具身图谱在图谱中把握具身智能三组进展指向同一件事：机器人系统要先能被验证和训练起来。世界模型开始提供可交互仿真，长程任务有了不改权重的补救路径，演示数据也多了可直接下载的采集件与轨迹产物。提醒是，生成得出来不等于诊断可信，落地前都要在自己的场景和硬件上实测。
要让医生/学员实时演练缝合、让策略做闭环评测，仿真环境必须能跟着动作即时变化。英伟达在 Hugging Face 公布的 Cosmos-H-Dreams 是实时、动作条件的生成式外科世界模型：输入一帧手术场景图像和一串机器人运动学动作后，模型自回归地按短块生成后续视频，人或已学习的策略能当场看到动作的后果。相比只做离线双向生成的教师模型，本次公开的权重是因果、少步、由双向教师蒸馏出的流式学生模型（模型卡称 causal, few-step self-forcing distilled student），把被动出片变成能即时响应动作的仿真器；检查点专门面向达芬奇研究套件（dVRK）桌面缝合任务。
展开阅读不少具身导航任务仍是一次性的：走完一段路就结束，遇到歧义不求助，走过的经验也留不下。这篇论文提出 EvoLife，把三件事收进同一个决策循环：怎么走、何时提问、留下什么经验。混合动作空间提供四种移动方式——走向候选航点、小步前进或转向微调、在图像上点选地面位置走过去、先用 RGB-D 定位物体再靠近；持久空间记忆把地点与描述、观测、历史图像和对话绑定成可复用的"地点记录"。
展开阅读视觉-语言-动作模型（VLA，把语言指令与当前观测直接映射为动作的策略）执行时不检查指令是否已完成：长程任务里一次抓取滑落，策略仍沿原轨迹继续，剩余步骤作废。作者指出这类失败回合常停在“部分完成”，未做完的步骤正是演示中反复出现的可复用原子技能，可以接续恢复。
展开阅读要让医生/学员实时演练缝合、让策略做闭环评测，仿真环境必须能跟着动作即时变化。英伟达在 Hugging Face 公布的 Cosmos-H-Dreams 是实时、动作条件的生成式外科世界模型：输入一帧手术场景图像和一串机器人运动学动作后，模型自回归地按短块生成后续视频，人或已学习的策略能当场看到动作的后果。相比只做离线双向生成的教师模型，本次公开的权重是因果、少步、由双向教师蒸馏出的流式学生模型（模型卡称 causal, few-step self-forcing distilled student），把被动出片变成能即时响应动作的仿真器；检查点专门面向达芬奇研究套件（dVRK）桌面缝合任务。
底座是 2B 参数的潜空间视频扩散 Transformer。教师模型从 Cosmos-H-Surgical-Simulator 的 Open-H 44D 检查点热启动后微调；学生模型沿用同一骨干，加入因果时序注意力掩码、流式 KV 缓存（复用注意力键值以免重算）和 CUDA Graph 捕获（把稳定态前向计算固化为图形），每轮前滚 12 帧、每个隐帧 2–4 步去噪。动作统一为 44 维向量，dVRK 检查点用 20 维双臂内容补零到 44 维；每个 12 帧输出块消耗 12 个动作步，有效控制频率 10 Hz，推荐分辨率 288×512。
厂商称实时交互服务已在单张 NVIDIA RTX PRO 6000 上验证，也能跑在 A100、H100 上；配套 GitHub 流式推理库含 torch.compile + CUDA Graphs 与键盘/Quest 服务栈。预训练用 Open-H 约 26,500+ 例手术演示（约 4.9 百万同步视频-运动学帧），后训练约 1 百万帧 dVRK 缝合数据，并保留失败片段。
2026-10-29 · arXiv · 作者论文提问以演进：EvoLife 面向终身具身导航的统一框架——混合动作空间与持久记忆不少具身导航任务仍是一次性的：走完一段路就结束，遇到歧义不求助，走过的经验也留不下。这篇论文提出 EvoLife，把三件事收进同一个决策循环：怎么走、何时提问、留下什么经验。混合动作空间提供四种移动方式——走向候选航点、小步前进或转向微调、在图像上点选地面位置走过去、先用 RGB-D 定位物体再靠近；持久空间记忆把地点与描述、观测、历史图像和对话绑定成可复用的"地点记录"。
作者在 Habitat 仿真中评测四类任务、八个基准，主实验用 GPT-6 Astra（ultra 推理档）同时扮演导航端与在线向导，上下文隔离：向导掌握位姿、目标位置与最短可通行路径，但只回传自然语言回答。四个导航基准上 SR 均为 100%；LHPR-VLN 整段序列 SR 98.0%，GOAT-Bench 整段成功率 94.0%。
消融最能说明机制：R2R 上无交互无记忆时 SR 86%、SPL 63.7%，加交互后 100%/82.2%，关闭交互、仅用首次访问留下的记忆回访时为 100%/93.3%。
