AHEADance:面向流式音频的人形机器人舞蹈生成
Tianhu Peng等人提出AHEADance,一种可在人形机器人上由全身跟踪器执行的流式舞蹈生成器。ListenAhead用冻结音乐模型预测未来音乐并与目标时间对齐,结合已听音乐生成动作块;Commit Forcing从模型已提交动作块训练延续,将低活动比例从83.5%降至10.3%,接近真实舞蹈水平,并提升节拍同步性。
Tianhu Peng等人提出AHEADance,一种可在人形机器人上由全身跟踪器执行的流式舞蹈生成器。ListenAhead用冻结音乐模型预测未来音乐并与目标时间对齐,结合已听音乐生成动作块;Commit Forcing从模型已提交动作块训练延续,将低活动比例从83.5%降至10.3%,接近真实舞蹈水平,并提升节拍同步性。
研究团队发布触觉基础模型 LingBot-Touch,首次在压阻、磁性与视觉触觉三类商用传感器上建立统一表征,并可扩展至新传感器类型。其输出的触觉 token 即插即用,可直接嵌入策略模型,使具身模型无需依赖单一传感器的物理特性即可利用异构触觉数据,面向接触丰富的灵巧操作任务。
国际机器人联合会《世界机器人2026》报告显示,2025年全球工厂新装工业机器人逾60万台,同比增长11%,在运存量突破500万台、增长9%;中国新装35.4万台占全球59%,美国以约3.85万台超过日本居第二。丰田向投资者估算,工厂自动化改造或需40万台机器人,2028年起每年投入约1万亿日元。
特斯拉在加州启动Optimus人形机器人生产,同时披露季度利润同比下降43%。公司营收持平,但AI、自动驾驶和机器人业务的投入使支出大幅上升。Optimus具体产量与部署规模未公布,量产爬坡与成本控制成为外界关注焦点。
宇树(Unitree)全面开源 UnifoLM-WLA-1.0 具身基础模型,称在多个基准上取得开源模型中的新 SOTA。该单一模型可统一协调桌面操作与全身移动操作,支持跨任务、跨末端执行器泛化。
Agility Robotics 发布第五代人形机器人 Digit 5:可举升23公斤至2.1米,日运行超20小时。安全设计不依赖物理围栏,遇人接近时自主避让、停止搬货或坐下,确保不会倾倒伤人;腿部由鸟式后弯改为类人结构以适配下蹲搬举。据其IPO申报文件,BOM成本约15万至20万美元。
波士顿动力发布Atlas机器人全新灵巧手,自由度从7提升至13,放弃小指改为四指设计。该手不追求拟人外形,优先保证坚固可靠、可大规模制造和低成本维修,并支持工具使用、仿真训练及利用人类演示数据训练,目标是从研究硬件走向实际部署。
Agility Robotics发布第五代人形机器人Digit 5,面向仓储场景,可举起23公斤料箱,续航90分钟、充电仅需9分钟。公司称目标是大规模部署数万台,承担体力负担重或枯燥的仓库任务。联合创始人Jonathan Hurst同时撰文回顾从ATRIAS到Digit的技术路线,坦言商业化产品与最初理想存在差距。
苏黎世联邦理工团队提出PoliMop运动规划器,把控制策略的rollout嵌入动力学RRT:在机器人周围三维降维状态空间采样,并用物理仿真验证策略能否执行,从而按本体实际能力寻路。团队先用质点模型预规划路径引导采样,使规划时间最多缩短63%,并在四足、人形与轮式机器人仿真中验证。
研究团队发布 HEIR 数据集,将人机交互中的语音指令、实测注视点与第一人称视频,同机器人观测和遥操作导航-操作轨迹对齐;每次会话保留连续多轮请求,每条请求拆分为多个执行子任务,并附人工标注。该资源用于统一场景下的意图落地、执行规划与任务完成研究,作者通过离线实验验证模型可从中获益。
Liangjun Xing等提出FORGE力感知多粒度人形移动操作控制系统,命令空间覆盖速度导航、足端落点、腕部位姿与可选力输入。训练无需全身人体运动轨迹或关节角参考,部署仅需相对骨盆的双腕稀疏位姿、粗运动指令及可选腕部负载;持续接触下用动量观测器与仿真接触力监督的学习修正提升稳定性。
Jieqiang Wei 等发布 ControlHarbor 基准,将控制系统设计任务交给编码智能体:控制器必须用单个 Python 文件把测量映射为动作,禁用神经网络,并在留出随机种子、物理扰动和结构约束下按工程师标准评分。
研究者提出 H2E 任务级经验蒸馏方法:将 LLM 规划器调用 VLA 产生的成功导航会话转为 VLA 训练数据,每段运动对应原始指令下的动作,偏离目标的步数掩码,距目标 1 米内状态标为停止,再用低秩适配更新。蒸馏后 VLA 在测试时无需 LLM 规划器即可独立导航,学会在目标处停止,并到达基座模型未抵达的目标。
UT Austin 团队以 π½ 模型为对象,在 2 个动态仿真基准与 3 项真机任务上比较 VLA 执行策略:预测/执行视界、同步与异步推理、提前下发动作、轨迹连续化,以及运动线索与潜在空间强化学习自适应。结果显示最佳预测视界约 1 秒,最佳执行视界因检查点而异;短视界在异步推理下收益更大,保持轨迹连续性优于单纯降低延迟。
研究者Chubin Zhang与Bo An让机器人短暂停顿或抖腕,检验记忆增强VLA能否区分等待与工作。这类空事件不改变任务依赖,却使记忆VLA提前停止,两项计数任务成功率从47/50降至16/50、44/50降至10/50。剔除相同帧后成功率恢复,说明问题源于按时间采样的记忆机制,而非中断本身。
Zequan Zeng等提出Robo-MLT双系统框架:视觉语言规划器按实验流程生成有序原子技能序列,多帧执行监控判断技能完成或不可行并触发重规划,技能条件VLA策略生成操作轨迹,异步运行时协调二者。在医疗实验室长程任务上与四个策略基线及VLM监测方案对比验证。
Xueyang Wang 等提出 LHNav 人形机器人长程导航系统,将任务推理、局部运动生成和全身执行分给大脑、小脑与脑干三层,以不同时间尺度异步协同,并用进度和到达反馈协调导航目标、VLA 运动 token 预测及全身控制。作者还构建物理一致的动作数据训练小脑模块,使机器人能在多目的地语言指令下连续稳定地穿越狭窄空间。
Xiaoyang Xing 等人提出 APS-VLA,在冻结预训练 VLA 主干的前提下,用轻量决策影响估计器依据视觉观测、语言指令与机器人本体状态为视觉 token 打分;训练时同时使用动作监督和辅助视觉重建信号,实现动作引导、面向未来状态的 token 剪枝,缓解密集视觉 token 造成的推理延迟,同时保持动作生成的可靠性。
Jieyuan Pei等提出SuperGlance,读取解码器式VLM生成首token前的隐状态,用线性头对5273条候选轨迹打分,把逐步解码的慢速System 2变为单步推理的驾驶策略。该隐状态已足以驱动车辆并回答场景问题,省去秒级GPU推理,监督目标可由离线奖励生成。
Allen Devaraj 等用采样式全身模型预测控制,让 Unitree H1-2 人形机器人主动倚靠环境稳定身体去够远处物体,仅依赖局部感知与标定标记。控制器在笔记本上以 34Hz 实时运行并完成 sim-to-real,可达范围比无支撑站立扩展约 50 厘米,负重姿态保持逾 4 分钟,89% 试验成功抵达并完成收回。