研究

值得关注：白皮书提出解耦运动规划与跟踪、引入速度自适应控制以保留人形机器人运动风格，为仿真到真机的运动控制落地提供技术路径参考。

IEEE Spectrum 发布白皮书，探讨人形机器人球类运动中如何将运动规划与运动跟踪解耦，从而在保证任务完成的同时保留职业运动员的动作风格，并指出自适应、速度感知的控制策略是缩小仿真与真实部署差距的关键。内容面向机器人研究者与控制工程师，未披露具体产品与实测数据，信源信息较为有限。

值得关注：把合成视频驱动的零样本操作形式化为约束优化，为免真人演示的机器人学习提供可验证的新范式。

以往从人类学习操作多需真实人类演示，而视频生成模型的进步带来新范式：可直接生成任务合成视频。这类视频发生在机器人当前环境中、无需真人教学，但画面虽看似合理却缺乏物理一致性。CASTER 把基于合成视频的零样本操作形式化为约束优化问题。原文摘要被截断，方法细节信息有限。

值得关注：提出可穿戴接触接口，让人形机器人从真人演示学习全身操作并拓展操作面，为全身灵巧学习提供新路径。

人形机器人拥有大量自由度和接触面，但现有移动操作研究多把操作限制在手部，回避身体其他部位与环境接触。PanTact 提出从无机器人的真人演示中直接学习全身灵巧操作，使机器人可用任意合适的身体表面完成操作，其核心思路是把接触本身作为操作接口。原文摘要被截断，部分实验细节信息有限。

值得关注：开源项目以多动作重定向加速灵巧操作数据生成，有望降低具身操作策略训练的数据采集成本，值得关注后续实现。

GitHub 开源项目 FlashDexRetarget，聚焦灵巧操作数据生成，采用多动作重定向（Multi-Motion Retargeting）方式加速数据构建，标签涵盖 dexterous-manipulation、reinforcement-learning 与 robotics，当前获得 53 颗星。仓库仅提供元信息，具体实现细节与实验效果尚不明确。

值得关注：Chelsea Finn 指出机器人越可靠 DAgger 越浪费人力，主张聚焦相似初始状态的失败样本，对交互式模仿学习采样策略有参考价值。

Chelsea Finn 指出，随着机器人成功率提高，DAgger 这类交互式模仿学习方法的效率明显下降：90% 的成功率意味着人类超过 90% 的时间只是在旁观机器人。她提出失败往往源于相似的初始状态，因此可把学习集中在这些状态上，并附有相关论文链接；原帖未给出论文名称与实验细节，信源信息有限。

值得关注：Long-WAM 让 Unitree G1 接住移动杯子，指向世界模型破解人形机器人动态操作难题，具备研究参考价值。

CyberRobo 在 X 上称，NVIDIA 联合 MIT、香港大学与 UCSD 提出 Long-WAM 方法，针对机器人在物体移动、抓取位置变化时容易僵住失效的问题，在 Unitree G1 人形机器人上演示了接住传送带上滚动杯子的能力。帖文未附论文链接与实验细节，信源信息有限。

值得关注：论文提出不依赖视觉的触觉主动感知导航框架，融合里程计、IMU与触觉接触维护位姿信念，为人形机器人在视觉退化环境中的自主移动提供技术路径。

针对视觉受限环境下人形机器人本体里程计漂移、定位不确定性快速累积的难题，论文提出触觉主动感知框架 TAPNAV。该框架不依赖视觉，通过主动触碰周围结构探测环境，融合里程计、IMU 与触觉接触观测维护位姿信念，并以不确定性感知策略引导人形机器人走向目标位置。

值得关注：ETH Zurich 让商用灵巧手以指尖行走并同时操作环境，验证脱离人形躯干的移动-操作一体化设计，对灵巧手研究有参考价值。

IEEE Spectrum 报道，苏黎世联邦理工学院（ETH Zurich）的研究人员将一只现成商用机械手改造成完全自包含的机器人：它用指尖在地面行走，同时用同一批手指操作周围环境。研究展示了无需人形躯干即可实现移动与精细操作一体化的可能，为灵巧手与具身操作研究提供新思路。