前提也要讲清：向导是掌握答案的仿真模型；作者自陈决策时延与 API 成本限制长期真机应用；真机只有定性案例，如门被关上时主动请人开门再继续导航。均为作者自报，无独立复现。
对做机器人本体软件的工程师，可迁移之处在接口组织方式：把移动、求助、记忆做成同一决策循环里的可调用动作，把"地点记录"当作可持久化的数据对象跨任务保留并可修订，而不是每个任务从零开始。其消融量级可作参考——在 R2R 上交互把 SR 从 86% 拉到 100%，记忆回访再把 SPL 从 82.2% 提到 93.3%。这些均为作者论文自报结果，本次材料未包含独立复现。
限制主要有三点：仿真向导拥有目标位置、位姿和最短可通行路径等特权信息、只以自然语言回传，与真实人机问答的条件并不相同；作者自陈决策时延与 API 成本限制其用于长期真机任务；真机验证只有定性案例，成功率与消融数据全部来自仿真，本次材料未包含独立复现。此外，本次材料为 arXiv 的 HTML 全文快照，数值按快照中的正文与表格转写。
2026-10-25 · arXiv · 作者论文RoboDuo：通过代码为视觉-语言-动作模型实现尝试、检查与原子化恢复视觉-语言-动作模型（VLA，把语言指令与当前观测直接映射为动作的策略）执行时不检查指令是否已完成：长程任务里一次抓取滑落，策略仍沿原轨迹继续，剩余步骤作废。作者指出这类失败回合常停在“部分完成”，未做完的步骤正是演示中反复出现的可复用原子技能，可以接续恢复。
RoboDuo 用代码作编排接口：编码智能体在回合开始写出程序，先让冻结权重的全任务 VLA 尝试一次原指令，用 is_task_complete 判断是否完成；失败则把剩余步骤改写为原子指令，交给冻结的原子 VLA 执行，每步最多重试三次，控制权不交回全任务策略。原子 VLA、编码智能体和完成检查分别用同一套 LIBERO 演示构建的 LIBERO-Atomic、LIBERO-Code、LIBERO-Judge 训练。
LIBERO 四套件训练下，X-VLA 平均成功率 95.25%→96.40%，π0.5 97.25%→98.40%，增益集中在长程套件（87.4%→91.6%、93.6%→96.2%）；LIBERO-PRO 位置与任务扰动下，π0.5 平均成功率 32.05%→39.33%，Object-T 由 25.2% 升到 55.8%；真机双臂 AgileX Piper 摆水果三个布局，成功回合 11/30→16/30。
限制：模型冻结使方法补不出两者都不会的技能，收益受完成检查准确率约束；真机每布局仅 10 次试验，作者称为指示性而非结论性；LIBERO-PRO 作者行以 BDDL:language 条件化，与官方榜单的文件名提示协议不同，不可跨协议排名；数据均为作者自评，本次材料未含独立复现。
对机器人本体与控制栈工程师，RoboDuo 是一条“不动现有策略权重”的补救路线：把“尝试—判定—恢复”写成一段程序，让长程任务在一次滑落后仍可由原子技能收尾，而不是整回合作废。代价是要额外训练一个只吃短技能的原子 VLA 和一个完成检查模型，且原子指令必须落在演示数据已有的技能段内，因此这套数据资产与演示绑定；能回收多少，取决于基础策略原本已经会多少——论文也明确指出，它无法恢复两个策略都不会的技能，收益上限受完成检查准确率约束。
全部数字来自作者自评的仿真与真机实验：LIBERO-PRO 的作者行使用 BDDL:language 字段条件化，与官方排行榜的文件名提示协议不同，跨协议不能排名；表格上半部分为相关论文已发表数字、作者并未重跑；真机每布局仅 10 次试验，作者称其“指示性而非结论性”；两个 VLA 冻结使方法无法补出两者都不会的技能，收益受完成检查准确率限制；本次材料仅为该 arXiv 预印本的首个版本全文，未包含独立复现或后续版本。
用低成本机械臂做模仿学习，工程师要同时回答两个问题：选哪个策略、要录多少条示范。这篇论文在同一个真实任务上把两者拆开测：SO-101 机械臂配 LeRobot 库完成“抓绿球进篮子、桌上有两个红色干扰球”的任务，遥操作录 225 条示范，固定成 12/25/50/100/200 条嵌套子集，训练 ACT、Diffusion Policy、SmolVLA 与 π0.5；模型在 10 个固定摆放上各测一遍、单回合限 30 秒，共评出 1,340 个回合、126 个区块。
结果随数据量出现反转。数据稀缺时微调 π0.5 动作专家领先，12 条时 16/40、25 条时 28/40，之后停在 70% 上下；从 100 条起 ACT 反超，但作者称这领先幅度未被完全解决。ACT 从 12 条的 1/40 升到 100 条的 37/40、200 条的 35/40，每翻倍数据其成功几率约乘 3.9。
另外两个策略栽在“启动失败”上：SmolVLA 有 94/200 个回合机械臂没动起来，Diffusion Policy 在原始示范下 110 回合有 106 回合不动；剪掉示范开头的静止前导后降到 15/150。π0.5 两种微调方式差距更大：低秩适配（LoRA）4/110，只训动作专家 130/200，作者称配方比数据量更关键。
