TOPIC · ROBOTICS · 40 PAPERS

机器人与具身

大语言模型推理对齐智能体多模态视觉生成视觉理解与 3D 机器人与具身高效训练与推理安全与可解释 AI for Science 代码与软件工程评测与数据强化学习

近 30 天 40

#07 ▲388 ★116 ❝2 2026-09-28

In-Context Learning for Robots: Methods and Applications

机器人上下文学习综述：按“上下文如何转成动作”把方法分成四大类并对比。

Knowin AI · Haojian Huang, Zexi Li, Junhao Guo +36

机器人与具身 arXiv 代码 HF

#11 ▲459 ★218 ❝0 2026-10-15

Has GPT-6-Astra Achieved Embodied Intelligence?

在 12 个机器人基准上系统评测 GPT-6-Astra 的具身能力，并讨论通用大模型对机器人研究的影响。

SenseNova · SenseNova, Joint Research Team, Zhongang Cai +59

机器人与具身评测与数据 arXiv 代码 HF

#12 ▲113 ★2.8k ❝1 2026-10-07

Long-WAM: Scaling the Context of World-Action Models

Long-WAM 研究在实时控制约束下给世界-动作模型加长上下文，自回归预训练的视频底座收益最大。

NVIDIA · Wei Huang, Bohan Zhang, Chenzhi Liu +13

机器人与具身高效训练与推理 arXiv 代码 HF

#14 ▲310 ★140 ❝2 2026-09-30

GroundingPI: A Grounding Foundation Model towards Physical Intelligence with Visual Primitives

GroundingPI 是 4B 参数的定位基础模型，用坐标 token 输出点和框，为机器人控制提供快速精准的目标定位。

XPENG AI · Qize Yu, Lianrui Fan, Boyu Chen +23

机器人与具身视觉理解与 3D arXiv 代码 HF

#32 ▲313 ★84 ❝0 2026-10-16

HexaShell: A Thin Harness for Exploring the Limits of VLM Agents as Robot Coding Agents

HexaShell 只用一层很薄的框架，让编程 Agent 通过命令行直接控制双臂机器人，并在失败后自己写工具改进。

HexaFuture · Hongcheng Gao, Alex Zhou, Jay Zhu +13

机器人与具身智能体代码与软件工程 arXiv 代码 HF

#45 ▲140 ★82 ❝0 2026-09-28

What Makes World Action Models Generalize? An Empirical Study of Test-Time Future Modeling

实证发现：只在潜空间预测未来的世界-动作模型会丢掉泛化优势，显式生成未来画面仍有价值。

Tsinghua-LeapLab · Renping Zhou, Zanlin Ni, Zihao Fan +8

机器人与具身 arXiv 代码 HF

#54 ▲112 ★54 ❝4 2026-09-28

Self-Evolving Coding Agents: From Digital Programs to Physical-World Intelligence

主张把机器人任务写成可检查、可修改的代码，让自进化的编程 Agent 从数字世界走向物理世界。

HexaFuture · Hongcheng Gao, Jingjing Zhou, Zelin Zheng +10

机器人与具身代码与软件工程智能体 arXiv 代码 HF

#59 ▲83 ★131 ❝3 2026-10-01

UniWAM: Unified World-Action Model

UniWAM 把物理推理、世界生成和动作预测统一到一个模型里，用于机器人控制。

HKUSTGZ · Wenxuan Song, Jiayi Chen, Jingbo Wang +13

机器人与具身多模态 arXiv 代码 HF

#65 ▲34 ★637 ❝9 2026-09-29

Systematically Exploring the Capabilities of GPT-6 Astra as Embodied Policies

在六类具身任务上系统测试 GPT-6 Astra 直接输出机器人动作的能力，以及与专用策略的配合。

Galbot · Galbot Team, Xuchuan Chen, Xiaoqian Cheng +31

机器人与具身评测与数据 arXiv 代码 HF

#72 ▲179 ★36 ❝0 2026-10-19

Ropedia W0: Scaling Loco-Manipulation World Models across Embodiments with Human Experience

