Skip to content

具身智能论文速览 2026-08-26 · 完整版（25 篇）

目标：不读原文也能吃透。重点精讲 = 值得深读；一句带过 = 了解即可。

今日大趋势

  1. 「世界模型」最大热点：多篇 WAM，争论焦点是"要不要视频生成"。倾向结论：预测物理状态比预测像素更本质（DELE 最强、+47pt）。
  2. VLA 走向「可靠、精炼、懂意图」：数据效率（HSR）、鲁棒性（M3）、意图理解（Act with Intent）、记忆（UniMem）、稀疏快思考（Think Only When Needed）。
  3. 瓶颈在数据采集端：手部/触觉/本体传感扎堆（光纤手套、仿生皮肤、视触觉）。
  4. 具身安全当一等公民：GuardianBench、Physical Agentic AI。

🟢 重点精讲（14 篇，建议深读）

世界模型

DELE-w0.5 — 砍掉视频生成，只预测"动作执行后达到的物理终态"，从终态隐变量直接推断动作。480 次真实试错、4 长程任务全程成功率 62.5，甩开最强基线 47.5pt。→ 与其预测像素，不如预测物理结局。

GaussianWAM — 用 3D 高斯场把深度/语义/相机关联到共享原语，训练期蒸馏进 WAM 表征，推理零额外开销。LIBERO-Plus 从 52%→71%。→ 给世界模型"补空间和语义地基"。

TrAct — 用视觉轨迹（不受具身约束的点轨迹）做控制与预测的中介接口，替代弱对齐的原始动作。仿真 27%→55%、真实 49%→76%。→ 训练世界模型时，"要让哪些点动"比"动作本身"更有信号。

PonderPounce — 复用 MLLM 原生上下文作机器人"记忆"：System2(Ponder)累积内容、System1(Pounce)快速出动作，端到端联合训练，无需专门记忆模块，p50 延迟 78ms/25ms 支持 20Hz。→ 用 LLM 的上下文当记忆，System2/System1 双系统架构。

VLA 与策略学习

HSR — 层级化技能检索：把目标任务拆成技能序列，按语义+可靠度选优，再混合检索复用示范。LIBERO +10.3%、真实 +21.3%。→ VLA 少样本适配新任务时，检索可复用技能比找整条示范划算。

M3（Modality Masking） — 训练时随机遮罩模态通道，逼模型少依赖干扰线索。不改架构、不预训练，双臂 Clean +21.7%、随机 +11.4%、真实长程 +30%。→ 最朴素的鲁棒性开关。

Act with Intent — 除监督"示范做了什么"外，蒸馏行为背后的局部意图。→ 从模仿动作升级到理解意图。

UniMem — 把多模态记忆与控制统一建模进 VLA（而非外挂记忆）。→ 记忆是长程任务的一等公民。

Think Only When Needed — 检索的文本一旦进执行 prompt 就成了干预（可致成功率 92%→3%）。按需选时开启"慢思考"快慢路径。→ 聪明地在必要时多想一步。

Pointing-VLA — 用类型化隐状态空间读出做空间接地，替代脆的文本坐标/黑盒 token。→ 给 VLA 一个会"指"的接口。

感知 / 本体 / 数据

Fiber Optic Sensing Glove — 多芯形变光纤抓每根纤维 3D 形变，60Hz 重建手姿态，指尖误差 7.2mm（标定后 4.9mm）。→ 给灵巧操纵的数据饥饿解渴的高保真采集工具。

仿生关节覆盖皮肤 — 带组织样分层的关节覆盖皮肤，单独即可估关节角（误差≈3°），与肌肉传感融合更准。→ 给机器人"皮肤"也装本体感受，冗余即鲁棒。

可信 / 安全 / 多智能体

Physical Agentic AI — 给 LLM 机器人编排加确定性"编排器"，每步只校验授权一个技能。不拦截时 8 个注入故障全跨边界且 6 个引发真实运动；拦截后全被拒、0 误拦截。→ 先验证、再执行。

GuardianBench — 固定场景只变指令，做安全/不安全对比对（3024 例）。主力 VLM 平均 pair 准确率仅 24.1%，模型常"两个都放行"。→ 危险藏在"指令×场景"组合里，现有模型几乎看不见。

⚪ 一句带过（11 篇，了解即可）

  • Do Robotic World Models Really Follow Actions? — 给行动条件化世界模型"体检"，质疑其生成未来是否真反映动作。
  • One-Shot LfD of Contact-Rich Manipulation — 显式建模"何时何地发生接触"，单条示范即可复现复杂接触性任务。
  • Gripper-aware VLA（MiGA/GVLA） — 造了 5 种夹爪 10.3 万示范的数据集，让 VLA 感知夹爪类型（平行爪 vs 吸盘）。
  • CAT — 轨迹级连续动作表征，摆脱控制频率耦合，跨骨干/频率一致提升。
  • CoDrift — 离线 RL 的组成式"漂移"，把多个目标场合成统一策略场，73 任务平均排名最优。
  • GeoWAM — 把世界模型用于自动驾驶，处理像素空间场景演化的几何。
  • Reward-Free Continual Adaptation（Space） — 无奖励信号的持续 RL，用于太空机器人硬件退化自适应。
  • ROS2SmolVLA — 让轻量 VLA 集成进工业级小机器人，适配小批量多变生产。
  • InstructMove — 用语义干扰物让"指令跟随"不可作弊，逼策略真读指令。
  • CSymPlan — 符号规划+校验，保证高自由度机械臂安全（零违规）。
  • Reproducible 6-DoF Arm — 开源的本科生低成本机械臂，含踩坑文档。
  • NVIDIA Cosmos-H-Dreams — 首个可实时交互的外科手术世界模型（160 FPS、控制器无关、浏览器/VR/真实手术机器人可驱动）。

给研发的一句话启示

  • 做世界模型：先想清楚目标是"像素"还是"物理状态"。
  • 做 VLA：别只刷成功率，先解决数据效率、鲁棒性、懂意图。
  • 缺数据：往手部/触觉数据采集端投入，比堆算法划算。
  • 做产品：把安全/可控当一等公民，加确定性校验层。

跟进

每篇对应完整笔记在同目录（citekey 命名），index.md 可跳转。要深读某篇，把篇名发我即可。