行业趋势

清华&上海AI实验室等让机械臂预判传送带，抓取完成数从23次增至44次

传送带上的物体不会等机械臂想清楚再进入抓取区。清华大学、上海AI实验室、哈尔滨工业大学和云深处科技联合提出ForeTime-VLA，把世界动作模型看到的未来压缩成训练信号，部署时只看过去八帧。三档速度的实机测试中，它完成44/90次抓取，π

佐治亚理工让机器人从失败中学习，叠杯成功率从40%升到90%

机器人模仿人类示范学会叠杯后，第一次操作失败通常不会让它自动变聪明：失败动作不能直接拿来继续模仿。佐治亚理工提出Q-Planning，冻结原有的数十亿参数行为克隆策略，只训练一个约10亿参数的价值函数。五轮实机自我改进后，叠杯成功率从40%

小米机器人学会先掂量再抓，陌生物体成功率达到83.4%

同样是纸杯，空杯需要轻捏，装满后又要增加抓力；外观相近的易拉罐，也可能因为重量不同而滑落。小米机器人团队提出ViTacPhys，让机械手在抓取时显式判断物体的质量等级、刚度和接触摩擦等级，再据此调整动作。真实抓取中，它在训练分布内物体上的总

人形机器人学会职业网球动作，上海AI实验室等让1.7米Atom实机发球

人形机器人把球打出去不算难，既保持职业网球动作风格，又在真实硬件上稳定击球更难。上海人工智能实验室、上海交通大学、诺亦腾机器人、越疆机器人等机构提出AdaPT，从转播视频学习发球与回合动作，并把策略部署到宇树G1和1.7米越疆Atom。

清华、上海AI实验室等提出DECOWAM，四足机器人动作误差降21.7%

四足机器人装上机械臂后，摄像头会随底盘移动，手臂动作也会改变画面。清华大学、上海人工智能实验室、哈尔滨工业大学、云深处科技等机构提出DECOWAM，分别建模相机自运动、底盘和机械臂动作，再联合预测未来视频与控制。

小米汽车、复旦等实测41种方案：机器人隐式动作到底什么最重要

机器人视频很多，带精确动作标签的数据却很少。小米汽车、复旦大学、清华大学、武汉大学等机构联合发表这项系统实证研究：在统一框架中比较41种隐式动作模型设计，追踪哪些选择真正改善下游操作，而不只让视频重建指标更漂亮。

清华等做了4000条视触觉演示，让机器人分清软面包和硬物体

机器人把面包放到目标位置，并不代表任务真的成功：抓得太松会滑落，抓得太紧会把软物体压坏，外部相机有时看不出两者差别。拓境智能、清华大学、卡内基梅隆大学等机构提出SoftVTBench，收集4000条视触觉演示，专门评估可变形物体操作中的形变

人形机器人踩空也能站稳：GigaBrain跌倒恢复率99.3%

人形机器人按着坐椅指令下蹲时，椅子可能已经被移走；踢腿动作也可能让自己的四肢互相碰撞。GigaBrain-WBC-0.5把动作、下一时刻身体状态和下一条可行动作分布放进同一个因果Transformer里，让控制器在执行前识别不合理指令并收回

英伟达ADEPT训练灵巧手：五次实验全部闯到最高难度

五指机械手要完成插销，得先找到物体、抓稳、在手中调整方向，再把它对准孔位。英伟达、密歇根大学提出ADEPT：先用通用“物体重定向”任务预训练，再用一套稳定后训练方案学习具体操作。论文的Kuka-Allegro插销实验中，五个随机种子全部训练

UCLA等让人形机器人边走边抓：15万条仿真轨迹训练，实机成功率73.3%

让人形机器人走到陌生目标前、保持平衡并伸手抓取，需要把视觉导航、全身控制和操作连在一起。加州大学洛杉矶分校、艾伦人工智能研究所、华盛顿大学等机构提出FetchMan，在超过15万个仿真场景中训练，并把策略零样本部署到真实宇树G1。

