RoboTwin 2.0
PulseAugur coverage of RoboTwin 2.0 — every cluster mentioning RoboTwin 2.0 across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
新的MECo-WAM模型通过4D几何先验增强机器人操作能力
研究人员开发了MECo-WAM，这是一种新颖的世界动作模型，旨在通过整合4D几何先验来增强机器人操作能力。该模型在不增加推理成本的情况下，将与动作相关的几何信息注入到视频-动作表示中。MECo-WAM采用多专家协同训练方法，包括一个轻量级的4D专家，并采用衰减的4D读掩码注意力和动作感知时间几何蒸馏等技术，以提高在LIBERO和RoboTwin 2.0等任务以及现实世界操作中的性能。
-
新的视觉运动策略框架实现了高保真单步机器人控制
研究人员开发了一种新颖的单步生成式视觉运动策略框架，旨在改进机器人控制。该新方法结合了递归一致动作流（RCAF）来校正空间误差，双时间步频率一致性（DTFC）来保持精细操作细节，以及对比流匹配（CFM）来减少模糊动作。在各种机器人平台上进行的实验表明，该方法在仅需一次前向传播的情况下，实现了与多步方法相当的性能，从而实现了更低延迟的控制。
-
Self-Variable Robotics unveils X-Tokenizer for embodied AI action segmentation
Zibianliang (Self-Variable) Robotics has introduced X-Tokenizer, a novel cross-modal embodied action tokenizer designed to improve the semantic understanding between visual-language models (VLMs) and robot action expert…
-
ACE-Ego具身模型在关键基准测试中达到SOTA
来自GreatX Robot和香港中文大学MMLab的研究人员推出了一种新颖的具身操作VLA模型ACE-Ego。该模型采用“以人为中心”的训练范式，有效地结合了大规模第一人称人类视频和多机器人数据。ACE-Ego在RoboCasa GR1 TableTop和RoboTwin 2.0这两个主要的具身智能基准测试中取得了最先进的成果，在复杂的零售场景中展现出强大的泛化能力。
-
以人为中心的视频在具身AI预训练中优于机器人数据
研究人员发现，与传统的遥操作机器人轨迹相比，以人为中心的视频可以作为一种更有效且成本效益更高的数据源，用于具身基础模型的预训练。研究表明，在过滤后的以人为中心的视频数据上训练的模型，在动作预测和任务执行方面取得了优于使用真实机器人数据训练的模型。这表明一种新范式，即使用多样化的人类视频数据进行初始预训练，然后用一小部分标记的机器人数据进行适应，以实现精确的动作对齐。
-
ACE ROBOTICS 的 Kairos 世界模型树立了新的具身人工智能基准
ACE ROBOTICS 发布了其 Kairos 世界模型，该模型在四个主要的具身人工智能基准测试中取得了最高排名：RoboTwin 2.0、LIBERO-Plus、WorldModelBench Robot 和 DreamGen。该模型采用了一种新颖的统一架构，用于多模态理解、生成和预测，解决了现有视频生成模型的局限性。Kairos 已向行业开源。
-
新型WAM4D模型通过4D空间感知增强机器人操控能力
研究人员开发了WAM4D，一种新颖的4D世界动作模型，旨在通过整合3D空间约束来改进机器人操控。与之前在2D或潜在空间中运行的模型不同，WAM4D利用轻量级的空间寄存器令牌将几何先验知识转移到因果Transformer中。这种方法通过在训练后移除寄存器分支来实现高效的动作推理，而因果混合注意力则防止了非因果捷径。在RoboTwin 2.0数据集和真实世界任务上的实验证明了WAM4D在增强空间一致性和动作预测效率方面的能力。
-
GuidedVLA通过显式任务因子引导增强机器人动作控制
研究人员推出了一种新方法GuidedVLA，以增强机器人操作中视觉-语言-动作（VLA）模型的可控性和可解释性。该方法通过将任务相关因素分解为不同的组成部分来显式引导动作生成过程：目标定位、技能/阶段识别和空间几何。通过整合这些专门的注意力头，GuidedVLA在各种模拟和真实机器人任务中提高了性能，与传统的端到端VLA模型相比，提供了更强大、更易于理解的系统。
-
GEAR-VLA框架增强机器人操作泛化能力
研究人员开发了GEAR-VLA，一个旨在提高视觉-语言-动作（VLA）模型在机器人操作任务中泛化能力的新框架。该方法通过学习统一的、几何感知的动作表征来解决当前VLA模型的局限性。GEAR-VLA采用粗粒到细粒的学习策略，整合了具身预训练与连续动作专家，并将3D空间骨干网络与VLA表征对齐。该框架还纳入了具身规范化，以实现跨机器人泛化，在多个基准测试中展示了最先进的性能，并在涉及未知物体和不同机器人具身特性的任务中取得了高成功率。
