期刊&会议
Conference on Robot Learning · 会议 · Robotics
从基础视觉语言模型到通用驾驶视觉语言模型：一种三元组增量训练方法
机构 * Zhejiang University（浙江大学）
AI总结 本研究提出三元组增量训练框架，将通用VLM适配为驾驶VLM，无推理开销，在多基准上性能优于现有模型，保留通用推理能力。
Comments 13 pages, 3 figures, 7 tables. Accepted at the 10th Conference on Robot Learning (CoRL 2026)
机构 * Superb AI
AI总结 该研究针对不完美检测下的主动目标搜索问题，提出BAMOS方法，经Isaac Sim和HSSD房屋实验发现目标信念及其更新机制对搜索性能至关重要，为具身智能体世界模型设计提供了见解。
Comments Accepted in CoRL 2026 Workshop on Do Robots Need World Models
机构 * Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院） ； Robotics Institute Germany (RIG)（德国机器人研究所）
AI总结 该研究探究VLA反应性的影响因素，通过调整预测与执行horizon、对比同步异步推理等方法，发现反应性依赖执行流水线与策略，需同时评估两者。
Comments 13 pages, 7 figures, Efficient Foundation Models for Real-Time Embodied AI, CoRL 2026 Workshop
机构 * Deccan AI（德干人工智能公司）
AI总结 该研究指出仅用未来预测分数评估视频世界模型不可靠，通过匹配对照分离出预测器贡献，发现V-JEPA系列中预测器贡献存在差异，建议报告分数时附带持续性基线以提升可解释性。
Comments Accepted at the CoRL 2026 Workshop "Do Robots Need World Models?"
机构 * University of Minnesota, Twin Cities（明尼苏达大学双城分校）
AI总结 本研究提出CrowdMAPS众包范式，通过网络3D界面让非专家标注者为机器人状态补充多动作，在五项操作任务中，每状态动作从1增至10使策略平均成功率提升33.0-35.6个百分点，为机器人模仿学习提供可扩展数据增强方案。
Comments Conference on Robot Learning (CoRL) 2026
机构 * Northwestern University（西北大学）
AI总结 该研究针对具身世界模型（WM）无法评估反事实动作后果建模保真度的问题，提出用敏感性分析检验其预测能力，并指出需新评估框架分析状态误差与敏感性预测的权衡。
Comments Presented at "Do Robots Need World Models?" Workshop at Conference on Robot Learning (CoRL) 2026
机构 * Robotic Systems Lab, ETH Zurich（苏黎世联邦理工学院机器人系统实验室）
AI总结 提出GENESIS-Handover方法，利用VLM图像生成任务特定的手-物体交互假设，实时匹配人类手部姿态，实现稳健的任务导向机器人-人交接，用户研究中83.3%认为其任务理解优于先前方法。
Comments Accepted to the Conference on Robot Learning (CoRL) 2026
WAM在BEHAVIOR-1K挑战赛中表现出色：2026年BEHAVIOR挑战赛的亚军方案
机构 * Shenzhen Intellifusion Technologies Co., Ltd.（深圳云天励飞技术股份有限公司） ； Johns Hopkins University（约翰斯·霍普金斯大学）
AI总结 本研究提出2026年BEHAVIOR挑战赛亚军方案，基于WAM改进Cosmos 3，结合多技术优化，在100项家庭任务评估中取得Q分数0.615、全任务成功率41.2%的成绩。
Comments 27 pages, 8 figures, 11 tables. Technical report for Team IF1001's 2nd-place solution to the 2026 BEHAVIOR Challenge at CoRL 2026. Challenge website: https://behavior.stanford.edu/challenge/index.html
机构 * GrayMatter Robotics Inc.（格雷马特机器人公司）
AI总结 该研究针对主动感知的次最佳视点选择问题，提出从局部校准数据学习传感器返回适配器的部署适配方法，经实验验证可提升表面覆盖率并减少采集次数。
Comments Accepted to CoRL 2026 Workshop "Do Robots Need World Models?"