值得关注：该预印本用基于模型的强化学习在开放表面实现液滴自主导航并展示零样本迁移，为软物质自动化操作提供学习型控制思路，但缺少硬件与规模化证据。

arXiv 预印本（2026-10-08，cs.RO）提出以基于模型的强化学习实现开放表面上液滴的自主导航，针对接触角迟滞、毛细钉扎与表面不均匀造成部分可观测动力学的问题，报告了零样本迁移与涌现动力学结果，面向自驱动实验室中软、可变形物质的自动化操作。原文摘要不完整，实验平台与规模未披露。

值得关注：伯克利以数小时人类演示数据训练 Unitree G1 全身操作，若成立可大幅降低人形机器人作业数据采集成本。

CyberRobo 转述伯克利 Workhorse 项目：人在躯干、双手、双脚佩戴追踪器并携带胸前摄像头采集数据，仅用数小时人类演示即可训练 Unitree G1 人形机器人完成全身操作，面向仓储类作业场景。该消息来自单一社交账号，缺少论文与实验细节佐证。

值得关注：白皮书发布高精度人体动作与物体交互大规模数据集，并验证策略可迁移至真实人形机器人，对解决具身智能数据瓶颈有参考价值。

IEEE Spectrum AI 报道，该白皮书介绍了一个新的大规模动作捕捉数据集，旨在弥补限制人形机器人学习的数据缺口，并展示了基于该数据集训练的策略迁移到真实人形机器人的效果。文中还解释了为何互联网视频与现有动作捕捉数据集无法满足具身智能和 Physical AI 对人形机器人学习的数据需求。

值得关注：OpenAI 公开前沿模型攻克数学开放问题的结果与 Lean 形式化证明，为评估大模型形式化推理能力提供可核查材料。

OpenAI 公布其内部前沿模型在数学开放问题上取得的新结果，同时公开了 Lean 形式化证明与研究细节，相关代码和材料已发布在 GitHub。该信息来自 OpenAI 官方，显示其在形式化数学推理方向的推进；但公告未说明具体模型名称、涉及问题数量及是否经过同行评审，可核实细节有限。

值得关注：提出可跨本体复用的接触获取原语，为把人类操作意图落到多指灵巧手提供低层通用件，对灵巧操作数据复用有参考价值。

arXiv 新论文提出 GOTT，围绕可复用的跨本体接触获取原语，构建面向物体、面向多指灵巧操作的“伸手-获取-移动”框架。研究指出基础模型和大规模人类数据可提供丰富的操作意图，但把意图转化为多指机器人行为仍很困难，灵巧手缺乏能在不同任务与本体间可靠建立接触的低层原语。

值得关注：论文指出当前智能体人工审批机制可能把人类挤出回路，对企业部署自主智能体时的责任与审批设计有直接参考价值。

三位知名 AI 伦理研究者在一篇 9 月 6 日发布于 arXiv 的论文中提出，为自主智能体设置的“人在回路”审批机制若沿用现有做法，反而会把人类挤出决策过程，使人工监督形式化，并呼吁设计者与使用者改变现有实践。

值得关注：AI 攻克公开数学难题并引发学界争议，反映大模型推理能力边界与研究范式的实际变化，值得跟踪后续验证。

IEEE Spectrum 报道，9月13日在德国海德堡桂冠论坛上，数学与计算机科学界的学者围绕一项由 AI 攻克的长期未解数学难题展开讨论，并出现明显争议。原文侧重学界对该结果的不同态度，未在摘要中给出问题细节与完整技术方案。

