Internal Spatiotemporal Stochastic Resonance in a Microscopic Surface Reaction Model
专题命中 VLA模型 ：action model(title)
Comments 5 pages, 3 figures
视觉与机器人
VLA / 视觉-语言-动作模型
视觉-语言-动作模型、机器人基础模型和语言条件机器人控制。
1. VLA模型 9176 篇
Lagrange: An Open-Vocabulary, Energy-Based Sparse Framework for Generalized End-to-End Driving
Lagrange: 一种面向通用端到端驾驶的开放词汇、基于能量的稀疏框架
专题命中 VLA模型 ：vision-language-action(abstract)；VLA(abstract)；分类 cs.AI
AI总结 提出Lagrange框架，利用掩码潜在场和视觉语言模型实现开放词汇、稀疏计算，通过拉格朗日动作最小化确保运动学约束，在nuScenes和CODA基准上验证了鲁棒性和可解释性。
Comments Withdrawn due to serious concerns regarding the authenticity and accuracy of the listed authorship. The identity of one or more listed authors cannot presently be verified, and the author list may not represent distinct contributors. The manuscript is withdrawn pending institutional review
Scaling Automatic Research Agents via World Models
通过世界模型扩展自动研究智能体
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon（亚马逊公司）
专题命中 VLA模型 ：VLA(abstract,abstract_cn)；分类 cs.LG
AI总结 针对自动研究智能体扩展时的训练瓶颈，提出WMRL方法，结合两种缓解措施提升收敛性，训练加速3-4倍且性能优于更大规模智能体，还可迁移至多类任务。
OpenRC: An Open-Source Robotic Colonoscopy Framework for Multimodal Data Acquisition and Autonomy Research
OpenRC：一种用于多模态数据采集和自主性研究的开源机器人结肠镜框架
机构 * Walker Department of Mechanical Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校沃克机械工程系） ； Department of Surgical Oncology, Division of Surgery, The University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心外科肿瘤学系） ； School of Medicine and Health, Technical University of Munich（慕尼黑工业大学医学与健康学院）
专题命中 VLA模型 ：vision-language-action(abstract)；VLA(abstract)；分类 cs.RO
AI总结 OpenRC框架通过整合开源硬件和多模态数据集，为机器人结肠镜和手术自主性研究提供了可重复的基础，支持同时记录视频、操作指令、执行状态和末端位置，并验证了运动一致性和跨模态延迟。
Comments Abstract: Added repository and contribution statement
Robotic Manipulation is Vision-to-Geometry Mapping: Vision-Geometry Backbones over Language and Video Models
机器人操作是视觉到几何映射（f(v)→G）：超越语言和视频模型的视觉-几何骨干
机构 * Sun Yat-sen University（中山大学） ； Guangdong Key Laboratory of Big Data Analysis（大数据分析与处理广东省重点实验室） ； X-Era AI Lab（X-Era人工智能实验室） ； AMAP, Alibaba（阿里妈妈实验室） ； Guangdong University of Technology（广东工业大学）
专题命中 VLA模型 ：VLA(abstract,abstract_cn)；分类 cs.RO
AI总结 本文提出基于视觉-几何骨干的机器人操作方法，通过直接利用预训练的3D表示生成动作，优于传统语言或视频模型，在精确操作和零样本泛化中表现更优。
Comments Accepted at ACM Multimedia 2026
4D-WAM: 4D Consistent World Modeling for Autonomous Driving
