跳到正文
10月20日周二
  1. 钛媒体85

    特斯拉发布会飞Roadster:三层火箭技术重塑汽车物理边界

    特斯拉发布新款Roadster,具备飞行能力,分为性能版、推力版和火箭版三层配置。该车采用SpaceX技术支持的高压空气推进系统,零百加速小于1.6秒,火箭版甚至支持悬停与飞行。特斯拉已开放预订,性能版33.2万元起,预计2028年交付。

    推荐理由:把火箭技术装进汽车,特斯拉用会飞的Roadster开辟了性能竞争新维度,但量产前仍需解决飞行安全与法规问题。

  2. HuggingFace Daily Papers45

    ActionRoPE: 平面相机游戏世界模型中的空间一致性行动控制

    研究提出 ActionRoPE 接口,将行动驱动的相机位移转换为世界坐标旋转位置,使同一世界位置的 token 保持时间一致性。Coordinate-Conditioned Noise Scheduling 根据已知-新结构分配去噪调度,减少重访漂移 66%。该方法适配 1.3B 至 33B 参数的视频骨干模型,并可迁移至分布外场景。

  3. IT之家45

    山东探索“具身智能 + 旅游”落地应用,支持山岳型景区投放登山助力机器人

    山东省近日印发旅游业“十五五”规划,提出探索“具身智能 + 旅游”落地应用,支持山岳型景区投放登山助力机器人。规划还依托文旅科技平台打造“人工智能行程助手”,精准生成个性化旅行推荐,并部署数字人讲解员,运用AIGC和3D打印技术创新文创设计。

  4. 钛媒体70

    黑芝麻智能获3亿元AI计算订单,拓展万亿级市场

    黑芝麻智能与头部A股上市公司签署AI计算产品销售框架合同,总金额约3亿元,其中一年内预计采购约2.5亿元AI计算产品。这是黑芝麻智能AI计算业务的首批订单,标志着其从智能驾驶芯片向更广泛AI计算市场实现规模化商业拓展。公司创始人表示,此次合作是公司基于AI计算平台拓展新业务的重要实质性进展,有利于优化业务和盈利结构。

  5. 财联社电报45

    江苏发布物理AI高质量数据集建设行动计划(2026—2028年)

    江苏印发《物理AI与世界模型高质量数据集建设行动计划(2026—2028年)》,深化省属企业数据集建设示范效应,推动能源、路网等领域物理AI高质量数据集建设。计划建立开放共享与普惠机制,向中小企业、高校、初创团队提供授权使用服务,降低数据获取和使用成本。

  6. HuggingFace Daily Papers65

    Vision-Language-Delta-Action: 学习紧凑Delta作为机器人操作的可操作转换接口

    本文提出Vision-Language-Delta-Action(VLDA)范式,将完整未来预测重构为紧凑可操作的转换建模。其核心是紧凑的Delta变量,作为视觉语言理解与动作生成的接口。实验表明VLDA提高了长时一致性、鲁棒性和泛化能力。

    推荐理由:通过紧凑的Delta变量作为视觉语言理解与动作生成的接口,VLDA模型降低了机器人学习负担,提升了长时一致性和鲁棒性。

  7. NVIDIA Blog38

    巴塞罗那超级计算中心启动 AI 工厂加速器计划,NVIDIA 提供技术支持

    巴塞罗那超级计算中心 BSC AI Factory 加速器计划全面运营,通过 MareNostrum 5 超算为西班牙初创企业提供算力支持。NVIDIA 通过 Inception 项目提供深度学习课程、投资对接等资源,三家初创企业获评 AI 冠军,涵盖水务、医疗和制药领域。该计划自 2025 年 4 月启动以来已交付超 800 项服务。

  8. HuggingFace Daily Papers75

    从舰队经验中学习:一种机器人的集体学习范式

    研究提出集体经验学习(CEL)范式,通过失败引导的经验检索微调(FERT)和容错异步训练系统(FATS),使部署中的机器人共享执行经验改进共同策略。在五个真实操作任务中,策略成功率高达93.3-99.2%,96台机器人在手机包装任务中成功率从79.2%提升至98.3%。

    推荐理由:通过机器人共享执行经验提升策略可靠性,无需额外专家纠正,为大规模机器人学习提供新范式。

  9. 钛媒体85

    机器人进厂第一课:不当人

    物流分拣成为机器人量产落地突破口,非人形设计比人形更适配场景,具身智能从Demo转向订单驱动。星动纪元、自变量、极佳视界等公司推出半人形或机械臂形态的机器人,在物流分拣场景实现稳定作业,日均有效作业时间超10小时。

    推荐理由:物流分拣成为机器人量产落地突破口,非人形设计比人形更适配场景,具身智能从Demo转向订单驱动。

  10. 钛媒体75

    字节Seed团队完成大兵团重组,成立五大一级部门

    字节跳动AI基Seed团队在吴永辉主导下完成组织架构重塑,形成Pretrain Data、Horizon RL、Product Posttrain-Work、Product Posttrain-Chat和Seed Model-Alignment & Preparedness五大一级部门。模型评测负责人黄文灏离职,安全与对齐部门独立成立,显示字节将大模型研发从研究院模式转向工业化流水线。

