SCOUT：用动作-结果反馈实现测试时策略自适应
SCOUT 是一个动力学感知的元学习框架，通过共享信念隐空间把动作预测策略与前向动力学模型耦合，让操作策略在部署时依据动作-结果偏差在线更新内部信念，从而适应未知物理动力学。论文称该方法在仿真操作基准上显著加快在线自适应，并实现了真实世界的仿真到真实迁移，已被 CoRL 2026 接收。
推荐理由：提出用动作-结果反馈在线更新动力学信念的元学习框架，读者可了解测试时自适应如何绕开稀疏奖励。
操作与抓取
全部主题追踪操作与抓取的研究、可复用工程方法与真实部署证据。
45条精选
最新精选
第 21–40 条 · 共 45 条arXiv cs.RO精选AI 评分6262 HF blog精选AI 评分6262 AnyStep-WAM：面向世界动作模型的预算对齐蒸馏与自适应推理
论文提出 AnyStep-WAM 框架，通过预算对齐的教师轨迹蒸馏训练区间条件流映射，支持从单步预测到多步细化的动作生成，并用轻量风险收益调度器按单步预览选择最小去噪预算。
推荐理由：论文给出可调去噪步数的世界动作模型框架，读者可了解按任务难度分配推理预算的具体做法与实测数据。
HF blog精选AI 评分6262 Learning Foresight without Explicit Trajectories for 3D Diffusion Policies 论文发布
论文提出 Movement Trend Guidance，让 3D 扩散策略从短观测历史中学习交互演化的紧凑隐表示，训练时用稀疏未来夹爪状态监督，推理时仅保留该隐表示作为未来导向条件。
推荐理由：论文提出 Movement Trend Guidance，用隐变量为 3D 扩散策略提供交互走向的前瞻信息，并给出多基准对比数据。
qbitai精选AI 评分7878 生数科技发布世界模型 Motus2，探索机器人自我进化
生数科技发布世界模型 Motus2，在同一模型中整合行动、预测与评估三种能力，形成生成动作、预测后果、评估结果、更新策略的闭环，探索递归自我改进（RSI）。真机测试中，手机放置与多指操作两项任务基础策略平均成功率 65%，加入规划为 67.5%，加入基于模型的强化学习为 72.5%，两者结合达 75%；加入触觉后抽取纸杯与撕纸任务平均成功率从 60% 提升至 72.5%。
推荐理由：生数科技 Motus2 把动作生成、后果预测与价值评估放进同一世界模型，读者可了解其闭环自进化机制与真机数据。
qbitai精选AI 评分7878 生数发布世界模型 Motus2，探索机器人闭环自进化
生数科技发布世界模型 Motus2，在同一模型中整合行动、预测与评估三种能力，形成生成动作、预测后果、评估结果、更新策略的闭环，探索递归自我改进（RSI）。真机测试中，手机放置与多指操作两项任务基础策略平均成功率 65%，加入规划升至 67.5%，加入基于模型的强化学习达 72.5%，两者结合达 75%。
推荐理由：生数 Motus2 把动作生成、后果预测与价值评估放进同一世界模型，读者可了解闭环自进化的实现路径与真机数据。
HF blog精选AI 评分7474 ZimaBlue：通过可扩展视频预训练演进可泛化世界动作模型
ZimaBlue 提出从大规模自我中心视频学习可泛化世界动作模型（WAM）的三阶段训练方案，先在大规模人类与机器人自我中心视频上做因果具身视频预训练，再通过视频-动作中期训练将视觉动态对齐到异构机器人轨迹，最后针对目标机器人做专门化。
推荐理由：论文给出从大规模自我中心视频学习世界动作模型的三阶段方案，并报告零样本操作成功率随数据规模的变化。
HF blog精选AI 评分7171 PonderPounce：用预训练 MLLM 作为机器人控制的回合上下文引擎
PonderPounce 将预训练 MLLM Ponder 作为 System 2 上下文引擎、快速动作模型 Pounce 作为 System 1 控制器，两者在解耦时钟上端到端联合训练，无需专门记忆模块或桥接预训练。
