来源：公众号“机器之心” 原文链接：https://mp.weixin.qq.com/s/4DffsUZw-FLuawiMh7a-AA 本文的共同第一作者为新加坡国立大学博士生费昕，新加坡国立大学博士生徐志轩。合作者为浙江大学实习生方怀聪、新加坡国立大学博士生张添睿。通讯作者为新加坡国立大学计算机学院助理教授、RoboScience 首席科学家邵林，研究方向为机器人学习与灵巧操作。 T (R...

来源：公众号“北京大学前沿计算研究中心” 解读链接：https://mp.weixin.qq.com/s/tqnWuw9kG4a4WGPXe2oxlQ 01研究背景当前具身智能正朝着通用人工智能的方向快速发展，具身智能提高的关键一步就是构建出能够根据人类指令在环境中移动的导航智能体。近年来，视觉语言导航（VLN）等任务得到了广泛研究，但现有的评估任务主要关注多模态语言和视觉语义的理解，没有系...

来源：公众号“机器之心” 原文链接：https://mp.weixin.qq.com/s/uTffZgN0uuiknCcIY-VGYw 本文的共同第一作者为新加坡国立大学博士生陈浩楠，新加坡国立大学硕士生郭京翔。合作者为汪邦骏、张添睿、黄叙川、郑博仁、侯懿文、铁宸睿、邓家俊。通讯作者为新加坡国立大学计算机学院助理教授邵林，研究方向为机器人和人工智能。 在具身智能领域，机器人操作的泛化能力一直...

来源：公众号“机器之心” 原文链接：https://mp.weixin.qq.com/s/k-C_8ZHWktTRGa3kaq0Lcw 大语言模型驱动的代码生成技术，正在深刻重塑机器人控制软件的开发范式。曾经高度依赖人工的繁琐编程，如今只需简单的自然语言指令即可完成，开发效率实现了巨大的跃升。 然而，当我们将这项技术推向真实工业生产线时，一个关键问题凸显出来：面对工业场景对程序错误零容忍的严...

来源：公众号“高德技术”原文链接：https://mp.weixin.qq.com/s/qyxOyHNdHC6C11584aeRfA 论文主题｜Seeing Space and Motion: Enhancing Latent Actions with Spatial and Dynamic Awareness for VLA 论文链接｜https://arxiv.org/abs/2509....

【封面图片来源：网站名微信公众号，所有者：极市平台】一、背景 工业质检和医疗影像分析中，传统方法采用"一个任务一个模型"的碎片化模式，检测不同模态（如RGB、红外、3D深度）需要部署多个专用模型，导致运维成本高、泛化能力差。现有方法存在域干扰问题——直接融合多域特征会引入噪声，导致大量误报。能否构建一个通用的"大脑"，既能理解多模态融合信息，又能针对不同任务动态调用"专家知识"？这一问题的解...

一、背景 视觉-语言-动作（VLA）模型正成为机器人智能化的核心架构，但现有主流方法（如OpenVLA、π0、CogACT）存在一个根本性缺陷：用同一个动作模型统一处理所有类型的动作。这种「一刀切」的设计在面对机器人操控任务时暴露出两大内在矛盾。从任务特性来看，机器人操控存在两种本质不同的动作类型：手臂大幅度运动（粗动作）需要全局场景理解、路径约束宽松；夹爪精细操作（精细动作）需要局部精细聚...

一、研究背景 视觉-语言-动作（VLA）模型是具身智能的核心架构，旨在让机器人通过视觉感知和语言理解直接输出动作指令。然而，当前主流VLA模型（如RT-2、OpenVLA）通常架构复杂、训练流程冗长，缺乏一个设计简洁、易于理解和复现的基准模型，阻碍了社区对VLA核心设计决策的系统性研究。此外，现有VLA模型在训练效率上存在显著差异——有些需要大规模预训练数据，有些依赖复杂的跨模态对齐策略，使...

一、研究背景 视觉-语言-动作（VLA）模型是当前具身智能的主流架构，但主要分为两大范式，各自面临根本性局限：端到端VLA模型（如RT-2、OpenVLA）严重依赖海量的「指令-视觉-动作」成对数据进行训练，数据获取成本极高且泛化能力有限；分层模型虽通过中间目标表示连接高层语义与底层动作，但中间目标通常需要3D点云等精确几何输入，在开放环境中难以获取。如何在不依赖任何任务特定微调和成对动作数...

一、背景：高精度操作的两大瓶颈家庭服务机器人要真正帮人类干活，光会“抓取-放置”远远不够。面对“把笔插进笔筒”“将碗放入碗架”这类关系性重排任务，机器人既要理解物体间的语义关系，更要满足严格的几何约束——偏差几毫米就可能导致任务失败。当前主流方法存在两大瓶颈：一是传统3D模仿学习缺乏对物体间几何关系的显式推理，在高精度对齐任务上表现不稳；二是利用生成模型的方法往往直接将生成的物体变换当作动作...