T-WLA：弥合慢速视觉与快速触觉
在接触富集操作中，接触状态的变化往往快于视觉策略的动作更新，重算视觉计划又引入延迟。T-WLA提出世界-语言-动作架构，用共享视觉记忆同时引导动作生成与触觉修正，无需重跑视觉策略即可对进行中的动作做低延迟纠偏。
vlatactilemanipulation
返回日报列表
2026年10月23日#131
Physical AI 日报 #131
原文: AI综合多源生成今日要闻
T-WLA提出世界-语言-动作架构，用共享视觉记忆弥合慢速视觉与快速触觉，解决接触富集操作中的动作更新延迟；Real2Sem2Real将单段人类RGB演示扩增为数千条机器人演示，摆脱对深度相机与真机数据采集的依赖；COWBOY提出可扩展Sim-to-Real框架，让移动操作机器人学会依据空间情境协调整个身体；One Policy, Many Styles系统研究偏好条件强化学习中偏好的聚合位置，实现单策略运行时切换行为风格的人形控制
论文进展
Real2Sem2Real：从单段人类RGB演示生成3D语义增广的机器人学习数据
该工作提出real-to-semantic-to-real管线R2Sem2R，将一段单目RGB人类演示转换为同一语义类别下成千上万条机器人演示。方法无需深度传感、无需将机器人叠加到2D视频、也不局限于演示中出现过的具体物体，为机器人策略学习提供了可规模化的数据引擎。
data-generationlearning-from-demonstrationmanipulation
COWBOY：学习情境化全身操作的可扩展Sim-to-Real框架
移动操作机器人不仅要适应物体本身，还要适应其出现的空间情境：底盘停在哪、如何操作、导航时看向哪里。COWBOY提出可扩展的Sim-to-Real框架，统一学习这类情境化的全身操作策略。
sim2realwhole-body-controlmobile-manipulation
一个策略，多种风格：可引导人形控制的偏好应在哪里聚合？
偏好条件强化学习让单一策略能在运行时按用户偏好切换行为风格，但仅有条件机制并不能保证行为改变足够强、不泄漏到无关行为、也不损害任务性能。本文系统评估了偏好聚合的不同位置，并结合偏好奖励建模进行分析。
humanoidreinforcement-learningpreference-learning
扭曲工作空间：用可调触及映射扩展人形遥操作的视觉可达范围
第一人称人形遥操作中，触及侧后方目标往往依赖操作员转身。该工作提出视觉-运动耦合重映射：将全景方位图像扭曲与逆向的上肢偏航变换配对。8人用户研究显示，Global Zoom模式任务完成数最高（23/24），而Focus+Context模式被6/8参与者偏好。
teleoperationhumanoidvr-interface
inr2action：将机器人操作事件编码为神经隐式表征用于回忆与动作
长时程机器人操作需要随'必要信息'而非'执行时长'扩展的记忆。该框架将每个操作事件从共享的元学习初始化拟合为神经隐式表征，以固定大小的权重增量作为记忆存储——无论事件时长如何，记忆体积不变。
memoryneural-implicit-representationlong-horizon
面向自适应机器人行为的灵活语言引导表征编辑
轨迹演示只告诉机器人'怎么做'却不说明'为什么'，机器人只能猜测哪些任务特征真正重要，进而学出错误表征并导致错误行为。该工作论证自然语言更适合指定语义化的任务特征，并提出灵活的语言引导表征编辑方法来修正内部表征、实现行为自适应。
language-conditioningrepresentation-learningimitation-learning
面向辅助机器人的LLM导航可解释性：解释避障行为
视障人士在不熟悉环境中导航充满不确定性，无论使用手杖还是导盲犬都存在挑战。该工作提出情境感知导航解释框架，用大语言模型解释导盲机器人的避障运动与导航决策，整合感知情境与未来规划轨迹生成可理解的解释。
llmassistive-roboticsnavigationexplainability
VeriCalib：可验证的基于标定板的LiDAR-相机外参标定
传统基于标定板的外参标定仅用同一组观测上的拟合残差RMSE评估结果，无法判断应当接受结果还是重新采集。VeriCalib将外参标定形式化为可验证问题，能指导'接受、重提取、重采集或增加观测'的工程决策，对多传感器融合管线质检有实际价值。
calibrationperceptionsensor-fusion
面向协作迭代任务的动态博弈学习
将多智能体协作迭代任务建模为带共享约束的动态博弈，利用历史可行轨迹构建采样的联合安全集与各玩家的代价函数，适用于非线性非凸博弈场景，为多机器人/人机协作的迭代任务提供通用学习框架。
multi-agentgame-theoryplanning
基于元学习模式识别与自适应控制的人机交互
人机交互中人可能处于主动引导或被动跟随状态，对应截然不同的控制目标；现有方法依赖预定义切换阈值、对测量噪声敏感。该工作提出基于元学习的交互模式识别与自适应控制框架，提升模式判别与控制切换的鲁棒性。
hrimeta-learningadaptive-control
无传感器任务-零空间柔顺控制的学习增强观测器
集成鲁棒力矩观测器与混合位姿/力控制器，在物理人机交互中无需力传感器即可同时保证任务空间运动的鲁棒性与对人扰动的柔顺性，突破了现有方法在鲁棒性与柔顺性之间二选一的局限。
hricompliant-controlforce-control
内容来源与版权声明
本日报由 AI 综合以下公开信息源自动生成：
- AI综合多源生成
- arXiv.org 开放获取论文
- Hugging Face Daily Papers
原始内容版权归原作者所有。如有异议请联系本站。