英伟达等提出Hydra-0：把机器人动作变成像素流，运动误差降低90.4%

机器人换一副机械臂，原有世界模型往往就要重新学习动作含义。英伟达、布朗大学、哥伦比亚大学、哈佛大学等机构提出Hydra-0，把关节角、末端位姿等机器人专属命令转换成画面中的像素运动轨迹，让不同形态的机器人共享一种视觉动作接口。

北大京东等让机器人读说明书操作家电，7B模型开放规划超过最佳基线10倍

北京大学、北京航空航天大学和京东科技联合提出AppliancePlan，让机器人结合说明书、当前画面和操作状态规划家电任务。团队构建覆盖22类家电的数据集；论文报告，7B模型在RealAppliance-Bench开放规划上超过最佳基线10

斯坦福MIT等用VR一周采集75小时数据，灵巧手只需1—2小时真机示范

斯坦福大学、麻省理工学院和Scale AI联合提出SPD，把灵巧手的大规模操作数据采集放进VR仿真。5名操作者在一周内积累75小时多任务轨迹，模型预训练后，只用1—2小时真实演示微调，就能迁移到56自由度的双手灵巧机器人上。

智元等提出τ0-VLA：用40115小时真实数据训练，机器人遇到难题可先多想几步

上海创新研究院、智元Finch和香港中文大学联合提出τ0-VLA，让机器人在决定下一项子任务时按难度分配推理计算：简单步骤直接执行，困难或后果重要的步骤先生成多个候选，再借助世界模型比较。模型使用40115小时异构真实世界数据训练，并在多种

上交提出ReflexVLA：机器人学会预判运动轨迹，专攻6项高速动态任务

静态桌面上慢慢抓取，模型多想半秒未必出事；面对滚动、摆动或即将离开的目标，等图像编码和动作生成完成，机会已经过去。上海交通大学团队提出ReflexVLA，把未来运动预测、多帧视觉融合和低延迟推理放进同一策略，并发布包含6类高速动态任务的Re

星尘智能&清华等提出ART：机器人现场调用视觉工具，成功率提升20%

机器人遇到昏暗环境、透明物体或精细几何关系时，不一定要让一个大模型硬扛所有视觉难题。星尘智能、清华大学、香港中文大学等团队提出ART，让视觉—语言—动作模型在执行过程中按需调用分割、深度等外部视觉工具。基于3万条工具增强轨迹训练后，ART在

阿里浙大等提出PassGen：先生成带深度的递物视频，让机器人更早伸手接东西

人拿起杯子可能是自己喝，也可能准备递给机器人。若等物体已经伸到面前才判断，机械臂反应会显得迟钝；过早误判又可能突然伸手。阿里巴巴、浙江大学等团队提出PassGen，先生成未来的RGB-D递物视频来判断意图，并利用Hand2Bot真实数据中的

宇树G1走进真实导航测试：HumanoidVLN覆盖4种人形机器人，仿真与现实高度相关

“穿过走廊，在画旁边左转，再停到书架前。”这类指令对轮式机器人已不轻松，换成人形机器人还要同时处理步态、碰撞和身体尺寸。VinMotion与南加州大学提出HumanoidVLN，在4种人形平台、933条路线中评测语言导航，并把宇树G1带到真

机器人不用生成视频也能预演未来：交大等提出ForeWAM，LIBERO成功率超96%

机器人在抓杯子、开抽屉前，如果能预测“动作之后场景会怎样变化”，通常更容易规划下一步。上海交通大学、ACE Robotics和南洋理工大学提出ForeWAM，让动作模型获得未来动态，却不在部署时真正生成未来视频；标准版和加速版在LIBERO

日本团队给机器人装上软硬仿生指尖，贴桌硬币也能抓起6种日元

日本电气通信大学团队设计了一种混合硬度仿生指尖，中央指肚使用软硅胶，两侧换成更硬的材料，内部保留类似指甲的刚性结构。机器人不用先把硬币推到桌边，也不需要在底部留缝，就能从硬平面上抬起硬币。