作者还从录像把每回合标到四级阶梯（启动、够到球、搬运、放入篮子），显示 ACT 的失败随数据从够不到球移到抓不稳再到消失；并测出同一权重重复测试两次平均相差 2.0 次成功（10 回合），说明十回合规模的对比区分力有限。
给机器人本体软件工程师几条可直接用的判据：示范只有几十条时优先微调预训练策略，且要训练动作专家而不是 LoRA；数据上百条时把从零训练的 ACT 当基线再决定要不要上大模型；遥操作演示开头若有一段静止，务必剪掉再训；评测时记住同一权重重复测十回合平均会差 2.0 次成功，别用十回合给两个模型下结论。
结论只覆盖一个任务、一条手臂、一个操作者，作者明确不主张结论可迁移到其他任务；训练步数固定使数据量与每帧被看次数绑定（200 条的模型每帧比 12 条少看约 17 倍），高数据端的平台期无法区分是能力上限还是欠训练；每格 40 回合的样本量有限，100 与 200 条处的领先幅度作者称未被完全解决；证据仅来自 arXiv v1 的 HTML 全文（预印本），材料中未见同行评审信息。
2026-10-29 · arXiv · 作者论文Tactus：面向自然灵巧操作数据采集的触觉与位姿感知手套训练机器人做灵巧操作，需要能同时给出接触力和手部位姿的真人演示数据。纯第一视角相机最不打扰自然动作，但在手物遮挡最重时正好拍不到手部位姿；外骨骼会限制手指动作；手套能同时给力与位姿，却一直缺标定好的指尖测力和抗遮挡跟踪。作者推出 Tactus——把传感器织进面料的左右手手套：47 处电容式测力点从指尖铺到掌心，16 个六轴 IMU（惯性测量单元，加速度计加陀螺仪，用于测关节角），指尖叠层厚 1.5 mm。
位姿用视觉与 IMU 融合：视觉给绝对位置和无漂移的全局基准，遮挡时靠 IMU 更新关节角。标定分两级：工厂级用气动腔体加成形膜，23 分钟一次标完 47 个测力点；每位被试佩戴当天再补一次在线标定。作者另提出两套协议：Protocol-Tactile（触觉法向力回归）与 Protocol-Pose（手部位姿估计），把 Tactus 与 PPS、JQ 两款商用触觉手套放在同一条件下比较，自称是首个可复现的定量跨平台比较。
在作者协议下，Tactus 最小可检测力 0.59 N（PPS 1.58 N、JQ 0.94 N），跨被试一致性 0.87；在线标定把全手套力回归的中位 RMSE 从 2.50–5.22 N 降到 1.46–1.82 N。位姿以动捕为真值，离线全序列优化后腕部对齐指尖误差 11.0 mm，纯视觉基线 17.1 mm。干涉度上，任务完成时间为裸手的 1.06 倍、成功率 100%、NASA TLX 主观负荷 2.97，同测的外骨骼为 5.23。滑移检测在单次划分上 F1=1.00。
对做机器人本体软件与数据管线的团队，最可复用的是那两套评测协议和标定流程：可用来给自研或采购的手套定标、横向比同一套条件下谁更准；也可先按完成时间比与 NASA TLX 判断戴手套录演示数据是否值得，再决定是否承担每次佩戴的在线标定成本。注意工厂级标定需要气动标定台与假手这类硬件，不是纯软件流程；在线标定仍需人参与逐次校正。
所有数字均出自作者自测的 arXiv 预印本，未见独立复现；两款商用基线是作者按自定协议测得，不等于厂商声明，也不能据此对其他协议下的结果做排名。各评测协议的被试人数都很少，结论不宜外推到更大人群。滑移结果被作者自称只是可行性，只用单次划分，并明确指出法向压力分布不能唯一确定剪切。位姿最佳数值来自离线全序列优化，实时模式的绝对误差改善有限。证据取自本次提供的 arXiv HTML 全文快照，arXiv 页面滚动更新，此后的修订无法反映。
这次更新的是 DAVIAN-Robotics 在 Hugging Face 上发布的 DiscoDemo 原始状态数据集（FMB-Round 版本）：一批生成式演示在仿真里的底层状态记录，下载即可使用，不必再跑生成器。
任务叫 FMB-Round——把圆柱形插销插入板上对应的孔；工位是以 real-to-sim（真实到仿真）方式搭起来的 Franka FR3 机械臂工作单元，仿真器为 Isaac Sim。数据不含相机图像，只有动作与状态：每个文件对应一个演示生成器，含 3,000 条成功且经安全过滤的轨迹；两个文件分别是 DiscoDemo 生成器（多样性权重 alpha = 0.3）与 P-RFCL 基线（alpha = 0），步数中位数/最大值为 110/397 与 69/373。
