具身智能论文速览 2026-08-26

目标：不读原文也能吃透今天这批论文。每篇给「核心思想 / 为什么值得关注 / 一句话」。

今日大趋势（先看这节）

今天 25 篇具身论文，可以读出四条正在收敛的主线：

「世界模型」是当前最大热点 —— 多篇在做 World-Action Models（WAM）：把「预测未来帧」和「生成动作」统一。争议点在于：到底要不要用视频生成做中间目标？GaussianWAM 想给它加几何/语义约束（+19pt），DELE 直接主张砍掉视频生成只预测终态（+47pt）。结论倾向：预测「物理结果」比预测「像素」更本质。
VLA 从「会做」走向「可靠、精炼、懂意图」 —— 不再只刷成功率，而是解决三个工程痛点：数据效率（HSR 检索复用）、鲁棒性（M3 模态遮罩）、以及「让动作知道自己在为什么而做」（Act with Intent）。同时出现面向记忆（UniMem）和稀疏快思考（Think Only When Needed）的架构。
感知/本体往「数据采集端」发力 —— 灵巧手、光纤手套、仿生皮肤、视触觉传感器。原因是具身学习最大的瓶颈是数据：高质量手部/触觉数据采集，比算法更稀缺。
从「单机智能」走向「可信系统」 —— 安全基准（GuardianBench）、指令不可替代基准（InstructMove）、LLM 编排机器人团队的符号校验层（Physical Agentic AI）。具身安全开始当作一等公民。

主题一：世界模型（World Models / WAM）

1. DELE-w0.5 — 不做视频生成，只预测未来状态

核心思想：世界模型的目标不是"复现每一帧长什么样"，而是预测"动作执行后世界到达什么状态"。DELE 从紧凑的未来隐状态直接推断动作，去掉视频生成的高维冗余，训练更便宜、推理低延迟、单次前向出动作。 为什么值得关注：它用 480 次真实机器人试错、4 个长程任务，把最强的基线甩开 47.5 个百分点（全程成功率）——证明「视频生成是没必要的中间目标」这条路走得通。 一句话：与其预测像素，不如预测物理结局。

2. GaussianWAM — 用 3D 高斯场给世界模型「补课」

核心思想：WAM 的视频隐变量缺乏跨视角几何结构和物体级语义。用 3D 高斯场把深度、相机参数、语义特征"绑定"到共享原语上，渲染出空间对齐的监督信号，训练期蒸馏进 WAM 表征；推理时全部移除教师组件，零额外开销。 为什么值得关注：LIBERO-Plus 上 FastWAM 从 52%→71%、Cosmos Policy 71%→77%，且真实操纵正向迁移。 一句话：给 WAM 的"眼睛"装上空间和语义的地基，不动部署架构。

3. Do Robotic World Models Really Follow Actions? —— 给世界模型"体检"

核心思想：行动条件化世界模型被当成熟练仿真器用，但一个没被检验的假设是：生成的未来真的忠实反映任意有效动作吗？本文做诊断与对齐。 为什么值得关注：这篇是方向性风险提示——先证明问题，再谈放心用。 一句话：在用世界模型做策略评估前，先确认它真的"听动作的话"。

4. DreamLedger — 把"可靠"做成持久对象

核心思想：世界模型预测的可信度不该是模型内部瞬时信号，而应是部署期的"信用档案"——记录预测被实际执行消耗后是否兑现（execution-settled credit files）。 一句话：让世界模型靠"兑现记录"自我证明可靠，而不是自报置信度。

（同类：GeoWAM 把世界模型用于自动驾驶像素空间；TrAct 用视觉轨迹桥接控制与预测。）

主题二：VLA 与策略学习（可靠化、数据效率、懂意图）

5. HSR — 层级化技能检索，让 VLA 少样本也能适应新任务

核心思想：长程任务完整匹配难找，但可复用技能很多。HSR 先按语义+可靠度把目标任务拆成技能序列，再做"子任务语言检索 + 行为特征重排"的混合检索，两阶段预训练+微调。数据：LIBERO +10.3%、真实操纵 +21.3%。 一句话：VLA 适配新任务时，从检索"可复用技能"入手，而不是硬找整条示范。

6. M3（Modality Masking）— 最朴素的鲁棒性开关

核心思想：双臂 VLA 失败常因多视角+语言融合不稳、注意力涣散到干扰区。M3 训练时随机遮罩部分模态通道，逼模型少依赖不可靠线索。数据：RoboTwin 2.0 双臂 Clean +21.7%、随机场景 +11.4%、真实长程 +30%。 一句话：不改架构、不做预训练，一行遮罩就让 VLA 更抗噪。

