AITOP

机器人

共 231 条相关 AI 资讯
6月25日
09:21
09:21IT之家（博客/媒体）
智元联合创始人兼总裁彭志辉在MWC26上海主题演讲中指出，AI下一阶段核心是从数字世界走进物理世界，自主完成任务。他强调未来AI将持续运行、学习并创造生产力，行业将迈入具身智能规模化部署时代。彭志辉提到特斯拉计划年底实现数千台人形机器人量产，波士顿动力也转向商业落地价值挖掘。他提出XYZ曲线划分产业发展周期，其中Y曲线是部署成长期，机器人具备完整交互作业能力，大规模落地真实场景。
行业智元彭志辉MWC26
推荐理由：智元总裁彭志辉在MWC26上说了大实话：资本不再为机器人炫技买单，得在工厂、仓库真干活才行。还提到特斯拉计划年底量产数千台人形机器人，波士顿动力都转商业化了。
原文
6月24日
12:07
11:58
11:58官方账号arXiv cs.LG@Maggie Wang, Lars Osterberg, Stephen Tian, Ola Shorinwa, Jiajun Wu, Mac Schwager
InSight框架通过将VLA模型在原始动作层面变得可操控，从而解锁自主技能获取能力。该框架包含自动分割管道，利用VLM计划分解和末端执行器姿态将演示分割成带标签的原始动作，以及VLM引导的数据飞轮，自动识别缺失原始动作并尝试演示。在模拟和真实世界操作任务中（包括方块翻转、抽屉关闭、清扫、扭转、倒水）评估，无需任何人工演示即可学习这些技能。学到的原始动作可组合执行新颖的长周期任务，无需额外人工演示。
论文InSightVLA操作技能
推荐理由：这篇论文提出了InSight框架，让机器人通过VLA模型自己学新技能，不用人教，就能搞定方块翻转、倒水这些操作，很有实用性。
原文
10:24
6月23日
13:33
13:33官方账号arXiv cs.LG@Mingi Choi, Gunhee Kim, Jisoo Kim, Taeksoo Kim, Taeyun Ha, Jongbin Lim, Hanbyul Joo
AutoDex是一个自动化真实世界数据收集系统，用于灵巧抓取。它利用20个摄像头在严重手-物遮挡下定位物体，执行碰撞监控的运动，标记抓取成功或失败，并主动重置物体。在100个不同物体上使用Allegro和Inspire手收集了3,593次抓取试验。与遥操作相比，处理500次轨迹只需10.3小时（遥操作49.4小时），吞吐量提升4.8倍。从AutoDex验证数据库检索的抓取成功率为76%，而仅模拟验证为34%。
论文AutoDex灵巧抓取机器人
推荐理由：AutoDex自动搞定灵巧抓取数据收集，比遥操作快4.8倍，成功率碾压纯模拟验证
原文
13:02
13:02官方账号arXiv cs.AI@Ulas Berk Karli, Tesca Fitzgerald
论文提出RECALL方法，用于视觉-语言-动作（VLA）模型的主动持续学习。与被动模仿学习相比，不确定性引导的数据收集使微调效率提升30%以上。但仅训练恢复数据会导致灾难性遗忘，在OpenVLA模型上丢失20%的旧任务性能。评估了重放混合和弹性权重巩固（EWC）两种持续学习技术，发现可塑性与记忆保留之间存在权衡。实验在3个机器人操作任务上进行，表明不确定性引导的恢复演示能提升适应效率，但如何平衡新旧知识仍是开放挑战。
论文VLARECALL主动学习
推荐理由：这篇论文研究了怎么让机器人在学新任务时不忘旧技能，用不确定性主动挑数据微调VLA模型，比被动收集更高效，还试了两种防遗忘方法，挺实在的。
原文
6月21日
19:23
6月19日
00:02
00:02Gary Marcus@GaryMarcus
精选
Gary Marcus引用Matei Zaharia的研究，神经符号系统在机器人领域击败当前最优方法。该方法采用AI驱动的搜索（类似GEPA的方法），让AI生成AI与代码的混合体。Zaharia认为这类系统效率很高，并在其他应用中也观察到类似效果。该成果展示了神经符号系统在控制与规划方面的优势。
AI模型Neurosymbolic SystemsGEPARobotics
推荐理由：Gary Marcus分享了Matei Zaharia的神经符号系统研究，用AI搜索在机器人上打败了现有最优方案，值得搞机器人或符号推理的人关注。
原文
6月18日
13:58
10:08
03:06
03:06Jim Fan@DrJimFan
精选76°