Ropedia W0 是跨人类与多种机器人的第一视角移动操作世界基础模型，用 1 万小时人类、3 千小时机器人数据训练。

Ropedia · Tianqi Liu, Hanfei Zhao, Qifeng Liang +12

机器人与具身视觉生成 arXiv 代码 HF

#79 ▲151 ★70 ❝0 2026-09-28

PanoVLN: Towards Effective Panoramic Vision-and-Language Navigation

PanoVLN 研究如何让视觉语言导航真正用好全景图像，而不是简单替换透视图。

Zhejiang University · Zhen Wang, Changpeng Wang, Zhe Liu +5

机器人与具身多模态 arXiv 代码 HF

#88 ▲154 ★34 ❝0 2026-10-08

Reflex: Visually Grounded Reactive Humanoid Control

Reflex 让人形机器人凭第一视角视觉在一秒内全身反应，例如接住抛来的箱子。

University of Washington · Taoyang Jia, Weikai Huang, Linxin Song +6

机器人与具身强化学习 arXiv 代码 HF

#93 ▲170 ★18 2026-10-19

EgoXperience: Learning World-Grounded Egocentric Representations from Human Experience

EgoXperience 用自动标注引擎联合重建第一视角视频中的人体运动、场景几何与手物交互，并配套基准。

Ropedia · Xinhao Ji, Hui En Pang, Hao Li +12

视觉理解与 3D 机器人与具身评测与数据 arXiv 代码 HF

#103 ▲86 ★198 ❝0 2026-10-08

SuperNav: An Agentic Navigation System for Any Task in Any Scene

SuperNav 让多模态大模型负责理解请求和决策、把运动交给导航工具，实现任意场景任意任务的导航。

zju3dv · Jinkai Zhang, Jingyi Xu, Yuanhong Yu +5

机器人与具身智能体 arXiv 代码 HF

#108 ▲75 ★287 ❝0 2026-10-08

LeWAM: End-to-End World and Action Modeling with JEPAs

LeWAM 是端到端的 JEPA 世界-动作模型，同一模型既能直接执行策略也能高效规划。

LeWAM · Minghao Fu, Tavis Siebert, Eryk Halicki +1

机器人与具身视觉理解与 3D arXiv 代码 HF

#115 ▲52 ★51 ❝5 2026-10-01

Fewer Tokens, Better Action: GPT-6 Astra Robot Agents with 14% Higher Success Rate but 65% Fewer Tokens

让机器人 Agent 把动作原语组合成可本地重试的 Python 代码块，成功率更高、token 用量更少。

DAGroup-PKU · Ruiyang Si, Jianxin Bi, Shunyu Yang +12

机器人与具身智能体高效训练与推理 arXiv 代码 HF

#121 ▲89 ❝11 2026-09-19

Transferring the Intelligence of VLMs to Robotic Control

RoboDawn 用一组简单的离散平移、旋转和夹爪命令，让视觉语言 Agent 直接控制机器人，检验数字智能能否迁移到物理世界。

机构待核实 · Meng-Hao Guo, Zhe-Han Mo, Jia-Jun Wang +6

机器人与具身多模态 arXiv HF

#128 ▲88 ★51 ❝0 2026-09-20

Grounded Action Model: 3D Grounding as a Foundation for Robotics

提出以 3D 定位为基础的机器人基础模型 GAM，可用语言、点或框指定要操作的物体。

National University of Singapore · Gehao Zhang, Weikai Huang, Shailesh Shailesh +3

机器人与具身 arXiv 代码 HF

#142 ▲72 ★104 ❝0 2026-10-01

Rethinking World-Action Model for Compositional and In-Context Robotic Manipulation

ViGAR 把长程操作拆成“视觉子目标规划 + 子目标执行”，提升组合式和上下文学习式机器人操作。

DAGroup-PKU · Shukai Gong, Xuanran Zhai, Yintianrun Zhang +16

机器人与具身推理 arXiv 代码 HF

#156 ▲84 ★40 2026-10-19

ScaleNav: Scalable Internet Video Pretraining for Language-Conditioned Local Navigation