7. Act with Intent — 让 VLA 不只是"照抄动作"

核心思想：VLA 的动作解码器基本都是行为克隆，只监督"示范做了什么"，没表达"为什么这么做"。蒸馏出行为背后的局部意图作为额外监督。 一句话：从"模仿动作"升级到"理解意图"。

8. UniMem — 把记忆和控制在 VLA 里统一

核心思想：长程/非马尔可夫任务需要记忆，现有方法把记忆当外挂。UniMem 统一多模态记忆与控制的建模。 一句话：记忆不该是补丁，应是 VLA 的一等公民。

9. Think Only When Needed — 稀疏"慢思考"介入

核心思想：检索能增强冻结的 VLA，但检索文本一旦进入执行 prompt 就成了干预（不加保护会从 92% 掉到 3%）。按需选择何时启用慢路径。 一句话：聪明地只在必要时"多想一步"，否则保持快。

10. Pointing-VLA — 更可靠的空间接地

核心思想：VLA 常用自回归文本坐标或黑盒动作 token 表达空间接地，很脆。用类型化的隐状态空间读出做接地接口。 一句话：给 VLA 一个"会指"的接口，而不是只会报坐标。

（同类：Gripper-aware VLA 处理夹爪感知假设；CAT 用轨迹级连续动作表征摆脱控制频率耦合；CoDrift 做离线 RL 的组成式漂移。）

主题三：感知、本体与数据采集（瓶颈在数据）

11. Fiber Optic Sensing Glove — 高保真灵巧手数据

核心思想：视觉手势捕捉怕遮挡，传统手套会漂移。用多芯形变光纤抓每根纤维的 3D 形变，60Hz 重建立手姿态，指尖误差 7.2mm（标定后 4.9mm）。 一句话：给灵巧操纵的数据饥饿解渴的高保真采集工具。

12. 仿生关节覆盖皮肤 — 肌骨人形机器人的第二套本体感受

核心思想：肌骨人形主要靠肌肉传感估关节，皮肤形变被忽略。做带组织样分层结构的关节覆盖皮肤，单独即可估关节角度（误差≈3°），与肌肉传感融合更准。 一句话：给机器人"皮肤"也装上本体感受，冗余即鲁棒。

13. CARO — 四足机器人零样本鲁棒移动

核心思想：把固定基座动力学模型嵌进 RL 控制环，构造无需力传感器/接触估计/视觉的"力矩级残差观测"，用扰动观测器给策略在线自适应信号。数据：负载、质心偏移、地形、突变动力学等分布外场景零样本鲁棒性显著提升。 一句话：不靠昂贵传感器，用动力学残差就能自适应。

（同类：视触觉滑检 TimeSformer；MotionDLO 事件+帧混合跟踪可变形线体。）

主题四：可信系统、安全与多智能体

14. Physical Agentic AI — 给 LLM 机器人编排加一道"物理红绿灯"

核心思想：LLM 把任务拆给机器人团队时，会产生不可行/不合时/不安全动作。加一个确定性"机器人编排器"，每次只校验并授权一个技能。数据：不拦截时 8 个注入故障全跨过边界且 6 个引发真实运动；拦截后全部在执行前被拒，0 误拦截。 一句话：先验证、再执行——用确定层拦住 LLM 的"嘴上说说"。

15. GuardianBench — 只在特定组合下才危险的安全风险

核心思想：无害指令+安全场景组合后可能变危险（潜在上下文风险）。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"。 一句话：安全问题藏在"指令×场景"的组合里，现有模型几乎看不见。

16. InstructMove — 让"指令跟随"不可作弊

核心思想：多数基准里目标过于显眼，策略不真理解指令也能成功。InstructMove 用语义干扰物让多个动作都可行、只有一个匹配语言，逼策略真正接地指令。 一句话：把"读指令"和"抄捷径"分开考。

（同类：Triplet2Track 用物体中心化表征做闭环长程操纵；CSymPlan 用符号规划+校验保证高自由度机械臂安全。）

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"（DELE 的结论值得抄）。
做 VLA：别只刷成功率，先解决数据效率、鲁棒性和"懂意图"三件事。
缺数据：往手部/触觉数据采集端投入，比堆算法更划算。
做产品：把安全/可控当一等公民，加确定性校验层。

跟进

每篇对应的完整笔记见同一目录（citekey 命名），可点击 index.md 跳转。
需要我对某篇展开深度精读（Method 细节 / 局限 / 与你的场景关联），单独说篇名即可。