你的视觉-语言-动作（VLA）模型中有多少是基于k近邻（kNN）的
机构 * Sereact GmbH（Sereact公司） ； Karlsruher Institut für Technologie（卡尔斯鲁厄理工学院）
AI总结 本研究探究VLA模型性能与kNN检索的关联，发现无需训练的kNN检索在LIBERO上达91.7%成功率，在LIBERO-Plus扰动下性能下降最小，还提出LAC指标可指导检索键训练。
Comments 21 pages, 10 figures, accepted to the CoRL 2026 G2A/TAG workshop
视觉语言动作（VLA）模型需要多少演示样本？关于VLA微调的样本效率
机构 * Stanford University（斯坦福大学） ； California Polytechnic State University（加州州立理工大学）
AI总结 该研究探究VLA微调的样本效率，发现π₀.₅样本效率最高，GR00T中N1.5适应效率优于N1.6、N1.7，冻结VLM会损害π模型性能。
Comments 14 pages, 8 figures, CoRL Workshop
SuperMimic：用一个可微分世界模型扩展人形机器人全身控制
机构 * UC Berkeley（加州大学伯克利分校）
AI总结 SuperMimic用可微分世界模型分摊人形运动学习，效率远超基线，可迁移到Unitree G1，消除了计算瓶颈。
Comments Accepted at CoRL 2026 (Oral). Project website: https://supermimic.github.io
机构 * University of Bonn（波恩大学） ； Lamarr Institute（拉马尔研究所） ； ETH Zürich（苏黎世联邦理工学院） ； Microsoft（微软）
AI总结 针对真实机器人操作基准的可复现性与复杂性问题，本文提出随机挑战范式，构建移动操作基准并比较不同实验室的两台机器人。
Comments Accepted at the 10th Conference on Robot Learning (CoRL 2026). 15 pages, 3 figures
机构 * Charles University, Faculty of Mathematics and Physics（查尔斯大学数学与物理学院）
AI总结 本研究以机器人国际象棋为案例，探究VLA模型的真实与模拟数据适配，发现模拟预训练可提升性能，学习率冷却对检查点比较关键，部分强化学习方法未带来可测提升。
Comments CoRL 2026 Workshop "Pretrain to Adapt: What Makes a Pretrained Policy Adaptable?". 8 pages main text, 15 pages total, 15 figures, 4 tables
机构 * NAVER AI Lab（NAVER AI实验室） ； Georgia Institute of Technology（佐治亚理工学院） ； Korea University（高丽大学）
AI总结 本文提出SPARK后训练方法，将基础模型适配至机器人控制，通过时间抽象与知识保留原则生成紧凑视觉表征，在机器人基准实验中提升了成功率与泛化性，且可迁移至真实机器人操纵。
Comments CoRL 2026. 16 pages, 3 figures, 13 tables
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 该研究针对双臂机器人翻转不同物体的编程难题，提出编程智能体通过物理仿真迭代学习逐步掌握翻转技能，使任务成功率从24.7%升至95.0%，生成的图代码可实现物理机器人多阶段翻转。
Comments CoRL 2026 late breaking. Project webpage https://berkeleyautomation.github.io/flipanything/
机构 * Purdue University Fort Wayne（普渡大学韦恩堡分校）
AI总结 本文提出流故障预测（SFF）监控器，仅重新拟合最后一层线性层，在未宣布漂移下对故障排序效果优于冻结监控器，可帮助应对部署后的环境与策略变化。
Comments 25 pages, 13 figures, 9 tables. A short version was accepted at the Sim2Real2Field and EEAI workshops at CoRL 2026. Project page: https://sff-research.org
带在线推理调优的离线强化学习：我对CoRL 2026 RoboEval挑战赛的解决方案
AI总结 该研究针对CoRL 2026 RoboEval挑战赛，提出含通用离线强化学习与竞赛特定补充数据的方案，使策略在保留种子和官方种子上分别达到0.990、0.987的RDS。
Comments Technical report for the RoboEval Challenge at CoRL 2026. Code: https://github.com/IliaLarchenko/RoboEvalSolution ; checkpoint: https://huggingface.co/IliaLarchenko/RoboEvalSolution ; project page: https://ilialarchenko.com/projects/roboeval2026/
机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of Minnesota Twin Cities（明尼苏达大学双城分校） ； Meta
AI总结 本研究提出 HARP-Bench 基准，将人类活动纳入机器人操作评估，设置四类场景测试 VLA 等策略，发现人类在场变体挑战现有策略，训练用该基准演示可提升仿真性能。
Comments Accepted at CoRL 2026
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Computer Science and Artificial Intelligence Laboratory (CSAIL)（计算机科学与人工智能实验室） ； Pickle Robot Company（Pickle机器人公司）
AI总结 该研究针对扩散策略蒸馏中多模态缺失问题，将 vine 采样适配到行为克隆数据收集，通过增加相同观测下的动作查询次数，提升了扩散策略对演示者多模态分布的匹配度，在合成任务和二维卡车卸载任务中均取得性能提升。