Jim Fan揭秘了物理自动研究系统ENPIRE的设计内幕。安全采用两层硬编码：硬运动学限制立即触发任务失败并自动重置，以及扭矩限制柔性夹爪防止碰撞损坏。奖励函数通过收集成功/失败演示、用计算机视觉分类器编码并冻结在Gym环境中，防止智能体篡改。系统遥测定义了Mean Robot Utilization（MRU）、Mean Token Utilization（MTU）和GPU利用率三个实时指标，并基于Tokens-to-Success和Time-to-Success评估预算效率。
AI模型ENPIRE物理自动研究安全机制
事件专题
推荐理由：Jim Fan讲了他们怎么让8个机器人通宵自动做实验，还防止奖励被篡改，资源利用率指标也很实用。
原文
02:14
00:55
00:55官方一手Hugging Face: Blog（博客/媒体）
精选
Strands Agents与LeRobot结合，实现了从Hugging Face Hub加载预训练模型并直接部署到真实机器人硬件。该系统支持多种机器人平台，如Aloha和Franka，并提供了从仿真到现实的无缝映射接口。用户无需编写底层驱动即可运行来自Hub的模型，显著降低了机器人研究的硬件部署门槛。该方案已在Amazon实验室的多个机器人上测试成功，推动了开源机器人生态的发展。
AI产品Strands AgentsLeRobotHugging Face Hub
事件专题
推荐理由：想把你训练好的机器人模型直接跑上真实硬件？Hugging Face联合Amazon推出了Strands Agents，连接LeRobot，一键部署，省掉底层驱动烦恼。
原文
6月17日
23:33
23:33IT之家（博客/媒体）
精选
领益智造在北京亦庄的具身智能机器人超级工厂近日规模投用，是京津冀首个万台级工厂。该工厂覆盖从核心零部件到整机组装的全链条制造，采用力觉+视觉双引导精密装配，换型时间小于15分钟。整机环形吊轨测试线可同时承载6-12台机器人，动态验证性能边界，较传统线体节能约25%。工厂全站自研MES、WMS、QMS系统，实现全流程数字化追溯，可在24小时内完成质量闭环优化。规划年产能逐步爬坡，预计2030年达到50万台套。
行业领益智造具身智能机器人京津冀
推荐理由：领益智造在北京开了家能年产50万台具身机器人的大工厂，从零件到整机全包，还有自动测试线，想了解机器人量产进展的可以看。
原文
23:31
23:30
23:30官方账号Decoder@Maximilian Schreiner
73°
Nvidia、卡内基梅隆大学和UC Berkeley的研究人员使用AI编码智能体（coding agents）训练机器人自主完成灵巧抓取任务。项目部署了8台机器人，在真实世界中执行复杂抓取，成功率高达99%。该研究展示了AI智能体在机器人技能自我提升中的潜力。
AI模型NvidiaAI编码智能体机器人
事件专题
推荐理由：Nvidia和大学团队让8台机器人用AI编码智能体自己练抓取，成功率冲到99%，比手写代码更灵活。
原文
23:17
23:17AI Will@FinanceYF5
73°
NVIDIA在SIGGRAPH 2026上发布MotionBricks，该AI模型支持超过35万种动作技能。它可实现15,000 FPS的推理速度和2毫秒延迟，让游戏角色和机器人即时切换移动风格。MotionBricks专为游戏和机器人领域设计，能动态生成自然动作。
AI模型MotionBricksNVIDIA游戏角色
事件专题
推荐理由：NVIDIA搞了个MotionBricks，35万种动作技能随便切换，游戏角色和机器人动起来更自然了，比以前的方案快很多。
原文
10:46
10:10
10:10官方一手pandaily@contact@pandaily.com (Pandaily)
73°
阿里巴巴发布了Qwen-Robot系列，这是其首个具身AI模型系列，涵盖导航、操作和世界建模三个领域。该系列可部署在Unitree Go2四足机器人上，仅需一个摄像头就能运行。Qwen-Robot模型旨在让机器人更智能地感知和交互物理世界。
AI模型Qwen-Robot阿里Unitree Go2
推荐理由：阿里给机器狗装上了AI大脑，单摄像头就能导航干活，Qwen-Robot系列挺实用。
原文
04:49
03:03
01:58
01:58官方账号Jim Fan@jimfan
精选72°