对做本体软件和模仿学习的开发者，用处有三层。可对齐：discodemo.h5 的 traj_<i> 即 Stage2 生成数据 FMB-Round 的第 i 个 episode，prfcl.h5 对应 -alpha0 版本，便于与已有数据合并分析。可直接消费：HDF5 文件、20 Hz 采样，动作是 8 维关节位置目标（第 7 关节带 -pi/4 偏置）加二值夹爪指令，状态给出 9 维关节位置与速度及 board、peg 的位姿与速度；末端位姿可用代码仓库中的 FR3 模型做前向运动学从 joint_pos 还原。可免跑生成器地分析：模型卡写明可直接做物体与末端轨迹分析、多样性与覆盖度分析。
限制：材料只有该数据集页的固定版本模型卡，只有论文链接（arXiv:2610.32093）而无正文，也无独立研究复现；页面未列出任务成功率或策略训练后性能；条目日期取自页面 lastModified，属滚动更新目录的更新记录，不能证明每句文字在报告截止前已存在。
价值在于把"演示生成"和"轨迹使用"解耦：开发者不必重启 Isaac Sim 里的生成器，就能直接拿到状态级数据，对同一批演示做物体与末端执行器轨迹分析、多样性与覆盖度分析，并用代码仓库中 FR3 模型的前向运动学把 joint_pos 还原为末端位姿。原始状态又与已发布的 Stage2 生成数据按序对应，可与图像等模态对齐合并处理。对数据工程和策略训练团队来说，这是一个可按 apache-2.0 下载取用的公开数据产物，而不只是论文里的一句描述。
只覆盖 FMB-Round 一个任务、单一 real-to-sim Franka FR3 工位下的两个生成器；模型卡未报告任务成功率、训练后策略性能或跨基准比较，本次材料内也没有独立研究复现，论文正文未包含在内。页面为抓取时的快照，条目时间戳取自 Hugging Face 的 lastModified（滚动更新目录的更新记录），只能反映抓取时刻的页面状态，不能证明各句文字在报告截止前已存在。
2026-10-24 · arXiv · 作者论文WorldFailBench：世界模型理解策略失败了吗？世界模型（预测给定动作后未来观测的生成式模型）正被用作机器人的策略评估器：让策略先在生成出来的环境里闭环跑一遍，再决定要不要上真机。但已有基准大多只比对结果，即策略在模型里是成功还是失败。结果一致不等于失败过程一致——参考执行抓衣物时把布掉了，生成的轨迹却去抓篮子，两者都算失败，这种错配会把"执行动作有问题"误诊成"任务规划有问题"，让改进方向指向错误的模块。
作者提出 WorldFailBench，把评估拆成三类：失败原因（复现可观察的错误类型，区分任务规划失败与动作执行失败）、失败阶段（失败是否集中在同一执行阶段）、失败边界（受控改动场景后能否复现从成功到失败的条件）。基准覆盖 LIBERO 单臂仿真（10 任务）、RoboTwin 双臂仿真（20 任务）与 G1 人形真机（2 任务），每个任务–策略组合采 50 条参考轨迹。
在 RoboTwin 上评测的七个世界模型（Ctrl-World、Cosmos-Predict-2.5、BWM、DreamDojo、GE-Sim 2.0、A2World、DW05）对规划与执行失败频率的平均绝对误差为 15.9–33.5 个百分点；成功率相关性最高的 DW05，阶段相关只有 0.052，七个模型的阶段相关落在 −0.123 至 0.095，而参考环境重复跑（Ref–Ref）的基线是 0.903。60 组边界配对中 95.2% 的模型响应低估参考成功率变化幅度；位置、朝向、尺寸三类改动下最好的方向判断率也只有 68.5%、59.0%、75.8%。
给策略评估与部署工程的用处很直接：想在真机回归测试之前用世界模型筛策略，可以先用这三类任务检查"生成的失败诊断是否可信"，把"成功率一致"和"失败诊断一致"分成两件事。论文给出的证据是七个世界模型在失败类型、失败阶段、失败边界三关上都明显落后于参考环境重复跑的水平，所以生成轨迹里的失败分布不能直接当作策略短板的证据；作者也指出，这类预测在用于指导进一步测试前仍需在参考环境中复核。代码与数据集由作者公开（GitHub 仓库与 Hugging Face 数据集），可自行复跑；但本次材料只有该 arXiv v1 预印本本身，结论应视为作者自述结果。
作者自述：评估只覆盖有限的策略、任务与边界条件；结果刻画的是含适配器与推理调度的完整世界模型系统，无法归因到单一架构；失败标签只描述可观察行为，不判定策略内部的因果原因。95.2% 这一比例来自 420 次共享配对的模型–配对比较，作者标注为描述性、非独立样本。主结果集中在 RoboTwin 仿真，LIBERO 与 G1 真机结果放在附录；G1 真机只有两个操作任务、六个世界模型，参考轨迹合计 400 条，远少于 RoboTwin 的 5,000 条。本次材料为 arXiv v1 预印本，不含第三方独立复现或厂商公告。