4D-WAM：面向自动驾驶的4D一致世界建模
专题命中 VLA模型 ：action model(abstract,abstract_cn)；分类 cs.CV
AI总结 本文提出4D-WAM模型，通过几何基础模型的训练时监督与面向决策的时间步长采样策略，提升自动驾驶中世界-动作模型的4D场景一致性，在NAVSIM-v1、NAVSIM-v2基准上实现最优性能。
Lagrangian Perturbation Diffusion Steering: Latent Reinforcement Learning for Generative Policies
拉格朗日扰动扩散引导：用于生成策略的潜在强化学习
机构 * University of Michigan（密歇根大学）
专题命中 VLA模型 ：vision-language-action(abstract)；action model(abstract)；分类 cs.LG
AI总结 提出拉格朗日扰动扩散引导（LP-DS），通过学习紧凑的噪声空间扰动来微调冻结的生成策略，利用拉格朗日信任区域目标优化，在保持潜在先验约束的同时提升下游价值，在多个基准上实现样本效率和回报提升。
Comments Accepted as a regular paper at ICML 2026
Exo2EgoPose: Leveraging Exocentric Demonstrations for Vision-Language guided Egocentric 3D Hand Pose Forecasting
Exo2EgoPose：利用外心演示进行视觉语言引导的自我中心3D手部姿态预测
机构 * University of Electronic Science and Technology of China（电子科技大学）
专题命中 VLA模型 ：VLA(abstract,abstract_cn)；分类 cs.CV
AI总结 研究视觉语言引导的自我中心3D手部姿态预测任务，提出Exo2EgoPose框架，利用外心演示补偿自我中心视角线索不足，含双层外心重建模块和全局到局部调制模块，实验显示该方法优于现有技术，具备人机转移能力且有改进。
Comments Accepted by ACMMM 2026
TiPToP: A Modular Open-Vocabulary Robot Manipulation System That Plans
TiPToP：一种用于机器人操作的模块化开放式词汇规划系统
专题命中 VLA模型 ：VLA(abstract,abstract_cn)；分类 cs.RO
AI总结 TiPToP是一种模块化开放式词汇规划系统，结合预训练视觉模型与任务规划器，通过自然语言指令和RGB图像直接解决多步骤操作任务，实现实时高效的操作规划。
Comments Project website: https://tiptop-robot.github.io
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
机构 * Princeton University（普林斯顿大学） ； Together AI（联合人工智能）
专题命中 VLA模型 ：vision-language-action(abstract)；VLA(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。
RoboInter1.5: A Holistic Intermediate Representation Suite for Embodied World Modeling and Robotic Manipulation
RoboInter1.5：用于具身世界建模和机器人操作的整体中间表示套件
专题命中 VLA模型 ：VLA(abstract,abstract_cn)；分类 cs.RO
AI总结 研究针对现有机器人数据集问题，基于RoboInter1.0提出RoboInter1.5套件，含多种中间表示资源及相关任务，通过广泛评估证明其为中间表示提供统一时空框架，将其作为双向接口，规范动作空间并约束物理模拟器潜在展开。
Comments 28 pages. arXiv admin note: substantial text overlap with arXiv:2602.09973
TacRefineNet: Goal-Conditioned Tactile Grasp Refinement for Edge-Prominent Objects
TacRefineNet：用于边缘突出物体的目标条件触觉抓取优化
机构 * Xiaomi Robotics（小米机器人）
专题命中 VLA模型 ：vision-language-action(abstract)；VLA(abstract)；分类 cs.RO
AI总结 研究针对边缘突出物体抓取对齐难的问题，提出TacRefineNet框架，利用连体策略网络预测手腕姿态增量，经交叉组合训练，在模拟样本上训练后部署到实际五指手，实验表明其在可见物体抓取上有一定成功率及误差控制，还有长期扰动校正等特点。
Comments 9 pages, 8 figures
Video = World + Event Stream
视频 = 世界 + 事件流
机构 * Alibaba Group（阿里巴巴集团）