  11. arXiv · cs.RO70

    RoboValue: 用于机器人价值模型统一评估的细粒度仿真与真实世界基准

    研究人员提出RoboValue基准,用于统一评估机器人价值模型,涵盖任务状态理解、时间进度监控、故障恢复推理和价值一致性四个维度。该基准包含15个仿真和20个真实世界操作任务,评估结果显示现有模型在细粒度指令锚定、历史依赖进度跟踪和恢复评估方面存在错误。

    推荐理由:RoboValue基准揭示了现有机器人价值模型在细粒度评估中的不足,为价值监督提供了具体改进方向。

  12. arXiv · cs.RO70

    HandsOn: 一种可推广的灵巧操作大规模仿真基准

    Tianwei Luo等人发布了HandsOn,一个跨形态灵巧操作的仿真平台和基准,支持五种机械臂、六种灵巧手和约200种刚体、关节和可变形物体。该基准包含18,000个人类演示和66个人类验证任务,分为Core-50和Transfer-16两部分。

    推荐理由:首个覆盖五臂六手200物体的灵巧操作基准,暴露了当前AI在物理交互中的真实能力边界。

  13. arXiv · cs.RO45

    PICA-WAM:通过跨外观自对齐提升世界行动模型的视觉扰动不变性

    PICA-WAM 提出一种自监督训练框架,通过跨外观自对齐任务提升世界行动模型(WAM)对任务无关视觉扰动的鲁棒性。在 RoboTwin 2.0、LIBERO-Plus、EBench 和真实机器人测试中,PICA-WAM 显著提升视觉扰动下的成功率,同时保持仿真性能。该框架通过 EMA 教师模型和轻量投影头对齐浅层动作表示,减少视频特征对无关外观的敏感性。

  14. arXiv · cs.RO70

    GPT-6 Astra 是一种接触密集操作的原生视觉触觉策略

    研究表明 GPT-6 Astra 能够直接解释基于视觉的触觉图像并利用其接触线索进行操作,在19个模拟任务中达到93.8%的平均成功率,超过专业基线22.9个百分点。视觉触觉输入下表现优异,纯视觉性能也领先于基线,轨迹分析显示其具有主动探测、谨慎抓取等能力。

    推荐理由:GPT-6 Astra 直接解读视觉触觉图像并用于操作,挑战了专业策略在接触密集任务中的垄断地位。

  15. arXiv · cs.RO45

    CoopUQ: 通过不确定性感知协同预测实现多机器人鲁棒社交导航

    研究提出 CoopUQ 框架,通过跨机器人时空特征融合预测未来占用网格地图,并利用预测结果及不确定性引导多机器人强化学习决策,在遮挡和分布外场景下提升安全性和鲁棒性。实验显示该框架在 Unity3D 模拟环境和真实机器人测试中均优于基准方法。代码和视频已公开。

  16. arXiv · cs.RO65

    Physical Words: 一种用于机器人操作中结构化潜在推理的词汇

    研究人员提出PhysWord,一种基于Physical Words的推理-行动基础模型,使用原子动作动词作为物理动态的共享语义锚点。该模型在visuotactile UniVTAC上达到90.3%的成功率,在vision-based LIBERO-Long上达到99.6%的成功率,并在使用双夹爪和灵巧手的真实世界任务中优于竞争方法。

    推荐理由:用原子动作动词作为物理动态的语义锚点,PhysWord在机器人操作任务中实现了90.3%和99.6%的成功率。

  17. arXiv · cs.RO80

    Ropedia W0: 利用人类经验扩展跨具身体的运动-操作世界模型

    研究团队提出Ropedia W0,首个涵盖人类和多样化机器人的运动-操作世界基础模型。该模型基于Xp-Data数据集(包含1万小时人类第一视角数据和3千小时机器人数据)和统一的多模态注释,通过统一运动学表示编码运动和操作。在五个跨具身基准测试上达到最先进性能,并支持实时长时间运行,可用于VR交互、策略评估和基于模型的规划。

    推荐理由:通过统一运动学和投影骨架表示,首次实现跨人类和机器人的世界模型,为具身智能决策提供新基础。

  18. HuggingFace Daily Papers55

    EgoXperience: 从人类经验学习基于世界中心的第一人称表示

    研究人员提出EgoXperience,一个全栈范式,通过数据收集、自动标注、统一建模和基准测试解决第一人称视频中人类活动重建的一致性问题。该研究包含EgoX-Engine自动标注引擎、EgoX-Data-6M数据集和EgoX模型,在单目第一人称视频输入下实现了相机、场景、手部和物体的联合度量重建,实验显示在场景估计和世界空间手-物体姿态恢复方面达到SOTA性能。

  19. HuggingFace Daily Papers75

    ScaleNav: 可扩展的网络视频预训练用于语言条件下的局部导航

    研究人员提出ScaleNav框架,通过三阶段训练方法利用网络第一人称视频学习目标导向的视觉动态,支持机器人动作生成。该框架在Short-Horizon OVON单视图适应基准上达到86.5%成功率,在HabitatGS-LN基准上达到94.9%成功率,优于评估的基线模型,并在真实四足机器人上部署验证了泛化能力。

    推荐理由:利用网络第一人称视频训练机器人导航,解决了真实数据收集成本高和模拟到现实差距大的问题。