机器人 / 具身智能

Hypothesis-driven Model Expansion under Uncertainty for Open-World Robot Planning

不确定性下用于开放世界机器人规划的假设驱动模型扩展

Anxing Xiao, Hanbo Zhang, Tianrun Hu, David Hsu

机构 * School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； Smart Systems Institute, National University of Singapore（新加坡国立大学智能系统研究所） 纠错

专题命中 机器人基础模型 ：world model(abstract)；robot foundation model(abstract)；分类 cs.RO；robotics(comments)

AI总结 针对开放世界机器人规划中传统方法失效的问题，提出假设驱动模型扩展框架，利用基础模型生成假设，结合自动规划与验证反馈进行迭代优化，实现自主知识扩展，推动家用服务机器人实际部署。

Comments Accepted to Robotics: Science and Systems (RSS) 2026

ExpReS-VLA: Specializing Vision-Language-Action Models Through Experience Replay and Retrieval

ExpReS-VLA: 通过经验回放和检索专门化视觉-语言-动作模型

Shahram Najam Syed, Yatharth Ahuja, Arthur Jakobsson, Jeff Ichnowski

机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO；robotics(comments)

AI总结 ExpReS-VLA通过经验回放和检索增强，提升VLA模型在特定任务中的适应能力与性能。

Comments 8 pages, 4 figures, 3 tables, accepted to International Conference on Robotics and Automation (ICRA) 2026

PoseVLA: Universal Pose Pretraining for Generalizable Vision-Language-Action Policies

面向通用视觉-语言-动作策略的通用姿态预训练

Haitao Lin, Hanyang Yu, Jingshun Huang, He Zhang, Yonggen Ling, Ping Tan, Xiangyang Xue, Yanwei Fu

机构 * Tencent Robotics X（腾讯机器人X） ； Futian Laboratory（福田实验室） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

专题命中 机器人基础模型 ：robotic(abstract)；robotics(comments,journal_ref)；分类 cs.RO、cs.CV、cs.LG

AI总结 本文提出Pose-VLA，通过分离预训练和后训练阶段，解决视觉-语言-动作模型中的特征坍塌和训练效率问题，实现通用3D空间先验提取与机器人特定动作空间的高效对齐。

Comments Accepted to Robotics: Science and Systems (RSS) 2026. Project website: https://hetolin.github.io/PoseVLA

Journal ref Robotics: Science and Systems, 2026

EXIMO: VLM Guided Exploration of VLA Policies

EXIMO：基于视觉语言模型引导的视觉语言动作策略探索

Bhavya Sukhija, Oliver Groth, Mohit Shridhar, Tim Hertweck, Michael Bloesch, Markus Wulfmeier, Abbas Abdolmaleki, Martin Riedmiller

机构 * Google DeepMind（谷歌DeepMind） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.AI

AI总结 本研究提出EXIMO算法，通过VLM引导的探索、模仿、优化三阶段微调VLA策略，解决了VLA策略微调样本效率低的问题，性能显著优于现有方法。

Inference-Time Attention Steering for Vision-Language-Action Driving Models

面向视觉-语言-动作驾驶模型的推理时注意力引导

Darshan Nagendra Prasad, Lars Ullrich, Knut Graichen

机构 * FAU Erlangen-Nürnberg（埃尔朗根-纽伦堡大学） 纠错

专题命中 机器人基础模型 ：world model(abstract,abstract_cn)；分类 cs.CV

AI总结 该研究针对VLA驾驶模型无法在推理时重定向注意力的问题，在Qwen3-VL主干上添加预softmax注意力偏差，实验验证了其对轨迹的引导效果及层相关特性。

Comments Attention Steering, Vision-Language-Action, AutonomousDriving, Inference-Time Intervention

Journal ref European Conference on Computer Vision 2026

StructRL: Structured Action-Space Exploration for Flow-Based VLAs

StructRL：面向基于流的视觉-语言-动作模型的结构化动作空间探索

Jiarui Yang, Bin Zhu, Jingjing Chen, Na Zou, Yanwei Fu, Jianggang Zhu, Yu-Gang Jiang

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Fudan University（复旦大学） ； Singapore Management University（新加坡管理大学） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO

AI总结 StructRL通过将策略随机性重定位至动作空间的三个耦合设计，解决基于流的VLA模型的结构化噪声稀释问题，在模拟与真实任务上提升了探索效率及OOD性能。

CofactVLA: Deconfounding Vision-Language-Action Models via Counterfactual Intervention