ScaleNav 从互联网第一视角视频中学习目标导向的视觉动态，用于语言指令下的机器人局部导航。

机构待核实 · Yihui Yang, Yuanhong Yu, Jiawei Wang +7

机器人与具身 arXiv 代码 HF

#162 ▲72 ★21 ❝1 2026-10-08

Multi-Agent Egocentric World Model with Fine-Grained Embodied Interaction

多智能体第一视角世界模型，同步生成多个 Agent 在同一环境中的细粒度交互画面。

KAIST AI · Dahyun Chung, Siyoon Jin, Hyunwook Choi +5

视觉生成机器人与具身 arXiv 代码 HF

#165 ▲98 ❝1 2026-10-01

World Action Modeling with Progressive Visual Planning

ProWAM 预测动作和一串稀疏的视觉子目标，比生成整段视频更高效地引导长程操作。

Meta · Fei Zhang, Zhaochong An, Duncan Frost +5

机器人与具身高效训练与推理 arXiv HF

#175 ▲110 ★6 ❝0 2026-10-13

GreenWAM: A World Foundation Model for Robotics

GreenWAM 是机器人世界基础模型，用统一关节动作空间覆盖 20 类机器人，同时充当世界模型和策略。

Sber Robotics Center · Gennady Sidorov, Valerii Kornilov, Denis Grankin +2

机器人与具身 arXiv 代码 HF

#177 ▲49 ★54 ❝1 2026-09-29

EVO-WAM: Evolving World Action Models through Video-Action Verification

EVO-WAM 让世界-动作模型从自己生成并通过校验的视频-动作轨迹中学习新任务，无需新示范。

Harbin Institute of Techonology, Shenzhen · Shiyang Zhou, Xionghao Wu, Wenbo Li +11

机器人与具身 arXiv 代码 HF

#185 ▲87 ★5 ❝1 2026-09-28

Agent Priors-guided Policy Learning

把每个技能策略的结构先验纳入 Agent 的技能接口，让少样本机器人同时做到组合泛化和技能泛化。

National University of Singapore · Puming Jiang, Tianrun Hu, Haozhe Du +4

机器人与具身智能体 arXiv 代码 HF

#189 ▲23 ★2.9k ❝0 2026-10-05

RealtimeWAM: One-Step Asynchronous World Action Models

RealtimeWAM 一步生成动作并异步推理，让世界-动作模型满足实时控制需求。

Nanyang Technological University · Chengtao Lv, Jinyang Du, Shuyi Feng +7

机器人与具身高效训练与推理 arXiv 代码 HF

#204 ▲74 ★17 ❝0 2026-10-09

EmbodiedCLBench: Evaluating Continual Learning for Self-Evolving Embodied Agents

EmbodiedCLBench 是首个具身仿真中的持续学习基准，考察 Agent 能否组合旧技能完成新任务。

PKU-VaLuE-Lab · Jie Huang, Yanan Chen, Ruixun Liu +6

机器人与具身智能体评测与数据 arXiv 代码 HF

#205 ▲64 ★18 ❝0 2026-09-29

In-context Robot Learning Made Simple: A Democratized Recipe for Manipulation Tasks

先明确定义机器人上下文学习要学什么，再给出一套简单易复现的操作任务方案。

机构待核实 · Minxing Li, Minghao Han, Weizhi Zhao +10

机器人与具身 arXiv 代码 HF

#219 ▲40 ★153 ❝0 2026-09-29

TERRA: Terrain-Aware Reconstruction, Retargeting and Control for Musculoskeletal Locomotion

TERRA 把运动数据连同地形一起重定向到肌肉骨骼模型，让肌肉驱动的智能体在复杂地形上行走。

Mathis Group @ EPFL · Merkourios Simos, Chengkun Li, Bianca Ziliotto +1

机器人与具身强化学习 arXiv 代码 HF

#223 ▲43 ★111 ❝0 2026-10-14

Towards Agentic Robots: Model, Data, Environment, and Harness

“Agent 化机器人”综述，从模型、数据、环境和执行框架四方面梳理这一新范式。

机构待核实 · Chonghan Qin, Dongming Wu, Kaituo Feng +13

机器人与具身智能体 arXiv 代码 HF

#226 ▲64 ★22 ❝0 2026-10-15

VLA-$Δ$: Learning Physical State Transition for Vision-Language-Action Models

VLA-Δ 显式监督物理状态的变化，减少视觉-语言-动作模型对“观察→动作”对应关系的过拟合。

ZJU-OmniAI · Qi Lu, Jiarun Li, Ce Zhang +5

机器人与具身 arXiv 代码 HF

#233 ▲66 ★5 ❝1 2026-09-25

Decentralized Master-Mind: Joint Action Refinement through Iterative Intent Denoising in Multi-Agent Pathfinding

