Shaojie Ren 等人提出 LIBERO-Dynamic，这是对 40 个 LIBERO 任务的动态扩展，通过接触摩擦驱动物体运动，并考虑模型特定的推理延迟。研究评估了六种预训练策略在 1,800 种动态条件下的表现，比较了执行策略和动作范围，并使用动态和混合数据对三种架构进行了微调。物理实验显示任务相关的执行策略差异与模拟结果一致。
推荐理由：LIBERO-Dynamic 基准首次将物体运动、推理延迟和动作执行纳入机器人操作评估，揭示了动态环境对策略性能的非均匀影响。
研究仅依靠关节位置和速度感知（无视觉、力、力矩或触觉）的机器人装配策略，通过强化学习训练，成功实现销插入、齿轮啮合和螺母螺纹装配，并在真实世界中达到73%的零样本迁移成功率。研究还发布了开源程序化生成器，用于创建精确的凸形零件装配模拟。
推荐理由：仅依靠关节 proprioception 实现毫米级装配，零样本迁移成功率73%，证明本体感知在精密装配中的潜力。
Xinhao Liu 提出了 StopWatch 方法，解决了物体导航任务中的目标定位问题。通过明确目标定位，该方法在六个基准测试上达到了最先进的结果，并修正了这些基准测试中的标注缺陷。分析表明，在真实目标定位的情况下，其策略几乎达到了生成演示的专家水平。
推荐理由：目标定位是物体导航任务中的关键瓶颈，明确目标定位方法显著提升了六项基准测试的性能。
SparseMax-dSTL 通过稀疏梯度投影构建时序逻辑轨迹优化，确保梯度权重始终为正且独立于时间跨度。在平面独轮车和七关节机械臂仿真中，其梯度权重在违规样本上保持1，而传统方法随时间衰减至0.04。该方法约束返回的轨迹满足规范要求，优于现有近似方法。
IEEE Spectrum 汇集本周机器人视频，包括 Gemini 4 通过视频理解生成 Apollo 2 人形机器人投掷玉米袋的物理模拟，NASA 毅力号火星车以 28.10 英里刷新地外行驶纪录，以及 Microducks 通过蓝牙即兴合唱。
本文提出了一种将最优计算预算识别为半马尔可夫决策过程的方法，训练强化学习策略根据当前状态、执行计划和规划器统计信息动态调整计算时间。该方法在地面机器人导航、敏捷四旋翼飞行和接触密集操作任务中均优于固定基准方案。
推荐理由：将计算预算优化建模为半马尔可夫决策过程，让机器人根据场景动态调整推理资源，解决了固定预算在关键场景下的局限性。
本文将FOUND-IT集成到移动操作平台，展示了基础模型驱动的3D场景图在物体变化检测、多映射会话支持、导航路径规划和物体抓取等任务中的有效性。代码已在GitHub开源。
推荐理由：将基础模型驱动的3D场景图集成到移动操作平台，验证了其在物体变化检测、导航路径规划和抓取任务中的实用性。
Guanchen Du提出HIJP框架，通过逆向模型和潜在预测模型的交替应用，在视觉控制任务中实现了86.8%的整体成功率，并比基于搜索的规划速度提升1.9-16.5倍。该方法通过重标记未来观察作为目标，提供跨时间范围的动作监督，并确保动作转换一致性。
Zhixu Li等人提出LIBERO-PeRM基准测试，专注于具身智能体的偏好学习，包含312个任务和五个研究问题，评估当前VLA策略在零样本个性化、偏好学习和冲突处理等方面的表现。
推荐理由：论文提出了首个针对个性化机器人操作的基准测试LIBERO-PeRM，填补了该领域评估空白。
Chenyuan Zhou等人提出T2-Z方法，通过测试时优化环境隐变量来增强机器人世界模型。该方法在7个模拟环境和4个真实机器人任务中，将物体预测误差从15.20降至7.00，动作成功率从33.73%提升至72.96%。T2-Z能够从单次测试交互轨迹中高效推断环境隐变量，捕捉多样化视觉场景中个体和复合因素的结构化表示。
推荐理由：T2-Z通过测试时优化环境隐变量，显著提升了机器人在新环境中的预测准确性和任务成功率。
Tianjiao Yu提出CoDA框架，让模拟数据引擎和行动策略通过共享异构记忆协同进化，在四个操作任务家族中，将分布外成功率从5.3%提升至27.6%，超过最强闭环基线9.5个百分点。在LIBERO-Pro上，15轮生成和训练使位置扰动下的成功率从25%提升到84%，指令扰动下从1%提升到76%。
推荐理由：CoDA框架通过数据引擎与行动策略协同进化，显著提升了机器人在分布外任务中的成功率。
GeoState 提出视图解耦的几何表示，分离场景状态与相机依赖观测，在 Waymo 上超越现有 3D 世界模型，支持跨视图几何一致性查询，并零样本泛化至 KITTI 和 nuScenes。
Botao He提出DSP框架，机器人通过行为克隆从人类游戏中学习策略，然后自主收集交互数据训练世界模型。在真实实验中，该方法比回顾性行为克隆成功率提高69.6%，且比强化学习减少490倍的交互数据量。