专题命中 VLA模型 ：vision-language-action(abstract)；action model(abstract)；分类 cs.CV
AI总结 研究提出Wan-Streamer v0.3，将视频视为世界加事件流，据此有通用预训练任务，应用于实时全双工视听交互，保留v0.2运行点，为实时下游任务提供能力。
Comments website: https://wan-streamer.com/v0.3/
Initiation Safety: A Missing Dimension in Generalist-Robot Safety
启动安全：通用机器人安全中缺失的维度
专题命中 VLA模型 ：VLA(abstract,abstract_cn)；分类 cs.RO
AI总结 探讨通用机器人安全中缺失的启动授权维度，通过在人形机器人上实施PAS等方法进行研究，并提出包含三个条件的用户研究，涉及多方面开放性问题。
Comments 4 pages, 2 figures. Accepted to RSS 2026 Workshop on Rethinking Safety for Generalist Robots
SUREFlow: State-space Uncertainty-aware REsidual Flow Matching for Robust Robot Manipulation
SUREFlow：用于鲁棒机器人操作的状态空间不确定性感知残差流匹配
机构 * School of Electronic and Electrical Engineering, Kyungpook National University（庆尚国立大学电子与电气工程学院）
专题命中 VLA模型 ：vision-language-action(abstract)；VLA(abstract_cn)；分类 cs.RO
AI总结 研究针对机器人操作策略在复杂条件下的不稳定性问题，提出SUREFlow框架，基于Mamba主干联合预测动作速度与残差不确定性，能选择性细化动作维度，在LIBERO等平台实验中取得良好效果，提升了机器人操作的鲁棒性与效率。
Comments Accepted at IEEE/RSJ International Conference on Intelligent Robots & Systems (IROS) 2026, Pittsburgh, PA, USA
EgoSteer: A Full-Stack System Towards Steerable Dexterous Manipulation from Egocentric Videos
EgoSteer：一个用于从第一人称视角视频实现可控灵巧操作的全栈系统
机构 * Institute for AI, PKU（北京大学人工智能研究院） ； PKU-PsiBot Joint Lab（北大-灵犀机器人联合实验室） ； UPenn（宾夕法尼亚大学）
专题命中 VLA模型 ：VLA(abstract,abstract_cn)；分类 cs.RO
AI总结 针对灵巧手系统因缺乏数据而无可控性的问题，提出全栈系统EgoSteer，集成EgoSmith数据管道等，通过人类数据预训练赋予语言引导操作先验，经机器人后训练强化，能执行多样任务，还开源相关内容。
TouchWorld: A Predictive and Reactive Tactile Foundation Model for Dexterous Manipulation
TouchWorld：一种用于灵巧操作的预测性和反应性触觉基础模型
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； PHANES AI（PHANES人工智能公司）
专题命中 VLA模型 ：vision-language-action(abstract)；action model(abstract)；分类 cs.RO
AI总结 研究针对日常环境中灵巧操作需预测与反应的问题，提出TouchWorld模型。该模型采用分层策略，分离多项任务。通过将触摸用于预测和反馈，提升局部接触适应性。在六个相关任务中表现出色，超越最强基线。
Dynamic Execution Horizon Prediction for Chunk-based Robot Policies
基于分块的机器人策略的动态执行视界预测
机构 * University of Toronto（多伦多大学） ； Vector Institute for Artificial Intelligence（向量人工智能研究所） ； Acceleration Consortium（加速联盟） ； Canadian Institute for Advanced Research (CIFAR)（加拿大高等研究院） ； Georgia Institute of Technology（佐治亚理工学院） ； NVIDIA（英伟达）
专题命中 VLA模型 ：vision-language-action(abstract)；action model(abstract)；分类 cs.RO
AI总结 提出DEHP方法，通过在线强化学习训练轻量级执行视界预测分支，在冻结预训练分块策略的情况下动态调整执行步数，显著提升高精度和长时域操作任务的成功率。
