卡內基國際和平基金會11月發布的報告聚焦中國對具身智能的戰略布局與實踐
摘要：卡內基國際和平基金會 2025 年報告顯示，中國將具身智能（AI 驅動、多模態交互的硬件系統）列為長期戰略，區別于美西方側重大型語言模型的路徑。其核心目標
Robotnik RB-WATCHER巡檢安防機器人AI集成全解析：視覺識別+任務管理雙引擎，賦能工業級智能巡檢
摘要：Robotnik 旗下 RB-WATCHER 自主移動巡檢安防機器人深度集成 AI 視覺識別模塊與機器人管理系統（RMS），通過人員檢測、熱異常識別、基礎
MADRA：面向風險感知具身規劃的多智能體辯論框架
摘要：本文提出無訓練的 MADRA 多智能體辯論風險評估框架，通過集體推理提升具身智能體安全感知；設計分層認知協作規劃架構，構建 SafeAware-VH 家庭
AerialMind：面向無人機場景的多目標跟蹤研究
摘要：本文構建首個無人機場景大規模指代多目標跟蹤（RMOT）基準 AerialMind，提出 COALA 半自動化標注框架降低成本；設計 HawkEyeTrac
磁懸浮機器人：AI驅動非接觸操縱，亞毫米精度重塑工業裝配革命，Industry4.0核心技術突破
摘要：磁懸浮機器人融合磁懸浮技術與深度強化學習，實現 “無物理接觸” 自動化裝配：亞毫米級定位精度、污染率降低 99%，適配微芯片 / 重型部件等多場景，破解傳
Levi Unema：從汽車工程師到深海機器人領航者，跨界打造海底探索技術核心
摘要：電氣工程師 Levi Unema 從汽車制造跨界深海機器人領域，參與 NOAA 的 Deep Discoverer 等 ROV 設計與操控，創立 Deep
首爾國立大學突破可折疊機器人結構瓶頸：FoRoGated交錯折紙結構實現緊湊存儲+高強度部署，單電機驅動適配多場景應用
摘要：首爾國立大學 Cho Kyu-Jin 教授團隊研發 FoRoGated（Foldable-and-Rollable corruGated）交錯折紙結構，發
武漢理工大學RGMP框架突破人形機器人操縱瓶頸：87%泛化成功率+5倍數據效率，幾何推理賦能跨場景適配
摘要：中國武漢理工大學研發 RGMP（遞歸幾何先驗多模態策略）框架，為人形機器人帶來操縱技術革新 ——87% 未知場景泛化成功率，數據效率較擴散策略等 SOTA
LEARN：面向資源受限多無人機的端到端學習式空中導航框架
摘要：本文提出 LEARN 輕量級強化學習框架，適配資源受限納米無人機（Crazyflie），僅依賴 ToF 傳感器與 168MHz 單核嵌入式控制器，零樣本遷
基于約束的多智能體路徑規劃算法分析：保守/激進約束的分類與性能對比
摘要：本文將多智能體路徑規劃（MAPF）約束分為保守型（CBS）與激進型（CBSw/P），基于混合網格 - 路網表示，分析不同分辨率、拓撲結構下兩類約束的搜索行
CFG-Bench：面向具身智能體的細粒度動作認知評估基準
摘要：本文提出 CFG-Bench 基準，基于物理交互、時序因果、意圖理解、評估判斷四層認知框架，構建含 1368 個視頻、19562 組問答的數據集；評測主流
Cook and Clean Together：面向具身智能體并行任務執行的運籌學驅動 3D 接地任務調度方法
摘要：本文提出 ORS3D 任務（融合運籌學與 3D 空間接地的具身任務調度），構建含 6 萬復合任務的 ORS3D-60K 數據集；設計 ｇｒａｎｔ 模型，通
The Horcrux：具身AI系統中面向獎勵篡改檢測與緩解的可機械解釋任務分解方法
摘要：本文提出可機械解釋的任務分解（MITD）架構，通過 Planner、Coordinator、Executor 分層模塊分解任務，結合注意力瀑布圖等可視化工
IndustryNav：動態工業導航中具身智能體空間推理的探索
