射线场描述任意中心相机，一次前向即可从混合相机图像重建三维点云并估计位姿。该方法以角度坐标替换旋转位置编码的行列号，并用立体角对像素损失加权，使一套权重覆盖针孔、超180°鱼眼和360°全景。在13种中心相机、3个数据集的基准上，其重建精度与位姿精度均领先，推理代码、13种相机模型和权重已开源。
Northwestern、CMU等提出WOVEN：用2k样本跨领域提升22项基准并给出训练配方
Northwestern、CMU、UNC Chapel Hill 和 Amazon 的团队在论文《WOVEN: Weaving Visual World Modeling into Multimodal LLMs》中把世界建模定义为状态转移 p(s′|s,a) 的估计，并构建了 36K 道题的 WOVEN 训练与测评基座。
北大董豪团队提出One Scan is Enough：一次扫描完成具身导航后训练
北京大学董豪团队公布论文《One Scan is Enough》，用带激光雷达的iPhone扫描一次目标环境，自动生成导航任务并利用重建场景几何信息做强化后训练，无需人工遥操作示范。
RoboTryOn：用虚拟试穿将人类视频合成为灵巧机器人演示
RoboTryOn 提出把人类到机器人的转换视为虚拟试穿，保留演示动作、将人替换为参考图指定的目标机器人，并保持任务、物体和背景不变。方法自回归转换关键帧引导视频合成，运动以人手骨架为条件，再用融合深度特征的逆动力学模型（IDM）从合成视频推断动作标签用于策略学习。
GE-Sim 2.0 与 π0.5 闭环仿真实测：VLA 训练为何出现奖励作弊
Xbotics 具身智能实验室用智元 GE-Sim 2.0 世界模型与 OpenPI π0.5 策略搭建闭环仿真流水线，实测世界模型生成约 4.33 帧/秒、纯策略闭环约 3.20 帧/秒、接入 MiMo 在线判分后降至约 0.88 帧/秒。