2026-10-23 · arXiv · 作者论文探测视觉语言模型的"碰撞接地"能力：TouchSafeBench 基准显示机器人撞场景比撞人更难被识别机器人与人同处一室时，安全监控要回答的不是"画面里有没有人"，而是机器人自身是否已撞上场景或人、是否即将撞上。作者把这种把视觉证据绑定到机器人本体几何、相机视角、场景布局与时序运动以推断接触的能力称为碰撞接地（collision grounding），并发布基准 TouchSafeBench：在 Habitat 3.0 中生成 2,940 个室内共处片段，同步记录多视角 RGB-D（彩色加深度）流与俯视轨迹图，接触标签取自仿真器状态。任务为当前状态判定与接触前预警；近距离未碰撞片段被算作安全类难负样本，误报率因此是一等指标。基准在作者项目页公开。
在 GPT-5.5、Gemini 3.1 Pro 与带机器人方向预训练的 Gemini Robotics-ER 1.6 上，当前状态分类最好 56.2 Macro-F1，碰撞预警最好 51.2，作者摘要给出的专家人类成绩约 74%。三个结论：深度图不会自动变成机器人本体的接触证据；撞场景比撞人更难（场景碰撞准确率 21.5%，场景碰撞预警 34.1%）；俯视轨迹图把误报率压到 34.0/28.0/6.0，却让当前状态识别变差，说明预警与接触识别需要的表示并不相同。
在真实机器人录像 THÖR-MAGNI 上用同一套提示词复核，GPT-5.5 当前状态识别接近随机（52.0%），12 段近碰撞负样本误报 10 段，100 段中没有虚构碰撞；作者据此认为失败出在感知而非渲染伪影。
对做机器人本体软件与部署的人，最可用的结论有三条。其一，VLM 的短板不在"看不清"而在"绑不准"，输入侧需要补上以机器人本体为中心的几何线索，例如本体坐标系标记、标定的相机到本体变换、机器人足迹叠加。其二，"识别当前是否接触"与"预警即将接触"要用不同的输入组合：俯视轨迹图压误报但会让当前接触识别变差，最好的预警分又来自彩色化深度的单视角输入，因此评测与调参必须按任务分开做。其三，误报与漏报要分开看，一个"从不报警"的监控器在这个基准上并不更安全——带机器人预训练的模型误报更低，却并没有更高的综合 F1。以上均为作者论文的评测结论与设计建议，材料中未见第三方独立复现，也不代表真实产品中的部署效果。
全部结论来自仿真：固定 Habitat 任务与人形外观、只评短片段而非闭环干预；采样本身不对称，场景碰撞样本只来自社交导航，150 段任务一场景接触片段中有 22 段同时含人接触；人类参考只有一位专家，且两种视角按固定顺序作答，其多视角增益与练习效应混淆；真实录像复核没有物理接触，相机戴在人头而非机器人身上，参与者刻意避开机器人，因此其误报率偏乐观。论文本身只做离线评测，提出的机制方向仍属后续工作。本次材料为 arXiv v2 全文快照，项目主页仅以链接形式出现，未包含其代码与数据内容，也未包含任何第三方独立复现结果。
2026-10-29 · arXiv · 作者论文RAIBO-Wagon：四足机器人拖挂拖车的实时导航系统四足机器人拖上拖车后，组合体成为欠驱动系统、占地更大、运动方向被车轮限制，在窄走廊和门洞这类受限空间里很难机动；以往基于显式四足—拖车动力学建模的轨迹优化计算代价高，只能短时域或预规划轨迹演示，难以实时自适应执行。
作者提出把条件流匹配（CFM）与模型预测路径积分（MPPI）结合、在学到的前向动力学模型（FDM）上滚动评估：离线用专家流程（先规划考虑拖车构型的路径，再用 MPPI 跟踪）蒸馏出 CFM 模型；运行时 CFM 生成 256 条候选指令序列，MPPI 再以高斯扰动迭代精炼、由 FDM 逐条评估——CFM 缓解 MPPI 的初始化问题，MPPI 又能把解推到 CFM 训练分布之外。系统全在机载 NUC 15 Pro 上运行，每个规划周期约 0.3 s。
真机在 15 m 赛道、40 次试验、八种地形（含行人与静态障碍）上成功率 85%，牵引总载荷最高 40 kg、接近自身体重；仿真中最难的 Slalom 与 Corridor 场景成功率是原始 MPPI 基线的两倍以上。失败分两类各三次：三次在建图——为免拖车被当成障碍而屏蔽激光后 180° 视场，急转弯时连真实障碍一起抹掉，机器人拖着拖车直接撞上；三次在局部规划，因送入模型的 2D 激光与训练时的完整瞬时扫描存在仿真到现实差距，非重复扫描会带进过期回波。
对做本体软件和导航栈的工程师，用处在于它把“拖挂让组合体动力学变复杂、可行指令集很窄”这一工程难题，落成一套可在机载算力上跑的分层方案：用生成模型给采样式 MPC 提供可行的初始指令，再用学到的动力学模型做在线评估与迭代精炼。文中还给出可直接对照的部署量级（全机载算力、每周期 0.3 s、256 条候选），以及一个反面教训——为免拖车变成点云里的障碍物而做的感知屏蔽，会在急转弯处连真实障碍一起删掉；在该组试验里，由屏蔽造成的直接碰撞比局部规划误差更严重。