推荐理由：原文给出 PonderPounce 在 RoboMME 上的成功率与训练数据倍数，可据此判断双系统记忆方案的效果量级。
HF blog精选AI 评分6262 TacForcing：用执行时触觉反馈的流式动作生成框架
TacForcing 是一个流式动作生成框架，用流式动作专家和执行感知触觉注意力（EATA）在执行过程中引入实时触觉反馈，以改善接触密集操作。论文指出，基于分块预测的视觉语言动作模型在执行前采集观测、预测完整动作块，导致执行期间触觉条件滞后，而现有触觉反应方法多依赖独立的高频控制器，增加架构与训练复杂度。
推荐理由：论文提出在执行中引入触觉反馈的流式动作生成框架，并给出仿真与真机任务的成功率对比。
HF blog精选AI 评分7171 Zero-WAM：以人类视频上下文建模世界与动作，实现开放任务泛化
Zero-WAM 提出一种因果视频-动作模型，通过上下文人类视频引导执行训练中未见的操作任务。作者用自动流程将任务采样的机器人轨迹转换为语义匹配的人类视频，构建 HumanGen 数据集，包含 8.6K 个任务、74.2K 对人类-机器人上下文学习配对，并提出上下文未来片段预测（IFP）目标以抑制已见任务的捷径。
推荐理由：论文给出以人类视频作为上下文任务说明的跨任务泛化方案，并公开数据集与仿真对比结果。
HF blog精选AI 评分6565 WorldToken 机器人模仿学习实验记录数据集发布
Hugging Face 上线 mepi31415/WorldToken_Experiment_Records 数据集，公开 WorldToken: Time-First Sequence Modeling for Robotic Imitation Learning 的训练日志、配置、评估结果与 rollout 视频。
推荐理由：WorldToken 论文的实验记录与检查点打包公开，读者可据此复现多任务控制与长历史实验的表格结果。
HF blog精选AI 评分7171 τ_0-VLA：世界模型引导测试时计算的分层机器人基础模型
τ_0-VLA 是一个分层视觉语言动作模型，把高层子任务生成建模为可扩展算力的推理问题，通过世界模型引导的测试时计算在需要时搜索备选子任务再输出。高层策略利用执行记忆生成子任务，低层策略在多种机器人本体上执行，模型基于 40,115 小时异构真实数据与多模态联合训练。在域内和分布偏移设置下，增加测试时计算量可提升下一子任务预测准确率，并转化为长时程操作任务的闭环成功率提升。
推荐理由：论文提出用世界模型引导的测试时搜索为高层子任务决策分配更多算力，并给出跨本体与分布偏移下的闭环结果。
HF blog精选AI 评分6262 GOAG：面向灵巧操作的生成式物体无关抓取规划器
GOAG 是一种物体无关的深度生成式抓取规划器，学习特定夹爪的接触面分布，无需物体特定训练数据即可为未见物体采样有效抓取。作者在仿真与真实场景的抓取协议上验证该方法，在 MultiDex 数据集上取得 86.93% 的平均成功率，生成大量抓取时处理速度明显更快，性能与专门在该数据集上训练的方法相当。代码与视频见项目网站 https://cea-list.github.io/goagweb/。
推荐理由：论文提出与物体无关的抓取规划思路，读者可了解其如何用夹爪接触面分布替代物体特定训练数据。
HF blog精选AI 评分7171 Ego2Robot：从第一视角人类视频合成可扩展机器人训练数据
Ego2Robot 提出一条可扩展流程，通过动作重定向、机械臂视觉合成和多级质量筛选，把第一视角人类操作视频转换为机器人训练数据，支持精选数据集与野外视频，产出 18,561 小时数据、覆盖 15 种机器人形态。
推荐理由：论文给出将第一视角人类视频转为机器人训练数据的可扩展流程，并公开数据规模与泛化评测设置。
HF blog精选AI 评分6262 BridgeVLA++：面向 3D 操作的数据高效、可泛化、记忆增强 VLA 框架