DMM 用迭代去噪联合细化多智能体路径规划中的动作，避免各自采样拼出相互冲突的方案。

机构待核实 · Valeriy Vyaltsev, Anton Andreychuk, Taisia Zlotnikova +3

机器人与具身强化学习 arXiv 代码 HF

#234 ▲40 ★41 ❝1 2026-10-07

RobotWorld: Benchmarking Multimodal Agents for Robot Use Across Diverse Tasks and Embodiments

RobotWorld 用 84 个仿真任务（操作、移动、驾驶、飞行）检验通用多模态 Agent 能否操控机器人。

机构待核实 · Zhiqin Yang, Chenxin Li, Xiaomeng Hu +30

机器人与具身智能体评测与数据 arXiv 代码 HF

#241 ▲88 ❝0 2026-10-02

Native Action-Prior Learning from Videos for World Action Models

NAVA-WAM 直接用无动作标注的视频预训练动作策略，降低世界-动作模型对机器人标注数据的依赖。

Meta · Zhaochong An, Fei Zhang, Menglin Jia +10

机器人与具身 arXiv HF

#260 ▲45 ★19 ❝1 2026-10-07

RLHND: Video Foundation Models as Physically Grounded Hand Trackers for Robot Learning

RLHND 基于视频基础模型从第一视角视频估计手部姿态和触觉信息，让人类视频更好地用于机器人学习。

RLWRLD · Seungjun Moon, Subin Jeon, Sangwoo Kim +2

机器人与具身视觉理解与 3D arXiv 代码 HF

#267 ▲115 ❝0 2026-09-29

MotorMind: Scaffolding General Vision Language Models for Zero-Shot Robot Manipulation

MotorMind 为通用视觉语言模型搭建脚手架，让它不经专门训练就能零样本操控机器人。

University of Illinois at Urbana-Champaign · Bingxuan Li, Siqi Song, Yizhuo Wu +3

机器人与具身多模态 arXiv HF

#270 ▲112 2026-10-19

Learning from Fleet Experience: Collective Experience Learning Across 96 Robots

提出“集体经验学习”：96 台机器人共享执行经验，按失败情境检索成功片段来微调共同策略，无需额外人工示范。

机构待核实 · Chao Yu, Shu'ang Yu, Hao Lin +41

机器人与具身 arXiv HF

#273 ▲60 ★9 ❝0 2026-10-18

VLA-Rolling: Fewer Denoising Steps, Better Control via Adaptive Action Reuse

VLA-Rolling 复用上一段未执行的动作尾巴作为去噪起点，用更少步数生成动作，冻结模型即可提速并提高成功率。

ZJU-OmniAI · Sicheng He, Yi Pan, Qiuting Yu +10

机器人与具身高效训练与推理 arXiv 代码 HF

#274 ▲46 ★22 ❝0 2026-10-10

BridgeWAM: Bridging Video and Action Experts via Latent Bridge Queries

BridgeWAM 用 32 个潜在桥接查询连接视频专家与动作专家，替代逐层稠密耦合，动作头只需两层。

Fudan University · Jiaxin Fang, Ruitong Liu, Zeyu Lai +6

机器人与具身多模态 arXiv 代码 HF

#280 ▲42 ★17 ❝0 2026-10-20

Learning the 4D World through Point Trajectory Forecasting

VPM 世界模型同时预测多视角未来视频和场景点的三维轨迹，并扩展到机器人控制。

机构待核实 · Byungwoo Jeon, Sunghwan Hong, Dohyeon Kim +10

视觉生成机器人与具身 arXiv 代码 HF

在归档中检索该主题 →