提出切空间不变Koopman控制,保证机器人闭环稳定
CMU 研究者 Abuduweili 与 Changliu Liu 指出,Koopman 控制器能稳定学到的潜空间线性模型,却未必能稳定真实非线性系统。他们提出切空间不变 Koopman(TIK):从离线数据估计局部线性化并强制一阶匹配,在目标点恢复拟合的 LQR 增益,并用双线性预测器捕捉大幅机动中状态相关的驱动。
CMU 研究者 Abuduweili 与 Changliu Liu 指出,Koopman 控制器能稳定学到的潜空间线性模型,却未必能稳定真实非线性系统。他们提出切空间不变 Koopman(TIK):从离线数据估计局部线性化并强制一阶匹配,在目标点恢复拟合的 LQR 增益,并用双线性预测器捕捉大幅机动中状态相关的驱动。
Google DeepMind 发布升级版视觉语言动作(VLA)模型 Gemini Robotics 2.5,面向工业与日常场景,宣称扩展了机器人可执行的任务范围,并提升灵巧度、可靠性与安全性。该模型已在多项任务上完成评测,具体数字未在原文披露。
美国无人机配送公司 Zipline 宣布完成 15 亿美元融资,投后估值达 215 亿美元,由 Paradigm、WCM Investment Management 与 Layer Global 领投,Uber、Fidelity、Tiger Global、摩根大通、ARK Invest 等跟投。
Yufan Deng 等发布 CISyn 数据集:用物理仿真驱动 SMPL-X 人体互撞并经 Blender 渲染,自动生成近距离人-人交互的接触、互遮挡与姿态缠绕,无需人工标注,含 2.5 万条带精确三维标注序列。作者另提出不确定性感知损失,使模型能从严重遮挡样本中有效学习,用于增强现有 HMR 训练。
Haoze Dong、Meng Guo等提出通道聚焦的分层多机器人导航框架:将通道诱导的凸集图用于按优先级排序的软全局协调,配合路线受限的连续时空规划惩罚时间冲突,再由模型预测路径积分控制器在线避碰,并用自适应跟踪与选择性重规划吸收执行偏差。在4类环境、5至30台机器人共1200个场景中取得接近100%的成功率。
MIT 团队发布超声腕带:贴合手腕采集肌肉与肌腱超声图像,用 AI 算法实时解算五指与手掌位姿,无线驱动机械手同步动作,演示了弹钢琴、投篮及 VR 物体操控。研究者正扩大不同手型用户的数据采集,计划构建手部动作数据集用于人形机器人灵巧操作训练。成果发表于《Nature Electronics》。
研究者提出一种动作条件视频预测的交互式世界模拟器,不含物理引擎,仅在像素空间预测未来帧。在T形推物、绳索穿夹、抓取杯子和清扫堆积四类操作任务上,该模拟器仅依靠交互数据学习;在单张RTX 4090上,它以15 FPS连续交互超过10分钟,画面稳定且物理合理,可用于生成训练演示,并在相同条件下评测策略。
由前OpenAI科学负责人创办的Warp Science正式亮相,目标是让机器人自动化湿实验室工作。其方案是让公司的人类化学家佩戴摄像头和传感器手套执行实验,采集示范数据,再用这些数据训练机器人完成多种实验室任务。
Serve Robotics在第三季度财报中宣布成立新业务线Physical AI Services,向客户开放其连接性与数据工具,目标成为机器人领域的“AWS”。公司未披露该业务的具体客户、定价与收入目标,现有配送机器人网络或成为其基础设施入口。
德克萨斯农工大学团队历时五年研制出直径1.8米、重150公斤的充气球形机器人RoboBall,已在得州采石场完成滚越岩石、砾石与湿黏土的初步测试。设计源自前NASA工程师2003年构想:球体不会翻倒,还能隔离月面极端温差与尖锐岩石。
澳大利亚昆士兰大学 Biorobotics Lab 将电极植入体重约40克的世界最重蟑螂巨大穴居蟑螂的触角与尾须,用手柄无线控制其转向、前进与停止,并让它背负无线摄像头或弹簧注射器,靠内部化学反应产生二氧化碳加压完成药物注射。该“Paraborg”可负载超过自身体重一半,设计上以摄像与注射分工组队。
意大利理工学院机器人学副主任 Barbara Mazzolai 在《Nature Machine Intelligence》发表宣言,倡议建立“可持续性机器人”这一新研究领域。她主张把可持续性作为机器人设计的核心要素,降低技术对环境的足迹,并延续其章鱼、植物根系、种子等仿生机器人路线,重新思考自然、人类与技术的关系。
10月11日,NASA毅力号火星车累计行驶45.22公里,超过机遇号保持的45.16公里火星车纪录。JPL自动驾驶软件负责人Mark Maimone在访谈中表示,毅力号配备强化车轮与持续升级的自主导航软件,可在2.25亿公里外自主规划路线、规避障碍,无需等待地面指令,显著提升每日行驶效率。
作者Yashwanth Kumar Nakka提出收缩认证采样模型预测控制CS-MPC,在每次采样滚动中嵌入收缩认证跟踪反馈以集中采样,并用分位数收紧的离散控制屏障函数在线校验输入。作者给出非线性收缩验证流程,证明有限样本随机稳定性与任务级概率安全保证,并在漫游车、四旋翼和小行星着陆仿真中验证。
研究团队提出 Ego2Flow 闭环基准,用于评估端到端自动驾驶在城市交通中的系统性影响,而现有评测大多只关注自车安全与任务完成度。为支撑长时闭环仿真,他们设计智能体引导的地图蒸馏框架,融合真实地图与观测,通过迭代反馈与交通信息图保留车道拓扑、关键道路几何和与决策相关的视觉条件,从真实城市生成可交互三维场景。
Christopher Malili 等揭示模仿策略会折扣含噪的物体位置读数:机器人自身状态构成“本体感知锚点”,策略按 α=V/(V+s²) 融合,V 为锚点误差方差,由学习器决定且远小于线性模型估计,故经典 EIV 回归高估 α。
Samani与Atkeson的综述提出,自主系统应随LLM表现证据积累动态调整对其依赖:按LLM承担的角色估计可靠性,再用决策理论、估计和在线学习等经典方法决定何时采纳其规划、预测或判断。文章未报告量化结果,但为具身系统安全使用LLM提供了可操作框架。
研究团队提出CT-SGAL-LIO,不修改原SGal(3)离散估计器,只在其投影后的后验位姿流上做连续时间精化:在有界窗口内拟合三次轨迹,平滑传播与校正交替造成的短时抖动。由于无需从原始LiDAR与惯性数据重建轨迹,避免了额外优化导致的更新延迟,在快速旋转和加速下更稳健,可作为即插即用模块。
多机构研究团队对基于高斯过程的信息路径规划(IPP)进行理论分析,评估概率与确定性重建误差界,证明预测方差是GP-IPP理论上最理想的优化目标,并分析GreedyCover算法在优化预测方差时的近似质量,为IPP提供误差界与算法基准的理论基础。
日本东北大学团队提出注意力感知导航框架,利用3D骨骼特征与随机森林分类器实时判别行人是否在看手机,并对分心行人动态扩大代价地图安全裕度以主动避让。12名参与者、252次试验的用户实验显示,该方法在通行平滑度(p=0.003)与可预测性(p=0.034)上显著优于仅用激光雷达基线和仅做轨迹预测的方法,且通行时间未增加。