CofactVLA：通过反事实干预消除视觉-语言-动作模型的混淆

Yan Zhang, Yinan Wu, Haoran Duan, Jungong Han

机构 * Tsinghua University（清华大学） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.CV

AI总结 针对VLA模型的视觉优先与因果混淆问题，提出CofactVLA框架，通过OPG和CCR机制消除视觉混淆，在仿真基准和真实机器人实验中均实现性能提升。

Continue or Replan? Bernoulli-Continuation Policy Learning for Adaptive Horizon Execution

继续还是重规划？用于自适应执行时长的伯努利继续策略学习

Weichen Xu, Zhenhua Liu, Lin Luo, Yaobo Liang, Chengtang Yao, Qingyu Mei, Jian Cao, Xixin Cao, Xing Zhang, Jiaolong Yang, Baining Guo

专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.AI、cs.CV

AI总结 针对现有VLA模型固定执行时长重规划的局限，提出BCP框架，通过强化学习训练自适应时长选择，在多个仿真任务、真实机器人任务上提升了成功率，且运行时间更短。

Comments Project page: https://fleetfootwork.github.io/BCP/

Multi-View Unified Camera Fields: Geometry-Shaped Action-Facing Representations for RGB-Only Multi-Camera VLA Policies

多视图统一相机场：面向仅RGB多相机视觉-语言-动作（VLA）策略的几何形状动作表征

Jiarui Yang, Yehao Lu, Yuning Su, Yufeng Xie, Yu Zhong, Haiyu Lan, Tianjing Hao, Kaixiang Lu, Peiwen Lin, Chuang Wang, Enyu Li, Junwei Liang

专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO

AI总结 本研究针对多相机VLA策略的动作表征缺陷，提出仅训练用的MVUCF框架，通过几何相关目标优化后部署无额外推理开销，在LIBERO、RoboTwin等任务及真实人形实验中均取得显著性能提升。

Uncovering and Mitigating Positional Blind Spots in Vision-Language-Action Models

揭示并缓解视觉-语言-动作模型中的位置盲区

Dongdong An, Pengjie Zhao, Yihao Huang, Wenbing Tang, Ziming He, Jiayi Zhu, Jifeng Ning, Qin Zhao

机构 * Shanghai Normal University（上海师范大学） ； East China Normal University（华东师范大学） ； Northwest A&F University（西北农林科技大学） ； Xidian University（西安电子科技大学） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO

AI总结 针对视觉-语言-动作模型存在的位置盲区问题，提出两阶段黑箱框架，通过网格划分与单侧对数似然比检验定位盲区，再经LoRA微调缓解，在五个模型上验证了方法的有效性。

FabriVLA: A Lightweight Vision-Language-Action Model with Conformal Action Chunk Uncertainty

FabriVLA：用于精确多任务操作的轻量级视觉-语言-动作模型

Shiyuan Yang, Borong Zhang, Jizheng Zhang, Zhijia Tao, Junfei Guo, Donglai Ran, Xu Bian, Qingbiao Li

专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO

AI总结 研究提出FabriVLA模型，结合视觉-语言主干与流匹配动作头，经单阶段联合优化训练。在Meta-World MT50基准测试中，该模型基于1B规模VLM，不依赖数十亿参数主干，实现90.0%平均成功率，展现强大性能。

Do World Action Models Generalize Better than VLAs? A Robustness Study

世界动作模型是否比视觉语言动作模型表现更好？一项鲁棒性研究

Zhanguang Zhang, Zhiyuan Li, Behnam Rahmati, Rui Heng Yang, Yintao Ma, Amir Rasouli, Sajjad Pakdamansavoji, Yangzheng Wu, Lingfeng Zhang, Tongtong Cao, Feng Wen, Xinyu Wang, Xingyue Quan, Yingxue Zhang

机构 * Huawei Technologies（华为技术有限公司） ； University of Toronto（多伦多大学） 纠错

专题命中 机器人基础模型 ：world model(abstract)；robotic(abstract)；分类 cs.RO

AI总结 本文比较了最新状态的VLA策略和最近发布的WAMs，在不同视觉和语言扰动下评估其性能，发现WAMs在鲁棒性上表现更强，而VLA需要大量训练数据和多样化学习目标。

Addressing the Orchestration Gap in Generalist Robots via Physical Agency

通过物理智能解决通用机器人中的编排差距

Liane Galanti, Dhruv Shah, Tri Dao

机构 * Princeton University（普林斯顿大学） ； Together AI（联合人工智能） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO

AI总结 研究通用机器人行动推理问题，提出将相关能力分解为语言条件策略/控制智能体与高级智能体管理器/编排器，构建物理智能体编排器Pigey，经评估其在模拟和实际任务中性能显著提升，缩小了编排差距。

AC-VLA: Robust Out-of-Distribution Action Execution via Compositional Learning

AC-VLA：通过组合学习实现稳健的分布外动作执行

Xiaojiang Peng, Kai Peng, Jie Lu, Zheng Lian, Zitong YU, Xiaobo Wang

机构 * Shenzhen Technology University（深圳技术大学） ； Shenzhen University of Advanced Technology（深圳先进技术大学） ； Tongji University（同济大学） ； Great Bay University（大湾区大学） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO

AI总结 研究VLA模型在分布外泛化的问题，提出AC-VLA框架，含组合学习模块和状态条件不对称掩码策略，无需修改架构可集成到VLA主干，在LIBERO和LIBERO-OOD基准测试中，该框架在组合OOD任务上有显著改进，分布内性能良好。

Lights, Camera, Malfunction: When Illumination Robustness Leaves VLA Models Blind to Color

灯光、相机、故障：当光照鲁棒性使视觉语言动作模型对颜色视而不见时

Marino Watanabe, Takami Sato, Kentaro Yoshioka

机构 * Keio University（庆应义塾大学） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO

AI总结 研究VLA模型在现实环境中对光照干扰的脆弱性，提出FLARE攻击框架和ChromaGuard对抗训练方法，通过实验验证ChromaGuard能有效提升模型在颜色相关任务中的成功率，保障模型在复杂环境下的性能。

UniSteer: Unified Noise Steering for Efficient Human-Guided VLA Adaptation

统一噪声引导用于高效的人类引导VLA适应

Junjie Lu, Xinyao Qin, Yuhua Jiang, Kaixin Wang, Chuheng Zhang, Bin Liang, Jun Yang, Min Xu, Li Zhao

机构 * University of Technology Sydney（悉尼技术大学） ； Tsinghua University（清华大学） ； Microsoft Research（微软研究院） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO

AI总结 本文提出UniSteer框架，结合人类纠正指导与噪声空间RL，通过近似动作到噪声的逆向转换提升VLA在真实世界中的适应效率，实验显示成功率显著提升。

ExToken: Structured Exploration for Efficient Vision-Language-Action Reinforcement Fine-tuning

ExToken：用于高效视觉-语言-动作强化微调的结构化探索

Yilun Kong, Yunpeng Qing, Guozheng Ma, Haoyu Wang, Li Shen, Zhi Hou, Dacheng Tao

机构 * Nanyang Technological University（南洋理工大学） ； ACE Robotics（ACE机器人公司） ； Zhejiang University（浙江大学） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO

AI总结 研究VLA模型强化学习中探索停滞问题，提出ExToken框架，基于离线演示导出的离散行为先验调整VLA策略进行结构化探索，通过不同令牌鼓励多样行为模式，提升了探索效率与任务性能，在多任务实验中表现良好。

Reducing Temporal Redundancy for Efficient Vision-Language-Action Inference

减少时间冗余以实现高效视觉-语言-动作推理

Yuzhou Wu, Yuxin Zheng, Muchun Niu, Yishan Yang, Tianhao Liu, hanwen kang, Jiajian Jing, Linfeng Zhang, Chuan Wen

专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO

AI总结 研究针对VLA模型推理延迟高的问题，识别出时间冗余来源，提出系统级加速策略，在感知和动作生成上减少计算，经实验验证该策略能加速超2倍且保持高性能。

Comments 13pages, 7 figuers

MobileEgo Anywhere: Open Infrastructure for long horizon egocentric data on commodity hardware

MobileEgo Anywhere：基于商用硬件的长时域自我中心数据开放基础设施

Senthil Palanisamy, Abhishek Anand, Satpal Singh Rathore, Pratyush Patnaik, Shubhanshu Khatana, Ekaksh Janweja

机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, Santa Barbara（加州大学圣巴巴拉分校） 纠错

专题命中 机器人基础模型 ：robotics(abstract)；robotic(abstract)；分类 cs.CV

AI总结 提出MobileEgo Anywhere框架，利用智能手机传感器实现超过一小时的自我中心轨迹采集，并发布开源处理流水线STERA、移动应用及200小时数据集，验证其在视觉-语言-动作模型训练中的有效性。