ENPIRE赋予8个Codex智能体机器人集群和GPU资源，自主完成高精度物理任务。系统能独立绑扎带、整理细针、安装GPU。实验显示8台机器人并行探索比少量效率显著提升。NVIDIA GEAR实验室已实现机器人彻夜自主改进。团队计划开源全部代码。
AI产品ENPIRECodexNVIDIA
事件专题
推荐理由：NVIDIA让8个AI智能体自己控制机器人干活，还能绑扎带装显卡，而且要开源，你可以在家搭机器人实验室了！
原文
01:57
6月16日
14:55
12:23
01:06
6月15日
11:12
6月13日
22:23
13:26
6月12日
13:15
13:15官方账号Physical Intelligence@physical_int
精选
Physical Intelligence 开发了一种强化学习（RL）方法，用于在数小时甚至数分钟内微调其模型以执行精确任务。该方法不训练整个模型，而是向最新模型 π-0.6 添加一个“RL token”输出，由小型 actor 和 critic 网络使用，通过 RL 快速学习。这大幅降低了模型微调的时间和计算成本，适用于机器人等需要快速适应新任务的场景。该技术有望加速 AI 在物理世界中的应用部署。
AI模型强化学习微调π-0.6
推荐理由：Physical Intelligence 的 RL 微调方法解决了模型适应新任务耗时长的痛点，做机器人或物理 AI 的团队可以大幅缩短部署周期，值得关注。
原文
13:14
13:14官方账号Physical Intelligence@physical_int
精选
Physical Intelligence 为其机器人模型开发了一套记忆系统，结合了短期视觉记忆和长期语义记忆。该系统使机器人能够执行复杂的长任务，如清理厨房或从头制作烤奶酪三明治。这一突破解决了机器人长期任务执行中的记忆瓶颈，提升了自主性和实用性。
AI模型机器人记忆系统Physical Intelligence
推荐理由：机器人团队终于有了实用的记忆方案——短期视觉+长期语义让机器人能完成厨房清理、做三明治等长任务，做机器人开发的建议点开看看。
原文
13:14
13:14官方账号Physical Intelligence@physical_int
Physical Intelligence公司提出，通用AI模型已驱动许多数字应用，而类似π0.6的“物理智能层”将推动物理世界的新应用。该公司已与多家企业合作，部署机器人执行实际任务。π0.6模型旨在为机器人提供通用智能，使其能适应复杂物理环境。这一进展标志着AI从数字领域向物理世界的扩展，有望加速机器人商业化应用。
AI模型π0.6物理智能机器人
推荐理由：Physical Intelligence的π0.6模型正在将AI能力从数字世界延伸到物理世界，做机器人或自动化应用的团队值得关注——它可能成为机器人通用智能的基础层。
原文
12:05
12:05官方账号Allen AI (Ai2)@allen_ai
精选
Allen AI 宣布其机器人基础模型 MolmoAct 2 在不到一个月内被下载超过 40 万次。现在他们开源了完整的代码和训练数据，允许开发者进行微调或在此基础上构建。这标志着机器人领域的一个重要开放资源，降低了进入门槛。
AI模型机器人开源/仓库基础模型
推荐理由：机器人开发者终于有了一个完全开源的基础模型可用，MolmoAct 2 的完整代码和数据让你可以直接微调或构建自己的机器人应用，值得立即尝试。
原文
10:53
10:53官方账号arXiv cs.AI@Zhao-Heng Yin, Guanya Shi, Pieter Abbeel, C. Karen Liu
Mana 提出了一种将灵巧操作视为动画问题的 sim-to-real 框架，解决了铰接工具操作中协调内部自由度与接触交互的难题。该框架通过粗到细的流水线，将程序化生成的关键帧转化为操作轨迹，结合运动规划与强化学习实现零样本迁移。数据生成几乎全自动，每个工具仅需不到一分钟的鼠标点击指定功能属性。在四种不同铰接工具上，Mana 实现了零样本的 sim-to-real 抓取与手内操作，展示了可扩展的灵巧操作方案。
论文灵巧操作铰接工具sim-to-real
推荐理由：铰接工具操作是机器人灵巧操作的硬骨头，Mana 用动画思路解决了数据生成和迁移难题，做机器人操作或 sim-to-real 的团队可以直接参考其零样本迁移方法。
原文
06:16
00:35
00:35官方账号NVIDIA AI@NVIDIAAI
精选