摘要：本文提出 IndustryNav 動態工業導航基準，基于 Unity 構建 12 個含動態物體 / 人員的高保真倉庫場景；設計零樣本導航管線與碰撞率 /
METIS：面向靈巧操作的多源第一視角訓練集成式視覺-語言-動作模型
摘要：本文提出 METIS 視覺 - 語言 - 動作（VLA）模型，構建多源第一視角數據集 EgoAtlas（統一人機動作空間），提取運動感知動力學特征，整合推
GPR-OdomNet：基于差異與相似性驅動的探地雷達里程計估計網絡（面向機器人定位）
摘要：本文提出 GPR-OdomNet 網絡，提取探地雷達（GPR）連續 B 掃描圖像的差異與相似性特征，精準估計機器人移動的歐氏距離；在 CMU-GPR 數據
SPEAR-1：基于 3D 理解突破機器人演示數據限制的規模化方法
摘要：本文提出 SPEAR-VLM（3D 感知視覺語言模型）和 SPEAR-1 機器人基礎模型，為預訓練 VLM 注入 3D 空間推理能力，僅用 1/20 的機
結合長上下文Q-Former與多模態LLM的機器人確認生成與動作規劃
摘要：本文提出長上下文 Q-Former 與文本條件化方法，解決現有多模態模型僅處理短視頻片段、語言信息抽象化的問題；基于 YouCook2 烹飪數據集驗證，該
多模態大語言模型的空間推理：任務、基準與方法綜述
摘要：本文從認知視角構建空間推理任務分類體系，梳理文本、視覺 - 語言、具身場景下的基準數據集與評估指標，分析訓練式、推理式兩類提升空間推理能力的方法，揭示當前
3D測試時縮放框架：突破上下文限制，提升大模型推理與具身學習能力
摘要：3D 測試時縮放框架，整合上下文、批次、輪次三維縮放，突破大模型上下文長度限制，在 IMO、CPHO、IOI 等難題上提升推理精度，還可結合人類反饋拓展至
EyeVLA：可主動變焦旋轉的機器人眼球，突破固定相機視覺感知局限
摘要：本文研究的EyeVLA 機器人眼球系統，通過層級動作編碼、偽標簽數據生成及強化學習，實現語言指令驅動的主動視覺感知，兼顧寬區域覆蓋與細粒度細節獲取，真實場
Mantis：基于解耦視覺前瞻的通用視覺-語言-動作模型，賦能機器人精準執行指令
摘要：Mantis 視覺-語言-動作（VLA）模型，通過解耦視覺前瞻（DVF）解決動作監督稀疏問題，結合漸進式訓練和自適應時間集成策略，在 LIBERO 基準測
機器狗也能 “透視”？仿生窺視技術讓機器人看穿遮擋物，實現實時高清視覺感知
摘要：傳統機器視覺受限于小光圈相機的大景深特性，前景遮擋會完全遮蔽背景目標，而 3D 視覺、主動傳感器等替代方案存在計算量大、分辨率低等問題。由林茨約翰內斯·開
自動駕駛與具身AI的統一解決方案：跨領域具身智能基礎模型MiMo-Embodied
MiMo-Embodied 是首個開源跨領域具身基礎模型，統一自動駕駛與具身 AI 任務，覆蓋 29 個基準（17 個具身 AI+12 個自動駕駛），多階段訓練策略實現 SOTA 性能，支撐場景感知、軌跡規劃等實際應用。
第一視角下的通用手運動預測框架Uni-Hand：多模態融合與下游任務賦能新范式
Uni-Hand 是第一視角通用手運動預測框架，融合 RGB、點云、文本多模態輸入，通過雙分支擴散預測 2D/3D 手中心與關節軌跡及交互狀態，SOTA 性能支撐機器人操作、動作識別等下游任務，適配工業與輔助技術場景。
制造業安全多模態聊天機器人：RAG 驅動的知識庫設計、基準開發與評估
本文提出 RAG 驅動的制造業安全多模態聊天機器人，整合 OSHA 法規與設備手冊構建知識庫，開發 3 類設備安全基準數據集，24 種 RAG 配置評估后最優方案準確率 86.66%、延遲 10.04 秒、單查詢成本 0.005 美元，適配工業 5.0 人機協作場景。
可擴展事件驅動控制的神經形態架構：基于RWTA的統一控制范式