PhysMani: Physics-principled 3D World Model for Dynamic Object Manipulation
PhysMani：基于物理原理的动态物体操作3D世界模型
机构 * vLAR Group, The Hong Kong Polytechnic University（香港理工大学vLAR Group） ； Astribot
专题命中 VLA模型 ：action model(abstract)；分类 cs.RO、cs.CV、cs.AI
AI总结 提出PhysMani框架，结合物理原理的3D高斯世界模型与未来感知动作策略模型，通过在线优化学习无散度高斯速度场预测动态，在16个任务基准上超越基线方法。
Comments ECCV 2026. Code and data are available at: https://github.com/vLAR-group/PhysMani
Building a Scalable, Reproducible, Evaluatable, and Closed-Loop Simulation Environment Foundation for Embodied Intelligence
构建可扩展、可复现、可评估、闭环的具身智能仿真环境基础：面向具身智能训练、评估和数据收集的云原生仿真基础设施
机构 * AI Infra Team at JDT（京东科技AI基础设施团队） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； Beihang University（北京航空航天大学）
专题命中 VLA模型 ：VLA(abstract,abstract_cn)；分类 cs.RO
AI总结 提出一种云原生仿真基础设施框架，通过弹性资源调度、容器化仿真等技术，实现大规模、标准化、可复现的具身智能训练、评估与数据收集。
Chronos: A Physics-Informed Full-History Framework for Non-Markovian Long-Horizon Manipulation
Chronos: 一种基于物理信息的全历史框架用于非马尔可夫长时域操作
机构 * School of Mechanical Science and Engineering, Huazhong University of Science and Technology（华中科技大学机械科学与工程学院）
专题命中 VLA模型 ：VLA(abstract,abstract_cn)；分类 cs.RO
AI总结 针对现有策略依赖马尔可夫假设导致记忆依赖任务失败的问题，提出Chronos框架，将观测历史作为策略潜状态，通过选择性状态空间模型传播因果历史状态，并利用二阶薛定谔桥预测加速度场，在16个模拟和4个真实任务中显著超越基线。
Comments 20 pages, 10 figures. Submitted to IEEE Transactions on Robotics
Robotic Arm-Based Spectral Sensing for Strawberry Positioning and Non-Destructive Sweetness Measurement
基于机械臂的光谱传感用于草莓定位与无损甜度测量
机构 * Postdoctoral Supervisor: Dr Mark Cardamis（博士后导师：Mark Cardamis） ； Supervisor: Professor Wen Hu（导师：Wen Hu）
专题命中 VLA模型 ：vision-language-action(abstract)；action model(abstract)；分类 cs.RO
AI总结 提出一种集成RGB-ToF感知与机械臂控制的闭环系统，实现草莓检测、定位、接近及无损甜度估计，实验成功率达88.10%。
Comments 51 pages, 23 figures
Text-Guided 6D Object Pose Rearrangement via Closed-Loop VLM Agents
基于闭环VLM代理的文本引导的6D物体姿态重排
机构 * Seoul National University RLWRLD（首尔大学 RLWRLD）
专题命中 VLA模型 ：vision-language-action(abstract)；action model(abstract)；分类 cs.CV
AI总结 本文提出通过闭环VLM代理实现文本引导的6D物体姿态重排，引入多视角推理、坐标系可视化和单轴旋转预测等技术，提升VLM在3D场景中推理目标物体姿态的能力，且在不同VLM上均有效。
TuringViT: Making SOTA Vision Transformers Accessible to All
TuringViT：让最先进的视觉Transformer人人可用
机构 * Foundation Model Team, Xpeng Inc.（小鹏汽车基础模型团队）
专题命中 VLA模型 ：VLA(abstract,abstract_cn)；分类 cs.CV
AI总结 提出TuringViT，通过图灵线性注意力、VISTA-Curation数据构建和原生动态分辨率预训练，仅用10%数据即可超越开源ViT基线，并显著提升下游VLM性能和高分辨率延迟。
