内容形态
值得读的嵌入式与机器人论文：操作泛化、运动控制、端侧推理效率与新基准的精选。
202 条精选近 30 天 188 条共收录 1,005 条
论文研究像素扩散 Transformer 中何种视觉表征有助于生成，发现表征质量提升未必带来生成效用，架构分离的像素解码器主要重新分配语义与空间建模。作者提出 Representation Guidance（RG），用低维瓶颈压缩生成相关信息，并通过修改 flow-matching 目标显式引导解码器生成。
推荐理由：论文指出表征质量高不等于生成效果好，并给出低维瓶颈引导 flow-matching 目标的具体做法，可迁移。
丹麦奥胡斯大学团队提出人工离子机械感受器 AIM，用灌满 NaCl 溶液的微流道在按压下产生流动电位，实现无需外加电压的自供能触觉传感，论文近日登上《Advanced Functional Materials》。
推荐理由：原文拆解了器件结构、关键参数与义肢实测，可据此评估离子路线与主流触觉方案的差异。
研究从零预训练了 3B 参数的像素空间文生图模型 Iris-3B，采用 256to512to1024 课程，并将潜空间模型 FLUX.2 Klein base 4B 转换到像素空间，两者均在单目深度估计与图像修复/超分上微调。
推荐理由：论文用对照实验说明像素空间生成先验在深度估计与超分上未带来提升，可为路线选型提供负结果参考。
ETH Zurich Soft Robotics Lab 的 Amirhossein Kazemipour 带队，把 Wuji Technology 的现成机械手改造成完全自足的机器人，加装 80 克背包（电池、IMU 和 Raspberry Pi Zero），用强化学习训练其以指尖行走并操作环境。
推荐理由：原文给出了训练方法与实测数据，可了解用现成机械手实现指端行走的可行性和局限。
UniPat AI 发布的 PaperBenchX 在 93 个真实论文复现任务上测评 10 组前沿模型与 Agent 框架配置，表现最强的 GPT-6 Astra 完整复现率只有 13.98%。
推荐理由：文章拆解了PaperBenchX的三层验证设计，可迁移之处在于它把科学复现拆成可重跑、可溯源、可判定的具体评测方法。
至简动力强化学习负责人冯宗宝在 IROS 2026 现场 Tech Talk 分享了机器人自主照看两台 CNC 机床的方案，在工件与卡盘间隙仅 0.5 毫米的场景下完成抓取、上料、取件与放置，且仅用 600 条真实机器人轨迹完成训练。
推荐理由：演讲给出了0.5毫米间隙下的具体方法组合与600条轨迹的训练规模，可参考其从实验室到工厂的落地路径。
RLHND 提出一种基于视频基础模型的手部跟踪模型，从单目第一人称视频中联合估计手部位姿与真实触觉信息。它把预训练的 Cosmos 3 视频扩散主干通过 clean-latent 条件化改造成确定性的片段级特征提取器，位姿流预测解剖学上合理的关节角度并支持形状参数条件化，触觉流在位姿流冻结下预测手表面的密集接触与力。
推荐理由：论文说明了用视频基础模型补上接触与力线索的思路，关注人视频用于机器人策略训练的读者可了解其方法路径。
斯坦福大学助理教授吴佳俊在 IROS 2026 RoBoWoMo 研讨会发表受邀报告《Building Physical Agents via Structured Representations》，以洗盘子场景说明机器人需应对初始状态的定性差别与新观测。
推荐理由：演讲把结构化表征定位为可迁移的中间接口而非硬约束，对做机器人学习框架的人有方法论参考。
IROS 2026 上，银河通用 GaLbot 团队与清华大学、北京大学、上海启智研究院和上海人工智能实验室提出 LATENT，让 Unitree G1 从 5 名业余球员在 3米×5米区域采集的约 5 小时不完美动作数据中学习网球能力。
推荐理由：文中给出成功率、消融和真机限定条件，读者可据此判断该方法的真实能力边界。
