Embodied AI Weekly · 2026-W37 · 09-07 ~ 09-13

1️⃣ VLA（视觉-语言-动作模型）

• OpenWAM：面向系统化世界-动作模型预训练的开放模块化探索 🔥
  把世界-动作预训练拆解为可组合模块，逐一厘清生成骨干、潜空间、联合去噪、以自我为中心的预训练与协同训练等关键设计原则，产出可规模化的开源模型，在仿真与真机上均有强表现。[端到端VLA]
• GE-Act 2.0：从零预训练并规模化的机器人操作世界-动作模型 🔥
  以控制导向自编码器、单步视觉规划器与逆动力学模型从头训练，配合知识对齐的选择性优化，实现跨本体迁移与零样本分布外操作，覆盖多样技能与条件。[端到端VLA]
• RoboSPA：VLA 模型能否突破简单场景与短视野任务？
  大规模机器人操作基准，在逐级加难的任务变体上评估 VLA 的细粒度空间推理与长视野过程规划能力，配套诊断指标，揭示当前模型的能力边界。[端到端VLA]
• TANGO：面向杂乱环境的人形全身视觉-语言-动作导航
  仅用仿真数据训练的视觉-语言框架，为人形机器人预测全身关节动作，实现在杂乱室内环境中的避障导航与零样本部署。[端到端VLA]
• SimpleMemVLA：为 VLA 提供简单有效的原生视频记忆
  将完整带时间戳的视频历史直接喂入预训练 VLM 骨干，用隐状态驱动流匹配动作头，无需专门记忆模块即可完成长视野操作，性能超过带专用记忆模块的方案。[端到端VLA]

2️⃣ 灵巧手 / 灵巧操作

• arXiv基于实时雅可比估计的灵巧手在手写字快速学习
  拟人手在手操作接触丰富且高度动态，仿真难以复刻。提出实时雅可比估计方法，绕开大量建模与数据采集，快速学习握笔在手书写这一灵巧前沿任务。[控制层·RL]
• arXivSEED-UMI：人机共享外骨骼实现一对一灵巧示范
  针对接触丰富示范难以忠实迁移到机器人的瓶颈，让人与机器人佩戴同一外骨骼采集配对数据，克服以往仅记录人侧、自由空间标定的开环映射在接触下退化的问题。[控制层·BC]
• CosmoH2G：手到夹爪迁移数据集与复杂空间运动操作基线
  两阶段框架先预测稀疏夹爪关键帧再生成连续动作，借助运动学优化抑制漂移，把复杂手部演示迁移到机器人夹爪，并开放配对数据集。[控制层·BC]
• 机器人正在学会「触觉」：触觉数据竞赛升温
  IEEE Spectrum 报道灵巧操作仍是机器人落地最大障碍之一，触觉或是关键，但高质量触觉数据匮乏一直制约进展，如今学术界与创企正竞相构建新型触觉数据源。[感知层]

3️⃣ sim2real / 仿真到真实

• SceneMosaic：混合智能体布局演化的高效多样仿真就绪场景生成
  结合学习到的图像先验与视觉-语言智能体，通过局部单元演化与全局组合，高效生成物理有效、多样的室内场景，为仿真训练提供可用环境。[sim2real]
• SyncWorld：视觉标定让世界模型成为零样本模拟器
  动作条件世界模型借助视觉标定回合学习环境特定的「动作-视觉」映射，在未见机器人设定下实现零样本仿真与测试时策略提升。[控制层·世界模型]

4️⃣ 具身模型（感知/规划/控制三层 × 动作生成方式）

• 可编程世界模型：用可执行规则维持持久可控环境 🔥
  将显式状态演化与视频生成解耦，用可执行程序与 3D 定向包围盒维护全局世界状态并作为时空条件驱动生成渲染器，维持持久、可控的环境。[控制层·世界模型]
• SpatialBlock：用合成积木堆叠任务增强 LVLM 的空间智能
  在合成积木操作任务上训练大视觉语言模型，通过 3D-2D 投影、视角变换与结构组合等锚点式推理提升三维空间推理，并泛化到真实视觉任务。[感知层]
• Memory as Plans：以记忆为基础的规划式世界-动作建模
  面向非马尔可夫的长视野操作，将记忆基础规划与计划条件执行分离，用紧凑的情节段记录与进度校准的动作块，在保持固定推理时延的同时保留细粒度视觉证据。[规划层]
• EmbodiedSkills：编排、训练与部署 VLA 智能体的统一框架
  以固定的可执行技能接口对机器人技能执行进行校验与验证，实现闭环具身智能体，底层可适配可在线调整的低层 VLA 策略（如 Qwen3-VL、OpenPI/pi0.5）。[规划层]
• arXivCAP：基于学习去噪的持续自适应「感知盲」人形运动
  人形复杂地形运动需前视外感知预判障碍，但真实部署中该信号常间歇失效。CAP 用学习去噪统一感知与盲控，避免在两套策略间硬切换。[控制层·RL]
• 吴佳俊 ECCV 2026：用物理重新定义多模态融合
  斯坦福团队在 ECCV「物理环境中的具身多模态推理」专题提出，视觉、听觉、触觉本质是同一组物理属性在不同感官通道上的投影，不堆 Transformer 而以物理建模统一多模态。[感知层]

5️⃣ 具身智能芯片（机器人计算 / 边缘 NPU）

• 德赛西威给出舱驾融合「双优」新解法
  舱驾一体把座舱与智驾装进同一颗芯片，有限算力向智驾倾斜易致车机卡顿、SR 掉帧。德赛西威提出兼顾两端的架构方案，缓解共享算力下的资源争抢。[具身芯片·车载SoC]

6️⃣ 制造 / 产线

7️⃣ 市场 / 产业

• 九识：从一台车到三百城，成为城市治理的「运力底座」 🔥
  九识无人车规模已超 3 万辆、覆盖 300 余城、累计真实运营 2.5 亿公里，宣布战略聚焦物理 AI 赋能城市治理，走「先跑出商业收入、再升级物理 AI」的数据驱动路径。公司数据以官方渠道核验。
• RoboCup 2026 上演首场 11 对 11 人形足球赛
  RoboCup 2026 创造历史，两支各 11 台人形机器人的队伍首次以完整阵容同场竞技，B-Human（不来梅）对阵 HTWK Robots（莱比锡）。
• Video Friday：人形机器人挑战单杠
  IEEE Spectrum 每周机器人视频精选，本期人形机器人挑战单杠等高动态动作；并预告 9 月 22-23 日首尔 Humanoids Summit 等行业活动。
• 脑科学研究：人形机器人表现「别扭」时，人会更警惕
  Robohub 报道一项脑成像研究，人对会犯错、尤其动作别扭的人形机器人更易产生怀疑，为人机信任与人形交互设计提供神经层面证据。
• NASA 将测试能自主协作的月面探测车
  NASA 的 CADRE 任务将向月球投放三台小型探测车，仅给一条指令——自行商量如何探索这片地形，检验多机自主协作在真实任务中的可行性。