BridgeVLA++ 在 BridgeVLA 基础上加入统一时空记忆架构，可对观测历史进行推理，同时保留原框架的数据效率与泛化能力。该框架在两个记忆依赖型操作基准上取得 state-of-the-art 表现，并在双臂操作设置和另一个真实机器人平台上完成验证。项目主页为 https://bridgevla-plus.github.io/。
推荐理由：BridgeVLA++ 在原有数据效率基础上加入时空记忆，读者可了解记忆增强 VLA 在 3D 操作任务上的设计思路与验证范围。
HF blog精选AI 评分6262 SG-WAM：在几何感知策略空间中自引导世界建模
SG-WAM 提出在策略表征空间内学习几何感知、动作条件化的动力学，用自引导潜在预测和几何监督训练，无需大规模预训练。基于 0.9B 模型，它在 LIBERO 上取得 98.5% 平均成功率、LIBERO-Plus 上 73%，并在分布内和分布外真机评测中优于强基线。方法将潜在未来预测、几何接地与流匹配动作生成端到端联合优化。
推荐理由：论文提出在策略表征空间内做几何感知的世界建模，并给出 LIBERO 与真机评测结果，可供关注世界模型与操作策略训练的读者参考。
DeepMind blog精选AI 评分8686 DeepMind 发布 Gemini Robotics 2，为机器人带来全身智能
DeepMind 发布 Gemini Robotics 2，包含 VLA 模型 Gemini Robotics 2、具身推理模型 Gemini Robotics ER 2 和端侧 VLA 模型 Gemini Robotics On-Device 2。
推荐理由：DeepMind 发布三款机器人模型，覆盖全身控制、灵巧操作与端侧部署，可了解 VLA 与具身推理的分工。
HF blog精选AI 评分7878 Pollen Robotics 开源 Grabette：用手持夹爪录制机器人操作数据
Pollen Robotics 发布开源低成本系统 Grabette，用手持夹爪加双摄像头录制操作示范，自动转成 LeRobot 格式数据集。Grabette 硬件物料成本约 490€，配套机械臂末端夹爪 Gripette 约 120€，采集数据经 RTAB-MAP SLAM 处理后在浏览器中完成转换。
推荐理由：开源手持夹爪加浏览器处理流程，把真机操作数据采集从遥操作里解放出来，可据此判断数据采集门槛的变化。
HF blog精选AI 评分7878 RynnBrain 1.1 发布：具身基础模型新增接触点预测与 3D 定位
RynnBrain 1.1 发布，是覆盖 2B、9B 和 122B-A10B 三个规模的具身基础模型家族，在 1.0 基础上为全系列引入接触点预测，并为 2B 和 9B 模型加入原生 3D 定位。
推荐理由：RynnBrain 1.1 在 1.0 基础上加入接触点预测与原生 3D 定位，并给出多本体真机部署结果，可据此了解具身基础模型的能力边界。
Robohub精选AI 评分8282 交互式世界模拟器：用动作条件视频预测训练与评测机器人策略
作者提出 Interactive World Simulator，一种动作条件视频预测模型，在像素空间预测后续帧，不含物理引擎，可在单张 RTX 4090 上以 15 FPS 交互运行超过 10 分钟。
推荐理由：作者用同一批策略在仿真与真机上的评分对比，给出世界模型能否替代真机评测与数据采集的一手证据。
HF blog精选AI 评分6060 See like a Robot：面向 VLA 的机器人中心点图
论文提出机器人中心点图（robot-centric pointmaps），像素存储场景点在机器人坐标系下的三维坐标，从而对齐视觉观测与机器人坐标系动作，缓解 VLA 中相机视角与动作定义之间的坐标系错配。
推荐理由：论文提出以机器人坐标系点图替代相机视角输入，读者可了解跨视角泛化在仿真与真机上的验证方式。