作者自述：不适合需要在狭窄空间来回摆动以对齐拖车的任务；只做障碍避让，不含地形可通行性推理；CFM 与 FDM 只针对一款定制拖车训练。证据限于本篇 arXiv 预印本首个版本的正文、公式、表格与图注，本次材料未包含第三方复现或独立评测；结论以该固定版本为准，若作者修订需重新核对。文中成功率与对比数字均为作者自报，未与外部基线做跨协议比较，也未做跨平台、跨协议的通用能力外推。
2026-10-29 · arXiv · 作者论文UMI-Live：面向野外双臂机器人数据采集的全栈开源系统机器人学的新任务常靠人类先做示范。UMI（通用操作接口）让专家用手持夹爪示范，无需遥操作真机；但把这类示范当训练数据，仍需一致的硬件、标定与数据处理。UMI-Live 是作者提出的全栈开源双臂方案，硬件、软件、数据集与真机评测一并发布。
每只夹爪集成相机与 LiDAR–惯性传感、板载算力与存储、可拆卸电源，采集不需外部追踪设备或环境标定；一个按钮启停录制，片段录完自动上传服务器，后台并行做 SLAM（定位与建图）重建、钳口开度估计、校验与数据集准备，操作者可边录边等。作者重做夹爪机构，以带轴承支撑的扳机驱动扇形齿轮沿直线导轨开合，并在活动指座贴 ArUco 标记测开度。
论文规格：含电池单只 1.42 kg、宽 80 mm、续航 1.5 小时、一对 $1,930；传感为 RoboSense Airy 激光雷达（内置 IMU）、全局快门广角 USB 相机与树莓派 5，相机 800 × 600 像素、30 fps。真机验证在双 YAM 臂上把六个橙子放进碗里，六个全入碗才算成功，每条件十次试验：π0.5 在 95/5 与 90/10 混合微调下分别成功 9/10 与 10/10，MolmoAct2 在 75/25 下 8/10，其公开检查点为 0/10。发布约 40 小时、3,255 条双臂片段（放橙子、倒水、叠毛巾）；手持演示采自与评测不同的地点和光照，少量遥操作数据来自目标机器人与场景。
对做机器人本体软件与部署的工程师，UMI-Live 的价值在于把“人拿着夹爪在野外演示”到“机器人复现该动作”之间的中间环节做成公开可复现的工程件：采集不依赖现场机器人或外部追踪设备，录完自动产出可直接训练的数据集，采集与数据处理并行。要看清结果条件：成功数字来自“手持演示为主 + 少量目标机器人遥操作数据”的混合微调，而手持演示又采自与评测不同的地点和光照，因此它说明这类演示可以配合少量目标环境数据使用，不能据此推断纯手持数据就足以训出可部署的策略。
作者自述：设备仍需一次性相机与夹爪标定；LiDAR–惯性重建质量取决于场景几何与运动；集成传感、算力、存储与电源使单只质量增至 1.42 kg。机器人评测只覆盖一个任务、每条件十次试验、每条件一个训练随机种子，且没有纯 UMI 与纯遥操作对照，无法分离两路数据各自的贡献；轨迹精度、处理延迟与吞吐、长时间采集的操作效率，以及更多任务、随机种子与数据混合下的策略表现均未测量。表 1 中的质量、尺寸、续航与成本是论文给出的规格数值，本次材料中未见独立第三方复现或采购验证。本条依据作者论文自述（arXiv v1 全文与摘要）；arXiv 为滚动发布页，v1 内容可能在后续版本修订，结论以最终版本为准。
2026-10-25 · arXiv · 作者论文H2RBench：评估人类到机器人迁移的实到仿真基准机器人操作策略若走人机迁移（H2R，即用人类视频加少量机器人示教来训练机器人策略）这条路，横向比较一直很难：现有方法各用各的任务、场景和机器人示教量，方法差异与数据效率差异被混在一起，而真机评测又贵、耗时、难以大规模复现。这篇论文提出 H2RBench：把真实工作台重建为仿真环境，所有方法用同一批真实人类视频加仿真机器人示教训练，固定机器人示教量、只改变人类视频数量，以此回答“多给人类数据到底有没有用”。
基准含四个桌面操作任务：杯子放盘子、叠碗、甜甜圈插销钉、积木入盒；机器人示教固定为 40 或 100 条，人类示教最多用到 100 或 300 条。场景在 NVIDIA Isaac Lab 上重建，作者用 Marble 替代原 PolaRiS 流程生成网格与高斯泼溅表示。评测把任务拆成若干累积阶段，报告各阶段平均的任务推进度 Prog. 与末阶段成功率 SR，每组方法-任务配置跑 90 次随机 rollout、3 个种子。
作者报告 GHOST 跨任务最强且最稳定（拾取放置 Prog 91.1、SR 82.2，叠碗 88.9/76.7）。人类示教在拾取放置上稳定加分、叠碗有益，说明现有方法主要迁移高层空间意图；插入任务常常变差，积木入盒这类长序列操作收益有限，误差在重复交互中不断累积。
仿真排序基本能预测真机：机器人加最多人类示教时 Pearson r=0.894、Spearman ρ=0.851、逐任务 MMRV 均值 0.060，只用机器人示教时 r=0.971、ρ=0.940、MMRV=0.014；偏差集中在叠碗（该任务 MMRV 升到 0.171）。