文章对 IROS 2026 进入正式议程的 1933 篇论文做多标签梳理，Robot Learning / Embodied AI 约 809 篇、Navigation / Planning 564 篇、Humanoid / Legged 约 213 篦，指出大模型并没有吃掉机器人学，学习、感知、规划、控制与操作正深度交织。
推荐理由：对1933篇论文的多标签统计给出了各方向的篇数与交叉数据，可据此判断机器人研究的真实重心分布。
IROS 2026 主会于当地时间 9 月 30 日在美国匹兹堡落幕，最佳论文颁给 Yumin Lee、Hyoseok Ju 和 Giseop Kim 的《LT-Mem。
推荐理由：梳理了最佳论文与各专项奖的分布，可看出机器人研究正从展示单一能力转向在真实环境中持续工作。
Visible Touch 论文提出把接触信号暴露在策略已关注的同一空间坐标系中，使任何图像条件策略无需架构改动即可直接利用触觉信息，并配套开源一款用现成零件经参数化 CAD-to-mold 流水线制造的低成本磁性接触传感器。
推荐理由：论文给出把接触信号嵌入策略已有视觉坐标系的做法与开源低成本传感器，读者可据此评估无需改动架构的触觉接入路径。
论文提出基于 JEPA 的机器人世界模型 RoboJEPA，在覆盖 12 种机器人本体的大规模真实机器人数据集上训练，其想象误差（latent rollout 误差）随算力呈二阶幂律，可在拟合规模之外预测模型质量。
推荐理由：论文给出想象误差随算力的二阶幂律，为评估多本体世界模型规模提供了可迁移的预测方法。
论文提出从多向量视觉文档检索器存储的索引中反演还原原始页面，把反演建模为条件文档图像生成。在 ViDoRe v3 基准上，从原始索引反演的页面可恢复 47% 的词和 45% 的敏感 token，用作查询时 98.4% 能把源页面排在首位。
推荐理由：论文用实验量化了多向量文档索引的反演风险，并测试了两种低成本防护的实际效果，做文档检索系统安全评估时可参考其方法。
Long-WAM 提出在实时控制约束下扩展因果世界-动作模型上下文的模型系统框架，核心发现是访问历史不等于使用历史，更长历史只有在视频底座经自回归预训练时才显著见效。
推荐理由：论文用对照实验说明自回归预训练的视频底座才让长历史真正转化为成功率提升，可为世界模型选型提供依据。
论文提出 WorldGuide，将程序化视频生成建模为视觉世界空间中的闭环任务执行：给定初始图像和任务目标，模型预测原子动作、生成对应视频片段，再依据生成结果选择下一动作或终止。
推荐理由：论文公开了约 59K 步骤标注视频的评测基准，可为闭环任务生成研究提供可复现的对照数据。
DiffusionART（Diffusion Reinforcement with Aggregation-First Reward Tilting）提出一种扩散模型在线强化学习方法。
推荐理由：论文给出了与 DiffusionNFT、Flow-GRPO-Fast 的 GPU 小时与奖励对比数字，便于评估该方法的训练效率优势。
论文提出 Reflex 三阶段框架，让人形机器人以第一人称视觉完成接住抛掷纸箱的全身反应控制：先用强化学习训练全身接物策略，再让策略从延迟不完整观测中推断纸箱动力学，最后用第一人称 RGB-D 编码器直接从视觉恢复该动力学表示。
推荐理由：论文给出仿真与真机的对照数据，可评估视觉历史对人形机器人接物成功率的实际影响。
研究构建了首个带时间戳的 agent skill 复制网络，基于 GitSkills 中全部 SKILL.md 的 git 历史，覆盖 GitHub 上 2,193,119 次技能采纳，并提供交互式查看器。
推荐理由：论文用 219 万次技能采纳数据证明按星标排序审计几乎无效，为安全团队提供了可直接落地的审计排序思路。
SepGen 扩展了预训练音视频生成器，在一次联合采样中同时输出视频、混合音轨以及每个带描述声源的独立波形。它支持生成与分离两种模式：生成模式下每个声源描述指定其 stem 内容，分离模式下输入音轨保持干净、由描述指定要提取的内容。
推荐理由：论文说明了音视频生成器只能输出混合音轨的局限，以及 SepGen 如何在一次采样中同时给出各声源独立波形。