2026年9月12日#90

Physical AI 日报 #90

今日要闻

工信部等九部门印发智能网联新能源汽车“十五五”规划，目标2030年自动驾驶汽车规模化部署；Skild AI首次商业部署仅10个月，年化收入突破1亿美元；HuRo将人类视频“机器人化”用于VLA预训练，真机任务完成率从51.5%提升至80.3%；发那科联手Google AI推出图纸扫描焊接智能体，12月开始交付

论文进展

HuRo：将人类视频“机器人化”用于可扩展的VLA预训练

作者系统检验“机器人化”的人类视频能否为VLA预训练提供有效且可扩展的监督，将五个人类视频源转换为约63万条机器人对齐演示、共1.42亿帧，构成HuRo数据集。随着预训练规模增大，四项真机任务整体完成率从51.5%升至80.3%，分布外场景从34.9%升至72.2%。代码与数据已开源。

vladatapretraining

arXiv →

IMLE-VLA：单步动作生成将π0.5推理频率从15Hz提升至55Hz

π0.5的流匹配动作头每次需10步Euler采样，导致机器人动作“走走停停”。IMLE-VLA用条件隐式极大似然估计（cIMLE）训练的单步生成器取而代之，推理频率提升至55Hz；在LIBERO 40项任务上平均成功率98.0%，并在四项Franka真机任务上全面超越π0.5。

vlainferenceflow-matching

arXiv →

关联机器人:franka

长时程记忆放在哪？MaP-WAM放进规划器，2AM交给智能体

长时程操作需要记忆，但把全部历史塞给执行器代价高昂。MaP-WAM将已完成片段压缩为“下一步做什么”的语言计划加视觉提示，在RMBench上达83.3%、真机78.0%成功率，推理延迟几乎不随历史增长；2AM则让多模态智能体独占任务记忆，把交互历史编译为子任务语言与2D抓放提示，在LIBERO-Mem上把平均完成率从此前最优的14.8%提升至76.3%（严格成功率仍仅11.8%）。

vlamemorylong-horizon

arXiv (MaP-WAM) →arXiv (2AM) →

ReactHuman：具身多模态大模型突发危险反应基准，七模型约三分之一响应出错

针对盘子滑落、刀具坠落等突发物理危险，ReactHuman构建了17类事件、1000多个可用240Hz刚体仿真精确复现的场景，并引入外观与物理属性冲突的物体（如泡沫铁砧、钢铁苹果）。七个受测多模态大模型约三分之一的危险响应出错，且错误率不随模型规模增大而下降；数据集已在Hugging Face发布。

benchmarkmllmsafety

arXiv →

仿人灵巧手在笔记本CPU上18秒初始化后执笔书写，平面精度0.6毫米

一台仿人灵巧手在笔记本CPU上完成约18秒初始化后，仅凭手内运动用笔书写任意单笔画轨迹，平均平面精度0.6毫米。方法在物理机器人上实时估计并修正手-笔系统的任务雅可比矩阵，不依赖接触模型、仿真训练或示教数据，作者称这是仿人手首次以纯手内运动写出任意单笔画轨迹。

manipulationdexterous-hand

arXiv →

VLA可靠性两则：FARM从冻结世界模型读出失败信号，ActSafeGuard把硬约束写进训练

FARM仅训练一个33,985参数的读出头，从冻结的VLA-JEPA预测状态中读出每步失败分数，七项任务合并AUROC达85.68，并迁移到PIPER X、SO-101和Franka三款真机，附加延迟约0.23毫秒。ActSafeGuard则将可行性硬约束作为可微层直接写入流匹配策略训练，在π0.5和Fast-WAM两种骨干上步级安全率达100%，且任务成功率不降。

safetyworld-modelvla

arXiv (FARM) →arXiv (ActSafeGuard) →

关联机器人:piper-xso-101franka