From Foundation to Application: Improving VLA Models in Practice

从基础到应用：在实践中改进VLA模型

Wei Wu, Fangjing Wang, Fan Lu, He Sun, Shi Liu, Yunnan Wang, Yibin Yan, Yong Wang, Shuailei Ma, Xinyang Wang, Yibin Liu, Shuai Yang, Tianxiang Zhou, Kejia Zhang, Lei Zhou, Cheng Su, Nan Xue, Bin Tan, Han Zhang, Youchao Zhang, Fei Liao, Xing Zhu, Yujun Shen, Kecheng Zheng

专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO

AI总结 针对VLA模型实验室与实际应用差距问题，提出LingBot-VLA 2.0。通过改进数据处理、扩展动作空间及预测动力学建模等方法，经GM-100基准测试验证，提升了模型跨实体长距离移动操作能力。

Comments Website: https://technology.robbyant.com/lingbot-vla-v2, Github: https://github.com/robbyant/lingbot-vla-v2, Checkpoints: https://huggingface.co/collections/robbyant/lingbot-vla-v2

FailSafe: Reasoning and Recovery from Failures in Vision-Language-Action Models

FailSafe: 视觉-语言-动作模型中的失败推理与恢复

Zijun Lin, Jiafei Duan, Haoquan Fang, Dieter Fox, Ranjay Krishna, Cheston Tan, Bihan Wen

机构 * Nanyang Technological University（南洋理工大学） ； Centre for Frontier AI Research, A*STAR（A*STAR前沿人工智能研究中心） ； Allen Institute for AI（艾伦人工智能研究所） ； University of Washington（华盛顿大学） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO

AI总结 提出FailSafe系统，自动生成多样化失败案例及可执行恢复动作，微调LLaVA-OV-7B构建FailSafe-VLM，使机器人检测并恢复失败，在ManiSkill任务上平均提升三个VLA模型性能达22.6%。

Comments IROS 2026. Project Page: https://jimntu.github.io/FailSafe

VLA Grounder: Language-Conditioning Space Optimization for Black-Box VLA Models

VLA 接地器：用于黑盒 VLA 模型的语言条件空间优化

Damir Shodiev, Aleksei Staroverov, Nikita Kachaev, Alexey K. Kovalev, Aleksandr I. Panov

机构 * AXXX ； MIRAI（未来人工智能研究机构） ； MISIS（俄罗斯国立科技大学莫斯科钢铁合金学院） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；robot foundation model(abstract)；分类 cs.AI

AI总结 研究能否通过优化语言空间而非更新动作权重来改进冻结的 VLA 策略，提出语言条件空间策略，用强化学习优化，实验表明该优化能提升特定任务成功率，证明语言可作为机器人基础模型的可优化变量。

CoRE-VLA: Towards Scalable and Robust Vision-Language-Action Modeling via Conditional Routing of Experts

CoRE-VLA：通过专家的条件路由实现可扩展且稳健的视觉-语言-动作建模

Haozhe Zhang, Sixian Li, Yifei Zhang, Zezheng Huai, Hao Chen, Chunhua Shen, Jingjing Gong, Xipeng Qiu

机构 * Zhejiang University（浙江大学） ； Shanghai Innovation Institute（上海创新研究院） ； Fudan University（复旦大学） ； Nanjing University（南京大学） ； Jilin University（吉林大学） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO

AI总结 研究视觉-语言-动作模型在实际部署中的挑战，提出CoRE-VLA框架，通过上下文条件稀疏计算生成动作，利用传感器可用性和任务意图进行专家路由，实验证明其在多任务等方面表现出色。

VLA-Corrector: Lightweight Detect-and-Correct Inference for Adaptive Action Horizon

VLA-Corrector：面向自适应动作视界的轻量级检测与校正推理

Yi Pan, Miao Pan, Qi Lu, Jiaming Huang, Man Zhang, Siteng Huang, Xin Li, Jie Zhang, Yongliang Shen, Xuhong Zhang, Wenqi Zhang

机构 * OmniAI Group of ZJU ACES Lab（浙江大学ACES实验室OmniAI组） ； Zhejiang University（浙江大学） ； Alibaba DAMO Academy（阿里巴巴达摩院） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO

AI总结 提出VLA-Corrector，一种轻量级校正推理框架，通过潜在空间视觉监控和在线梯度引导，实现事件触发的自适应动作视界，在不修改骨干策略权重的情况下，中断复合错误并提升鲁棒性。

