Sharpa将灵巧手触觉从指尖扩展至全手体感
灵巧手厂商Sharpa公布触觉感知升级方案,把原先集中在指尖的触觉反馈扩展为覆盖整只手的连续“体感”,使机器人在抓握与精细操作时获得更完整的接触信息。官方将该方案定位为灵巧操作能力的关键升级,但传感器数量、分辨率、量产时间等具体参数尚未披露。
灵巧手厂商Sharpa公布触觉感知升级方案,把原先集中在指尖的触觉反馈扩展为覆盖整只手的连续“体感”,使机器人在抓握与精细操作时获得更完整的接触信息。官方将该方案定位为灵巧操作能力的关键升级,但传感器数量、分辨率、量产时间等具体参数尚未披露。
研究团队提出 ESI 具身自我改进飞轮,把 LLM 与 VLA 构成的模块化智能体整体作为后训练单元,借环境交互反复优化 LLM 提示、共享技能接口与 VLA 参数并联合重部署。针对 VLA 动作偏离 LLM 子任务意图、纠错后丢失已恢复有效状态的问题,让二者协作过程本身提供监督信号。
研究者发布 Reins 框架,让 GPT-6.1 Sol 等现成多模态模型通过 3D 感知工具与带接触反馈的原子动作操作双臂机器人,单次调用可串联多步动作、条件失败即中止,无需任务专用代码。五个真实长程任务成功率达 88%,不使用该框架则全部失败且耗时约 8 倍。
研究团队提出 STVLA 视觉-语言-动作框架,将预训练视觉几何基础模型的特征引入时序记忆,使策略在决策时能回忆过去的场景空间结构,而非只依赖当前观测或易受遮挡影响的外观记忆;并用有数学依据的打分规则筛选与当前观测互补的历史信息。原文未披露具体评测数字。
Richard Shi 等提出模块化框架 MOSAIC,可接入预训练 VLA 策略:通过辅助语义接地预测目标物体、目的地与周围障碍物的角色掩码,再结合三维重建深度生成角色特定几何表示,增强杂乱场景的空间理解与动作生成,减少误接触和碰撞。
Zibin Dong 等提出 ActionCodec2,一种非神经网络流式动作分词器,可按步增量输出动作、无需整块解码,并将轨迹重建误差控制在设定容差内。其编码器以解码器重建状态为参考量化每步,避免独立量化误差累积;作者将最小基元集求解转化为几何覆盖问题,给出平移的精确最小值与旋转的紧界,并用 Set-BPE 无损合并共现符号。
Heng Li 等提出分层控制器 PolyMorphWBC,仅以短时域末端执行器轨迹作为任务级指令,由轨迹条件协调器自行判断底盘何时、如何移动,再与机械臂联合生成全身动作。方法在四类 6 自由度机械臂构型上验证,可完成超出固定基座可达范围的延伸操作。
Zhenxuan Ding等人提出一套统一流程:从单张RGB图像重建场景几何,在该场景条件下生成人体交互动作,再重定向到人形机器人,无需预建3D场景资产。为避免动作与重建场景出现几何错位、以及人机形态差异带来的支撑接触误差,作者加入度量场景对齐与接触引导重定向两级细化,使动作在生成与迁移全程保持几何一致。
研究者提出 HDH 轻量框架,用冻结 VLA 自身部署回采的 hindsight 数据训练动作验证器,为每个动作块预测任务成功分数;推理时 VLA 采样多个候选,验证器选分数最高者执行,避免昂贵验证器带来的额外延迟。在 LIBERO-10 四个任务上平均成功率 82.3%,三个真实操作任务上也优于基线。
研究团队提出 DexSeed 框架,把人类手-物体交互数据低成本转化为灵巧 VLA 训练示范。其思路是按抓取方式组织人类序列,在保留原抓取的前提下扩展出不同物体与操作位置的新交互,并在物理仿真中按手臂跟踪动力学实现为可执行的手臂与手指动作及视觉观测,从而摆脱对昂贵遥操作的依赖。
Haotian He 等提出 WiTac 预训练触觉编码器,在动作生成前将触觉信号与手部运动、腕部视角深度融合。基于近300小时 SharpaDex 数据预训练后,以该表征为条件驱动 GR00T N1.7 与 π0.5,四项接触密集操作任务的平均成功率分别提升 28.8% 与 15.0%,并比不含腕部信息的触觉编码器高 18.8%。
该研究由 Xinyi Yu 等人完成,发布首个面向大物体单臂拾取的全身抓取数据集 WAG,覆盖 793 个物体、170 万组关节构型;并基于扩散模型构建 ARMFUL 流水线,在仿真中生成并筛选可承受晃动与外力的全身抓取,实现单臂环抱抬取大物体。
Umer Siddique等提出推理时方法ReGround:保持VLA冻结,用任务无关的电机试探学习部署机器人动力学,仅在检测到执行偏移时重定位策略意图运动,无需奖励、演示或重训练。在2个VLA、8个LIBERO任务和5种偏移设置下,π0.5在400毫秒延迟下成功率从0.16升至0.90。
Google DeepMind 在官方博客发布 Gemini 4 Argon for Robotics,面向机器人场景推出 Gemini 4 系列的 Argon 版本。官方仅给出标题级信息,未披露模型参数规模、训练数据构成、动作输出形式,也未公布任何真机任务成功率或对比基线。
Google DeepMind 发布 Gemini Robotics 2.5 视觉-语言-动作模型,称其为迄今最强版本,重点提升机器人在真实环境中的通用灵巧操作能力、执行可靠性与安全性,面向更广泛的机器人任务落地。
加州大学伯克利分校与英伟达在CoRL 2026联合提出“智能体机器人”方法:借助AI编程工具,先理解机器人动力学,再生成人类可读的控制代码,无需海量演示数据即可完成工业任务。研究者认为模仿学习在工业可靠性上已遇瓶颈,该方法试图绕开数据规模难题,但目前尚无量化结果。
魔法原子宣布其具身智能Agent框架在MolmoSpaces基准榜单上位列全球第一,排名超过此前提交的多个高校与机构团队。MolmoSpaces以仿真环境中的导航与操作任务评测具身智能体的泛化与执行能力,目前官方尚未披露具体分数、任务细分表现及对比数据。
研究团队在仿真中用强化学习训练滑移转向装载机的控制策略,并成功迁移到真实重型工程机械上,完成此前仅少数顶尖人类操作员在世界纪录表演中实现的特技动作,将机器推向执行器极限。难点在于液压驱动含流体、柔性环节与非线性延迟,且机体庞大沉重、实机试验风险极高。
研究团队发布 TouchTwin,用头戴与腕部 RGB-D 加 880 触感点手套采集人手抓取,在 MuJoCo 中由编码智能体重建物体与触觉手,将单次演示扩增为带接触力标注的仿真数据。作者测得仅模仿视觉位姿的策略抓握力只有实测的 0.31 倍,物理回放视觉位姿的策略则达 1.55 倍,实测触觉可弥合这一力差距。
清华大学朱军、上海交大邓志杰等提出潜在动作模型SALA,无需配对数据,通过建立人类自我中心视频与机器人动作间的语义对应,解决现有方法仅靠视频重建、表征按视觉外观聚类而难以跨本体对齐的问题。该工作从数据规模与模型规模两个维度扩展具身基础模型,训练与推理开销低于需显式预测像素的世界动作模型。