对机器人本体软件开发者，这是一套把“哪种人机迁移方法、人类视频给多少”放进同一套可重复仿真实验的协议，也提示了一份“哪些行为能迁移、哪些不能”的清单——人类视频主要改善高层空间意图类行为，接触密集的插入等任务甚至会变差；不同方法随人类数据量变化的曲线差异又说明，加数据的收益强烈依赖任务结构和该方法跨越形态差异的策略。
证据身份：仅有一篇作者自评的 arXiv 预印本，全部数字均为作者自报，本次材料中未见第三方独立复现，也无独立来源交叉验证；基准只覆盖桌面刚性物体与四个任务，不含可变形物体、铰接物体和双臂协同；真实人类示教在受控第三人称机位采集，未含第一视角或野外视频；仿真重建的物理保真度有限，叠碗这类精确任务的仿真-真机一致性最弱；相关系数与 MMRV 只在四个方法、四个任务、每种训练条件下 16 个方法-任务组合上统计，样本量有限；所有方法均使用其原论文推荐的默认超参，并按需做最小改动以适配该基准的观测模态。
2026-10-25 · arXiv · 作者论文一次扫描就够：语言引导导航的无示范适配与真机验证把语言引导的导航策略部署进新楼，常先要看着它失败：公开基准上训练过的 VLA（视觉-语言-动作模型）会随布局、外观和用户措辞逐场景退化，现场遥操作补采轨迹又难以规模化。论文的问题是：机器人能否只凭一次被动扫描适配新场景，全程不提供人工示范轨迹？
做法分两层。Scan2Instruction 把一次简短的 iPhone 扫描编译成训练环境：取出高斯渲染的外观层和可查询的自由空间几何图，采样覆盖路线跟随、目标物体、功能性需求三类指令的可行回合，每回合规划避碰轨迹、渲染第一人称图像，再合成视觉落地且与规划路径对齐的指令；仍需一次人工场景标定，之后不再需要人工示范。PRPT-KS（已知场景中的帕累托效用强化后训练）从重建几何直接读出三维帕累托效用向量（路径进度、障碍安全、正确停止），复用为驱动策略梯度的标量投影、门控规划器接管的逐轴可接受性判据和对偏好对的支配加权，因而不需要学习型评论家、奖励模型或人工标签。
在办公室、小屋、教学楼和两套公寓五个真实环境上，适配后的 RealNav 真机成功率 85%，人工示范后训练的同一模型基线 49%；未扫描区域 82% 对 41%。仿真消融中场景后训练把成功率从 0.23 提到 0.85，去掉行为克隆锚定项降到 0.30；但去掉策略梯度或偏好加权后终点导航误差反而更低（1.31 m、1.32 m 对 1.42 m），收益并不均匀。成功率按 1.5 m 判定半径统计；SPL、NE（终点导航误差）、OS（oracle 成功率）需真值路径与位姿，真机端不可靠，只在消融中报告。
对机器人本体软件开发者，最实用的变化是把「进入一个新场地」的前置成本从逐场景遥操作采数据，换成一次扫描加一次人工标定：同一份重建几何在流程里承担三件事——生成训练回合、提供后训练用的效用信号、以及在动作被判不安全或进度倒退时由规划器接管。可照搬的是这条「扫描—标定—后训练」的分工与几何兜底思路，而不是他们的模型或数字；换用自家策略与本体仍需自行复现，本文数字是在作者自己的五个室内场景和自有机器人上、按 1.5 m 判定半径得到的。
证据是本次材料中的 arXiv 预印本全文，结论全部出自作者一方，无同行评审与独立复现，材料本身是该论文的 HTML 快照、表格被拉平为文本。结论只在五个室内场景（办公室、小屋、教学楼、两套公寓）与作者自有机器人这一设置上成立，不构成跨平台或通用能力的结论：成功率按 1.5 m 判定半径统计；训练与评测回合虽分开采样，但同一扫描场景内的路径与区域不保证互斥；未扫描区域评测每场景 20 次真机试验、合计 100 次，样本量有限；消融显示终点导航误差并未随成功率同步改善。扫描仍需人工操作者，且每个场景只扫一次，布局大幅变化后几何会过期、需要重新扫描。
2026-10-24 · arXiv · 作者论文MimicAll：面向跨人形机器人全身动作跟踪的结构化本体条件化全身动作跟踪策略通常只针对一副本体训练，跨身体复用时结构、形态和动力学都不同。《MimicAll：面向跨人形机器人全身动作跟踪的结构化本体条件化》把"执行动作的是哪副身体"写成显式本体描述符（含结构、形态与动力学），编码成全局条件与关节对齐条件，与观测历史、经重定向（映射到该机体关节）后的参考动作一起输入同一策略，输出关节目标偏移；各机器人原生关节绑定到 38 个语义槽位（统一的关节编号位），缺失关节用掩码屏蔽，不同家族因此可共用一套参数。训练侧由物理一致随机化生成 16 个家族的 4,096 个机体变体，参考库留在主机内存、只把活动窗口搬入 GPU。30 秒成功率上，Graph+Concat 在 100STYLE 已见家族三档为 97.1/92.3/91.9%，掩码对照为 93.8/90.0/86.6%；共享策略在 24 个随机化 G1 上把单机体专用策略的 42.9% 提到 99.4%；只换条件输入的配对干预显示，错配身体条件会把 61.7% 降到 47.0%。局限：结果全部来自仿真，未见机器人家族迁移成功率不超过 8.2%，固定预算对比每个配置只训练一次，真机验证被列为后续工作。