本文提出 RWTA（回彈贏家通吃）神經形態架構，統一離散決策與連續調節，通過分層設計（肌肉驅動 + 協調 + 監督控制）實現可擴展事件驅動控制，蛇形機器人實驗驗證其步態生成與障礙規避能力。
LLM驅動的3D場景物體關節化ArtiWorld： 從剛性資產到交互仿真的自動化方案
ArtiWorld 是一款 LLM 驅動的 3D 物體關節化 pipeline，能從場景描述中識別可關節化物體，通過 Arti4URDF 融合點云和 LLM 生成 URDF 模型，保留原始幾何形狀，支持模擬與真實場景，賦能機器人交互仿真。
機器人移動障礙物的路徑規劃新方法：兩階段局部最優約束位移方法
本文提出兩階段局部最優約束位移方法，通過 “重疊階段規劃軌跡 + 位移階段優化障礙物位置”，解決 MCD、MCR 等問題，支持圓 / 多邊形等多種形狀障礙物，機器人可高效找到可行路徑。
賦能機器人情感來自適應人機交互：社交焦慮的多模態數據集收集協議
本文提出一套社交焦慮多模態數據集收集協議，通過 Furhat 機器人與 WoZ 方法，同步采集 70 + 參與者的音頻、視頻、生理信號及上下文數據，支持情感自適應人機交互系統研發。
機器人的計劃溝通策略研究：讓機器人少饒舌說重點，讓用戶更快懂目標
本文提出基于信息增益的機器人計劃溝通策略，通過二階心理理論建模用戶先驗知識，相比傳統順序溝通，讓用戶僅需 20% 計劃信息即可 85% 命中機器人目標，大幅提升人機交互效率。
VLA模型安全評估與靶向攻擊框架AttackVLA：機器人自主系統的安全防線與漏洞警示
AttackVLA 是首個 VLA 模型安全統一評估框架，覆蓋模擬與真實場景，實現對抗 / 后門攻擊的標準化測評；創新 BackdoorVLA 靶向攻擊，誘導機器人執行指定長序列動作，平均成功率 58.4%，為 VLA 安全防護提供關鍵參考。
智能機器人感知與自主融合（LLM+3D 視覺）的全面綜述與未來方向
本文全面綜述 LLM 與 3D 視覺融合的核心技術、應用場景與挑戰，涵蓋定位接地、動態場景理解、多模態融合等關鍵方向，梳理標桿數據集與指標，為機器人自主感知系統研發提供完整技術路線。
前饋式超分辨率3D重建框架SRSplat：從稀疏低分辨率圖像還原高清3D場景
SRSplat 是首個前饋式超分辨率 3D 重建框架，通過 “參考畫廊 + RGFE 模塊 + TADC 模塊”，從稀疏低分辨率圖像中重建高分辨率 3D 場景，兼顧實時性與精度，跨數據集泛化能力領先。
任務感知的3D場景級Affordance分割框架TASA：融合2D引導與幾何細化的精準交互區域定位
TASA 是任務感知的 3D 場景級 Affordance 分割框架，通過 VLM 驅動的 2D 引導幀選擇與 3D 幾何細化，解決傳統方法依賴 2D 投影、效率低的問題，mAP 提升至 23.2，效率達 3.37 倍，實現精準交互區域定位。
VLM驅動的PoI導航框架PIGEON：讓機器人在未知環境精準找物不迷路
PIGEON 是面向未知環境的對象導航框架，通過 VLM 驅動 PoI 選擇與快照記憶復用，結合 RLVR 訓練，零 - shot 遷移性能領先，兼顧決策智能與執行效率，實現機器人精準高效找物。
圖像視頻快速推理分割框架FastReasonSeg：讓邊緣設備也能跑的高效智能分割
FastReasonSeg 是支持圖像視頻的快速推理分割框架，通過數字孿生解耦感知與推理，兩階段蒸餾保留多步推理能力，0.6B 模型超越 20 倍參數模型，7.79FPS+2.1GB 內存實現邊緣設備實時部署。
面向真實橋梁檢測的虛擬具身智能體BridgeEQA：賦能多視圖視覺推理與標準化評估
BridgeEQA 是基于真實橋梁檢測場景的具身問答基準，含 2200 組 QA 對與 9586 張圖像，創新 EMVR 方法與圖像引用相關性指標，解決長上下文偏見，實現橋梁狀態精準評估與標準化 NBI 評級對齊。