Inference-Time Robot Behavior Steering through Physically-Aware Reconfiguration of Task-Structure
推理时通过物理感知的任务结构重配置实现机器人行为引导
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
专题命中 VLA模型 ：VLA(abstract,abstract_cn)；分类 cs.RO
AI总结 提出ReStruct方法，利用神经自动机策略将视觉运动策略分解为高层状态机骨架和低层残差控制器，通过同步乘积将用户偏好融入骨架以重配置任务结构，实现无需重训练的推理时行为引导，在仿真和真实实验中优于现有方法。
LaST-HD: Learning Latent Physical Reasoning from Scalable Human Data for Robot Manipulation
LaST-HD：从可扩展人类数据中学习潜在物理推理以进行机器人操作
机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机学院多媒体信息处理国家重点实验室） ； The Chinese University of Hong Kong（香港中文大学） ； Simplexity Robotics ； Aether Tech
专题命中 VLA模型 ：VLA(abstract,abstract_cn)；分类 cs.RO
AI总结 提出LaST-HD框架，通过将人手与机器人演示在共享潜在推理空间中对齐，利用未配对轨迹训练世界模型合成统一潜在目标，实现跨形态物理动力学内化，并开发低成本数据手套OOL Glove，结合混合训练策略，仅用少量人类数据即可达到高泛化性能。
Flowing With Purpose: Latent Action Guided Flow Matching Policies For Robotic Manipulation
有目的的流动：潜在动作引导的流匹配策略用于机器人操作
机构 * École Centrale de Lyon（里昂中央理工学院） ； LIRIS, UMR5205（LIRIS实验室，UMR5205）
专题命中 VLA模型 ：vision-language-action(abstract)；action model(abstract)；分类 cs.RO
AI总结 提出潜在动作引导流匹配（LAFM）框架，通过自适应先验分布库替代固定高斯分布，利用潜在动作模型选择结构对齐的初始化，解决流匹配策略中向量场纠缠问题，在真实机器人部署中成功率提升23.4%。
Remember what you did?: Learning Behavioral Memories for Partially Observable Object Manipulation
记住你做了什么？：学习部分可观察物体操作的行为记忆
机构 * UC San Diego（加州大学圣地亚哥分校）
专题命中 VLA模型 ：vision-language-action(abstract)；action model(abstract)；分类 cs.RO
AI总结 针对长时域、接触式操作中的部分可观测问题，提出压缩动作记忆策略（CAMP），通过自监督学习动作历史压缩表示，隐式追踪任务进度并从失败中学习，在多个真实和仿真任务上超越现有方法。
Comments Project website: robo-camp.github.io
Slow Brain, Fast Planner: Latency-Resilient VLM-Augmented Urban Navigation
慢速大脑，快速规划器：延迟鲁棒的VLM增强城市导航
机构 * Amazon FAR（亚马逊 FAR） ； UCLA（加州大学洛杉矶分校） ； Independent（独立） ； Zhejiang University（浙江大学）
专题命中 VLA模型 ：vision-language-action(abstract)；action model(abstract)；分类 cs.RO
AI总结 针对移动机器人在人行道导航中轨迹评分差距问题，提出一种无需训练的延迟鲁棒轨迹级融合层，利用VLM选择候选轨迹并与规划器输出融合，在挑战场景下降低ADE 30%。
Output Type Before Quality: A Standards-Derived XAI Admissibility Rubric for Autonomous-Driving Safety
先输出类型，后质量：基于标准的自动驾驶安全XAI可接受性评估标准
机构 * NVIDIA Corporation（英伟达公司） ； NVIDIA GmbH（英伟达德国分公司）
专题命中 VLA模型 ：VLA(abstract,abstract_cn)；分类 cs.AI
AI总结 针对基于ML的自动驾驶安全标准与XAI方法输出类型不匹配的证据类型缺口，从多个安全标准推导出19项可测试证据标准，评估六类XAI方法，发现因果XAI在三个生命周期阶段结构上必需，并提出了结构可接受性概念。
Comments Accepted at SAFECOMP 2026 Workshops (SASSUR); to appear in Springer LNCS