对做本体软件和全身控制策略的工程师，最值得借鉴的是把目标机体的结构、形态、动力学写成显式描述符，作为条件与观测一起送进共享策略，从而用一套参数覆盖多副身体；条件化方式可按目标取舍——论文里自注意力取得最低的全局位置误差，而简单拼接就足以改善动作完成率。工程上，参考库留在主机内存、只把活动的时间窗搬到 GPU，使显存占用不再随完整参考库增长，上千机体变体也能共用同一套训练流程。需要清醒认识的是：本文结论全部来自仿真，换到未见机器人家族会明显失效，真机与安全验证要自行补齐。
全部实验为仿真，未做真机验证；跨到未见机器人家族时迁移明显不足（LAFAN1 30 秒成功率不超过 8.2%，同场景整体描述符重建 R² 降至 0.377/0.344）；固定预算的主对比每个配置只训练一次（seed 42），配对干预的 95% 区间是按机体聚类给出的；本报告不做跨协议排名，也不把外部方法的成绩与本文方法直接并列比较。原文取自 arXiv 的 HTML 快照，图中曲线数值未在正文文本中给出。
2026-10-28 · arXiv · 作者论文METATRON：面向人形机器人的可提示全身执行层人形机器人控制器通常按任务分开训练：行走、操作、跌倒起身、柔顺交互各有一套策略，能力重复、模式切换还需额外工程。这篇论文把"动作达成什么"与"身体如何协调"拆开——通用全身策略做协调执行层，任务逻辑交给技能层：用普通代码在每个控制步写出"提示"，提示只给部分目标，策略把粗略几何草图变成协调动作；技能规则可由编码智能体分析动作数据、拟合后迭代，新任务不再训练策略。
训练分两段：先用强化学习训练稠密动作跟踪专家，再做掩码式在策略蒸馏，把专家压成接受稀疏提示的生成策略，训练后冻结。真机上身体位姿由正运动学从关节与 IMU 重建，不依赖外部动捕；改用世界坐标目标还需额外定位。
对比在仿真里做：54 个目标的全身伸手中 Metatron 到达率 83%，ARDY+SONIC 39%、GRU+IK+SONIC 28%、GRU+SONIC 0%，到达者的手臂精度接近。躯干 100 ms 力脉冲下（8 s 后保持直立才算成功），两条参考跟踪流水线在 800 N 及以上成功率为 0，600 N 时仍有 17%/25%；Metatron 为 100/100/62/75/75（200–1000 N），600–1000 N 非单调，论文也未把差异归因到单一设计。消融中去掉起身数据或潜变量辅助损失都会掉点，600–800 N 下各方法成功率都低于 10%。真机演示用同一份冻结权重切换行走、起身、遥操作取物、坐上沙发等模式。
对机器人本体软件程序员，这是把"加新任务"从训练问题变成写提示与状态机代码的问题：同一份冻结权重靠改代码复用已学到的运动能力，技能规则还能交给编码智能体去分析动作数据、拟合与迭代。论文的分工也很清楚：执行层负责把粗略目标变成平衡与关节动作，"选目标、长时间规划"仍留在上层任务系统。
证据只有作者论文本身（arXiv v1 全文快照），没有独立复现。目标选择与长时程规划仍由外部任务系统负责：G1 是被放到椅子或沙发旁并给出附近物体提示，自主接近后坐下并未演示。硬件只有演示级证据，没有跨初始条件与工况的重复试验，因此起身可靠性、步态稳定性、接触安全与失效模式都尚未量化。仿真对比中 Metatron 那一路未使用合成起身数据，而真机演示用的四专家策略含起身训练，两者不是同一个模型。表 II 的成功判据是 8 s 后保持直立；强扰动下各方法在 600–800 N 的成功率都低于 10%。消融里的 MaskedMimic+、HOVER+ 是作者按其专家、训练管线、动捕语料与算力改写的适配基线，网络显著大于原方法实现，不代表原方法的原样复现。
对接机器人本体或策略软件时，接口是明确的：给一帧上下文图像加一条 44 维动作流，服务每 12 个动作步回传 12 帧画面；人可以拿键盘或 Meta Quest 头显手动驱动，也可以让 GR00T-H 一类外科策略在同一个服务里闭环跑评测与演练。少步蒸馏、流式 KV 缓存与 CUDA Graph 捕获已被封装成公开的流式推理库，对其他动作条件世界模型如何改造成实时、可交互的仿真器有参考价值。但这些效果目前只有英伟达自述，落地前仍需在自己的场景、动作空间和硬件上实测。
限制：全部信息来自英伟达模型卡自述，属厂商声明；卡片只给出“能实时生成物理上合理的手术视频”这类定性说法，未公布帧率、延迟、画质或闭环成功率等量化指标，本次材料中也没有第三方复现。仅测试过 BF16（脑浮点 16 位）精度，FP16、FP32 等不受官方支持；权重仅面向 dVRK 桌面缝合一种场景。网页为抓取时的快照，卡片已把用户指向更新的 Cosmos3-H-Dreams 版本，故上述描述对应较早一版公开权重。