NVIDIA 发布了 Cosmos 3，这是一个专为机器人和物理 AI 设计的基础模型平台。该平台旨在加速机器人感知、规划和交互能力的开发，通过提供预训练模型和工具链，降低物理 AI 应用的门槛。Cosmos 3 支持多模态输入，能够生成高保真的物理世界模拟，帮助开发者更快地训练和部署机器人系统。这一发布标志着 NVIDIA 在物理 AI 领域的重要布局，有望推动机器人技术从实验室走向实际应用。
AI产品机器人物理AINVIDIA
事件专题
推荐理由：NVIDIA Cosmos 3 为机器人开发者提供了现成的物理 AI 基础模型，省去了从零训练的时间和成本，做机器人感知或仿真的团队可以直接上手试试。
原文
6月11日
16:07
16:07官方一手pandaily@contact@pandaily.com (Pandaily)
北京星源智机器人公司在10个月内累计融资10亿元人民币，专注于开发具身智能的“大脑”技术。这笔资金将用于加速其AI大脑的研发和商业化，旨在让机器人具备更高级的感知、决策和行动能力。该公司的技术路线强调将AI与机器人硬件深度融合，以推动服务机器人和工业机器人的智能化升级。此次融资反映了资本市场对具身智能赛道的高度关注，尤其是在机器人核心智能技术上的投资热情。
行业具身智能机器人融资
推荐理由：具身智能是AI的下一个前沿，星源智的融资规模说明资本正在加速押注机器人大脑技术。做机器人硬件或AI算法的团队值得关注，看看他们的技术路线能否解决当前机器人的智能瓶颈。
原文
11:20
11:20IT之家（博客/媒体）
京东在 618 期间于京东 MALL 引入多款智能机器人作为实习员工，覆盖迎宾、导购、理货、咨询等核心零售场景。这些机器人包括智元 X2 人形机器人、宇树 Go2 四足机器狗等，基于具身智能技术提升线下消费体验。京东还宣布建成全球最大具身智能数据采集中心，计划发动数十万人参与数据采集，以推动行业技术发展。此举标志着具身智能在零售领域的规模化落地，为线下门店运营模式带来变革。
AI产品具身智能机器人京东
推荐理由：京东把具身智能从概念拉进了真实零售场景，做线下零售或机器人应用的团队值得关注——这是少有的多机型、多岗位协同的实战案例，可以直接参考其岗位分工和数据采集模式。
原文
11:04
11:04官方账号arXiv cs.AI@Adam Wei, Nicholas Pfaff, Thomas Cohn, Arif Kerem Dayı, Constantinos Daskalakis, Giannis Daras, Russ Tedrake
精选72°
机器人领域的高质量任务数据昂贵且难以收集，而次优数据（低质量或分布外演示）却大量存在。现有方法在同时训练两类数据时，常无法区分次优样本中的有用和有害特征。Ambient Diffusion Policy 通过引入噪声依赖的数据使用策略，仅在高和低扩散时间步利用次优数据，从而提取有用特征。该方法基于机器人动作数据的频谱幂律分布，利用全局到局部层次和局部性两个性质。在六项任务上，针对四种次优数据（噪声轨迹、仿真到现实差距、任务不匹配、大规模数据混合），该方法均有效，并在 Open X-Embodiment 数据集上比现有方法提升高达33%。
论文机器人模仿学习扩散策略
推荐理由：机器人团队终于有了一个能高效利用次优数据的实用方法——Ambient Diffusion Policy 解决了低质量数据难以训练的问题，做机器人模仿学习的开发者可以直接在现有数据集上尝试，有望大幅降低数据收集成本。
原文
11:02
11:02官方账号arXiv cs.AI@Ria Doshi, Tian Gao, Annie Chen, Chelsea Finn, Jeannette Bohg
多机器人协作在移动场景中面临扩展性差和部分可观测性问题。CHORUS框架利用预训练视觉-语言-动作（VLA）模型的视觉运动先验，使每个机器人仅依赖自身局部观测和身份提示即可独立运行，无需推理时通信或显式对齐。在移动测量、图书交接和洗衣篮搬运等真实实验中，CHORUS相比从零训练的分散模型提升64%性能，对队友行为的反应性提高40%，并超越集中式基线。该工作表明，共享VLA骨干网络足以实现去中心化多机器人协作，无需为每个机器人单独训练策略。
论文多机器人协作VLA模型去中心化
推荐理由：多机器人协作的扩展性难题被VLA模型破解了——做机器人集群部署的团队可以直接参考CHORUS的零通信方案，省去复杂的对齐和通信模块。
原文