-
机器人研究在操作、AI、安全和泛化方面取得进展
研究人员正在开发先进的机器人操作方法，重点是提高泛化性、安全性和效率。BiCICLe 等新框架利用上下文学习来执行双臂任务，而 Ambient Diffusion Policy 和 GHOST 则增强了从次优或多样化数据中进行模仿学习的能力。其他方法，如 WorldDP 和 Latent Diffusion Policy，则使用分层结构和世界模型来处理复杂的多阶段任务。此外，PACT 和一项关于安全具身AI的调查，解决了机器人系统在物…
-
Light-WAM 模型通过高效的未来预测增强机器人操控能力
研究人员开发了 Light-WAM，这是一种新颖的轻量级模型，专为高效机器人操控而设计。该模型将未来视频预测纳入其训练目标，使其能够编码时间结构以获得更好的表示学习。Light-WAM 利用紧凑的视频骨干网络和降采样潜在空间来降低训练成本和推理延迟，使其适用于实时应用。
-
Flash-WAM 为世界动作模型实现 23 倍的推理加速
研究人员开发了 Flash-WAM，一个显著加快推理时间的世界动作模型新框架。传统模型需要许多去噪步骤，使得实时控制变得困难。Flash-WAM 采用模态感知步长蒸馏技术，适应视频和动作流独特的噪声特性。这使得单步推理过程成为可能，在 NVIDIA L40S 硬件上将延迟从 8 秒以上降低到 350 毫秒以下，提高了 23 倍。
-
AttenA+ 框架通过优先处理关键动作来增强机器人基础模型
研究人员推出了一种名为 AttenA+ 的新颖框架，旨在提高机器人基础模型的性能。这种与架构无关的方法通过基于机器人动作速度的倒数重新加权目标函数来解决训练中的时间同质性问题。通过优先处理运动学上关键的、低速的运动，AttenA+ 使模型的学习与操作的物理需求保持一致。实验表明，在 Libero 和 RoboTwin 2.0 等基准测试中取得了显著的改进，并且在 Franka 机械臂上的真实世界验证证明了其鲁棒性和泛化能力。
-
蚂蚁集团 LingBot-VA 机器人控制模型被 RSS 2026 录用
蚂蚁集团的 LingBot-VA，一个用于机器人控制的因果世界建模框架，已被顶级的 Robotics: Science and Systems (RSS) 2026 会议录用。该框架使机器人在行动前就能预测环境变化，模仿人类的观察、判断和行动。LingBot-VA 采用了 Mixture-of-Transformers 架构，并在模拟和真实机器人任务中展现了高成功率，显示出强大的数据效率和泛化能力。该研究旨在推动机器人从简单的指令执行…
-
DeepMind Intelligence 为人本学习具身 AI 获得融资
中国公司 DeepMind Intelligence 在成立第一年内就获得了数亿元人民币的融资。该公司专注于具身智能的“人本学习”方法，强调在行动前观察和理解物理世界。这一策略使其 PhysBrain 1.0 模型在包括 WorldArena 和 SimplerEnv 在内的五个国际基准测试中名列前茅，展示了比传统模仿方法更高的学习效率和适应性。
-
AttenA+ 框架通过速度感知训练提升机器人基础模型
研究人员开发了 AttenA+，一个旨在通过解决训练过程中的动作不平等来改进机器人基础模型的新框架。该框架通过基于逆速度场重新加权训练目标，优先处理机器人轨迹中运动学关键的、通常低速且需要精度的片段。这种物理感知方法增强了现有视觉-语言-动作 (VLA) 和世界-动作模型 (WAM) 在复杂任务上的性能，并在 Libero 和 RoboTwin 2.0 等基准测试中显示出显著改进。
-
Shengshu 的 Motubrain 模型在具身 AI 基准测试中领先
Shengshu Technology 推出了其 Motubrain 模型，这是一个通用世界动作模型，在 WorldArena 和 RoboTwin 2.0 基准测试中均取得了最高排名。该模型在理解和预测现实世界物理、在不同环境中执行任务以及跨不同机器人实体进行泛化方面展现了先进的能力。Motubrain 对视频和动作进行建模的统一方法是其性能的关键，使其能够比以往的模型更高效、更灵活地处理复杂的、长周期的任务。
-
X-WAM模型通过异步去噪统一机器人动作和4D世界合成
研究人员开发了X-WAM，一个新颖的统一4D世界模型，旨在将实时机器人动作执行与高保真4D世界合成相结合。该框架通过预测多视图RGB-D视频并采用轻量级结构适应以实现高效的空间信息重建，解决了先前模型的局限性。通过采用异步噪声采样（ANS），X-WAM优化了生成质量和动作解码效率，从而能够执行实时机器人任务，同时产生卓越的4D重建。