Comments 22 pages, 14 figures

Neuro-Symbolic Safety Guidance for Vision-Language-Action Models via Constrained Flow Matching

基于约束流匹配的视觉-语言-动作模型神经符号安全引导

William English, Hao Zheng, Rickard Ewetz

机构 * UCF. EDU（UCF教育机构） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO

AI总结 针对VLA模型缺乏有效安全措施的问题，提出神经符号安全引导机制，通过约束流匹配在去噪过程中修正轨迹，实现预测性避碰，在SafeLIBERO上显著提升安全性和任务成功率。

VLSA: Vision-Language-Action Models with Plug-and-Play Safety Constraint Layer

VLSA: 具有即插即用安全约束层的视觉-语言-动作模型

Songqiao Hu, Zeyi Liu, Shuang Liu, Jun Cen, Zihan Meng, Shihefeng Wang, Xiang Li, Xiao He

机构 * Department of Automation, Tsinghua University（清华大学自动化系） ； Institute for Embodied Intelligence and Robotics, Tsinghua University（清华大学智能与机器人研究院） ； TetraBOT ； DAMO Academy, Alibaba Group（阿里巴巴集团达摩院） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO

AI总结 提出AEGIS架构，通过控制屏障函数构建即插即用安全约束层，集成到VLA模型中保证安全性与任务性能，在SafeLIBERO基准上障碍物避免率提升超50%，任务成功率提升近10%。

Comments Accepted by IROS 2026

Transport Discrepancy as a Reliability Signal for Vision-Language-Action Models

传输差异作为视觉-语言-动作模型的可靠性信号

Wanpeng Zhang, Ye Wang, Hao Luo, Haoqi Yuan, Yicheng Feng, Chaoyi Xu, Sipeng Zheng, Qin Jin, Zongqing Lu

机构 * Peking University（北京大学） ； Renmin University of China（中国人民大学） ； BeingBeyond 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO

AI总结 提出DiG模块，通过计算切片Wasserstein传输代价作为可靠性信号，利用指数门控调节特征细化和训练损失，在分布偏移和长时域任务中显著提升VLA模型成功率。

Unleashing More Actions via Action Compositional Training for VLA Models

通过动作组合训练释放VLA模型的更多动作

Kai Peng, Jie Lu, Xiaojiang Peng

专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO

AI总结 针对VLA模型因过拟合特定行为模式而无法泛化到新动作组合的问题，提出ACT-VLA框架，利用模型潜在任务表示从现有任务中合成新演示数据，无需额外人工采集，有效缓解过拟合并提升泛化能力。

X-DiffVLA: X-Embodied Diffusion Action Heads for Vision-Language-Action Models

X-DiffVLA：面向视觉-语言-动作模型的跨具身扩散动作头

Boyu Li, Chaoyi Xu, Haoqi Yuan, Xinrun Xu, Börje F. Karlsson, Haoran Li, Zongqing Lu, Dongbin Zhao

机构 * SKL-MAIS, Institute of Automation, Chinese Academy of Sciences（SKL-MAIS，自动化研究所，中国科学院） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（人工智能学院，中国科学院大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； BeingBeyond ； School of Computer Science, Peking University（北京大学计算机学院） 纠错

专题命中 机器人基础模型 ：robotics(abstract)；robotic(abstract)；分类 cs.RO

AI总结 针对跨具身数据学习通用策略的挑战，提出X-DiffVLA模型，通过扩散模型和具身强制技术实现异构末端执行器间的知识迁移，在RoboCasa和Isaac Gym上分别提升15.3%和12.5%。

SpikeVLA: Vision-Language-Action Models with Spiking Neural Networks

SpikeVLA：基于脉冲神经网络的视觉-语言-动作模型

Ruiqi Song, Dujun Nie, Siyu Teng, Baiyong Ding, Xiaotong Zhang, Dong Li, Chenming Zhang, Yuchen Li, Hangbin Wu, Long Chen

专题命中 机器人基础模型 ：navigation(abstract)；robotic(abstract)；分类 cs.RO

AI总结 提出SpikeVLA，一种脉冲VLA架构，通过事件驱动稀疏计算降低能耗，在导航和机器人控制任务中保持竞争力，适用于低功耗实时具身智能。

Comments Accepted by ICML 2026. 16 pages, 9 figures

Journal ref Proceedings of the 43rd International Conference on Machine Learning, 2026