Comments Presented at Pretrain to Adapt Workshop at the 10th Conference on Robot Learning (CoRL 2026). Project website: https://shaoyuan.cc/research/vine/
DreamVLA：从生成的人体运动到人形机器人视觉-语言-动作策略
机构 * Princeton University（普林斯顿大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校）
AI总结 DreamVLA利用生成的人体运动轨迹指导仿真强化学习，通过参考条件DAgger蒸馏解决分布偏移，无需特定任务遥操作数据，可训练人形机器人VLA策略并完成多项任务。
Comments Accepted to CoRL 2026 workshops G2A: From Generative Models to Robot Actions and Open Problems in Contact-Rich Loco-Manipulation
机构 * Seoul National University（首尔国立大学） ； University of Pittsburgh（匹兹堡大学） ； POSTECH（浦项科技大学）
AI总结 针对稀疏驾驶场景中3D边界框标注的部分可见难题，提出AmodalBox框架，利用图像生成的3D资产作为非模态几何先验，在两个基准数据集上显著提升了3D目标检测性能。
Comments Accepted by CoRL 2026
机构 * NAVER LABS（NAVER实验室）
AI总结 该研究针对灵巧操作的触觉传感器放置问题，通过固定训练条件仅改变配置，发现少量选定点的触觉像素效果等同于大量均匀放置的，且布局不影响性能，为触觉策略设计提供了经验教训。
Comments Accepted at the Workshop on Everything Beneath the Policy, CoRL 2026. 8 pages, 5 figures, 12 tables
机构 * Toyota Research Institute（丰田研究所）
AI总结 该研究提出将低成本触觉阵列集成到视觉触觉ACT策略中，在接触丰富或遮挡操作中，其性能优于带腕部相机的纯视觉策略，可替代腕部相机。
Comments Accepted at the 3rd Workshop on Dexterous Manipulation: Full-Stack Robotics on Learning and Design, CoRL 2026
握持、追踪、书写：面向高自由度机器人手写的力感知模仿与强化学习
机构 * Daxo Robotics（达索机器人公司）
AI总结 本研究提出Grip, Trace, Write力感知仿真框架，通过双分支actor结合模仿与强化学习，实现高自由度机器人手写，在多任务中性能优于基线且可跨语言泛化，为灵巧工具使用提供测试平台。
Comments This paper is accepted by CoRL 2026 Workshop PhysWM
谁教会了机器人那个？从在线学习的机器人策略中移除某一用户的修正
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Centific（森蒂菲克公司）
AI总结 本文研究从在线学习的机器人策略中移除某一用户修正的问题，发现移除效果取决于用户修正方式，接管控制时按剩余会话顺序重训可接近目标，轻推动作时无测试方法能恢复目标。
Comments Accepted at the HumanRLI Workshop at CoRL 2026
UniLatent：通过潜在观测对齐实现跨 embodiment 迁移
机构 * University of Southern California（南加州大学） ； UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 UniLatent 是一种跨机器人 embodiment 迁移框架，通过对齐共享潜在空间的源与目标视觉编码器，实现零样本迁移，在仿真任务中成功率达 93%，真实场景微调后也表现优异。
Comments Accepted to CoRL 2026
机构 * ML Collective
AI总结 SmolWAM是从Cosmos Policy衍生的轻量潜在世界-动作模型，适配边缘设备，在LIBERO任务中实现95.5%的成功率，速度、运算量和内存占用均显著优于原模型。
Comments v2: Added action-only ablation, expanded efficiency analysis, and edge GPU benchmarks. Accepted at the NeurIPS 2026 Robot Learning with World Models workshop and the CoRL 2026 Do Robots Need World Models? and The Action Gap workshops. Code: https://github.com/iitimii/SmolWAM
机构 * University of Exeter（埃克塞特大学） ； ByteDance（字节跳动） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； UC San Diego（加州大学圣迭戈分校）
AI总结 本研究提出Co-RL框架，通过参数不共享的多智能体协作训练，利用同伴奖励减少对真实标注的依赖，提升纯文本及多模态任务的推理性能，缓解训练崩溃与响应同质化问题。
Comments 31 pages. Code: https://github.com/Diverse-CoRL/Co-RL. Project page: https://williamium3000.github.io/Co-RL/
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出矩阵自由隐式微分和基于Dalečkii-Krein的PSD锥反向传播规则，解决深度展开应用于大规模半定规划时的内存和数值稳定性问题，实现轻量级超参数策略和热启动学习，在多种问题上取得高达50倍加速。
Comments Presented at CoRL 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