推荐理由：论文提出了一种通过监督学习让机器人自主收集灵巧操作经验的新方法，显著减少了交互数据需求。
研究提出PSA-PPO方法，用于温室水培生菜采摘，在物理实验中达到94.7%的目标到达率，比传统规划方法表现更好。该方法结合了目标条件观测、走廊感知空间约束和基于轨迹历史的安全编码，无需真实世界微调即可成功迁移到UR10e机械臂。
推荐理由：研究提出了PSA-PPO方法，解决了机器人采摘中的路径安全问题，实现了94.7%的高成功率。
该研究提出基于分类变分自编码器的航天器检测规划框架，通过图像隐方差替代几何可见性检查。在物理仿真中，该方法平均亮度达0.57，81.6%观测值高于0.25，显著优于几何规划方案。
Mem4Act框架引入了一种固定大小的潜在记忆表示，通过多粒度时间聚合、互补语义和感知信息保留以及记忆优先的两阶段训练，解决了长期机器人操作中的记忆挑战。在RoboMME、RMBench和四个真实世界操作任务中，分别取得了49.88%、61.0%和81.5%的成功率，达到了最先进的性能。
推荐理由：Mem4Act框架解决了机器人长期操作中的记忆挑战，通过多粒度时间聚合和互补记忆监督实现了SOTA性能。
研究提出自主运动规划框架，通过视觉引导最优控制策略实现月球表面安全高效的站点间跳跃。该框架使用自定义语义分割模型识别障碍物，结合模型预测控制（MPC）快速跟踪跳跃轨迹，在月球高保真仿真环境中验证了燃料效率与安全性。
Dyna Robotics发布了Dyna-2物理智能体机器人，该机器人基于预训练超过一百万小时人类视频的世界行动模型，已在酒店和餐厅实现实际部署，能够执行长达一小时的自主工作流程，如折叠餐巾和切菜。机器人采用半人形设计，结合轮式底盘与类人上身，通过扩散变压器架构实现连续动作预测，并能通过少量演示数据快速适应新任务。
推荐理由：从百万小时人类视频预训练到酒店餐厅实际部署，Dyna Robotics展示了物理智能体从实验室到生产环境的跨越。
Genesis v1.4.4 版本提升 GPU 刚体模拟速度，显著增强基于扰动的多接触鲁棒性且无额外运行时成本。新功能支持异构实体差异化缩放、固定基座姿态和关节参数，修复凸接触深度、非确定性 GPU 模拟等多项问题。
Genesis v1.4.3 提升非批量至中等批量场景（约4000）的GPU模拟速度，降低内存占用，Windows编译速度提升最高3倍。修复glTF解析、轨迹回复、MJCF文件解析等多处边缘问题，优化GPU内存使用和物理模拟性能。
Genesis v1.4.2 通过休眠机制显著提升大规模场景性能，休眠岛屿不再消耗运行时。优化 Signorini 接触解析收敛性，GPU 刚体求解器速度提升，修复阻尼关节注入能量等缺陷。
Genesis v1.4.1 显著提升大规模场景 CPU 和 GPU 性能，约束求解器速度加快，支持 MJCF 关节等式和异构默认骨架。修复 glTF 解码和法线坐标问题，优化接触密集场景和多岛场景计算效率。
Genesis v1.3.3 修复了刚性求解器收敛回归问题，新增 'use_deterministic_algorithms' 选项以实现位精确可复现性。改进了 MuJoCo 兼容模式，支持原生接触块式多接触，通过 'RigidOptions.enable_contact_patch' 暴露给用户。
Genesis v1.4.0 支持导出场景与完整轨迹为独立归档文件，确保 bit-exact 回放以简化 bug 报告。新增外部力矩施加、轨迹记录与回放、内存场景保存/恢复等功能，修复大量资产解析相关 bug。
Genesis v1.3.2 改进刚体模拟的物理不变量合规性和数值鲁棒性，支持 CPU/GPU 确定性计算。新增地形高度查询方法，修复焊接约束删除、传感器延迟等 8 项问题，优化温度传感器更新与场景构建速度。
Genesis v1.3.1 修复 Nyx 渲染插件支持，新增 contact_resolution 选项解耦接触法向力与摩擦系数。新增射线投射支持视觉网格，修复 FEM 实体支持并添加 Nyx 插件 CI。
Genesis v1.3.0 扩展了可微分刚体仿真，新增扭转和滚动摩擦功能，修复了浮力、渲染等多项 bug。该版本不再将可微分刚体仿真标记为实验性功能。
Genesis v1.2.3 引入椭圆摩擦锥高阻抗选项以精确建模静态功能，提升 fp32 精度下约束求解器的收敛性。新增批渲染器异构实体支持、基于光线投射传感器的仅距离模式，以及忽略 MJCF 地面平面的选项。非凸碰撞检测速度提升，非批处理 CPU 模拟加速最高 30%。