值得关注：西班牙两校研发出可在指间重新定位物体的软体夹爪，为灵巧操作提供不依赖复杂传感的机构设计思路。

西班牙卡洛斯三世大学（UC3M）与纳瓦拉公立大学（UPNA）的研究人员开发出一款软体机器人夹爪，不仅能抓取和持握物体，还能在不失去抓握的情况下在指间对物体进行操纵与重新定位。研究团队用橡皮鸭、螺丝刀等物品对样机进行了测试。

值得关注：人形机器人实现打网球等全身动态控制，相关论文获 IROS 2026 最佳论文，显示全身运动学习能力正快速成熟。

X 用户 Chris Paxton 分享的视频展示了论文 LATENT（作者 Zhikai 等）中的人形机器人打网球能力，被视为当前人形机器人全身控制水平的代表案例。该论文近期获得 IROS 2026 娱乐机器人方向最佳论文奖。信源为个人社交账号转述，除论文与获奖信息外，未提供更多技术细节。

值得关注：ICML 2026 收录的 TIC-VLA 开源仓库，把视觉-语言-动作模型用于机器人导航，可作为VLA在导航场景落地的研究参考。

GitHub 项目 UCLA-Mobility/TIC-VLA 发布，是 ICML 2026 论文 Think-in-Control (TIC)-VLA 的代码仓库，研究方向为机器人导航，主题标签包括导航、机器人与视觉-语言-动作模型，当前获得约 165 星。信源仅提供仓库标题与主题信息，具体方法设计与实验效果尚待论文披露。

值得关注：GitHub项目cadence提出无反向传播的类脑在线学习框架，面向具身智能整合感知、记忆与行动，可关注其后续工程化验证。

GitHub 开源项目 cadence 提出不依赖反向传播的类脑学习系统，默认运行 System 1，涵盖感知、记忆、可塑性与行动，并提供可选的 System 2 观察者，面向具身智能。仓库标签包含 brain-inspired、local-learning、online-learning、robotics 等，当前约 334 星。信源信息有限，未披露具体性能与验证结果。

值得关注：用序列级反向 KL 蒸馏替代闭环交互来优化 VLA 长时程任务成功率，对降低具身模型训练与部署成本有参考价值。

该论文提出 DriftOPD，一种面向一步式 VLA 策略的序列级反向 KL 蒸馏方法。视觉-语言-动作模型通常依赖动作专家在滚动时域控制下生成短动作块，块级训练便于跨机器人本体迁移，但只优化局部动作似然，未显式考虑长时程任务成功率；序列级强化学习可缓解该问题，却需要策略采样与闭环交互、成本较高。原文摘要被截断，信源信息有限。

值得关注：首个将爬梯垂直移动与灯泡精细更换纳入同一长时程回合的人形基准，为全身移动操作评测提供可复现标准。

该研究提出Fiatlux长时程基准，基于NVIDIA Isaac Lab构建，让Unitree G1人形机器人在同一回合内完成搬移梯子、攀爬、更换天花板或墙面灯具等任务，首次把垂直移动与易碎载荷上的精细操作纳入统一评测。信源为arXiv摘要，任务细节与评测结果信息有限。

值得关注：软体连续体机器人用优化方法实现全身抓取与抛掷，为接触变化下的操作学习提供新思路，但距实际部署仍远。

该论文提出基于结果驱动的驱动空间优化方法，让螺旋软体连续体机器人从初始未抓取状态完成全身抓取与拾取抛掷。研究以末端角扫描和机身包络量化抓取效果，抛掷环节进一步引入释放方向对齐和最小释放速度约束，通过不断变化的接触实现行为合成。信源为arXiv摘要，信息有限。

值得关注：DeepMind将水印能力扩展到AI生成蛋白质，为生物设计内容的溯源与合规提供新思路，值得关注其技术路线。

Google DeepMind 推出 SynthID Bio，这是为 AI 生成蛋白质添加水印的概念验证方案，目标是在保留蛋白质生物功能的前提下实现可溯源标记。原文仅给出一句话说明，未披露具体技术方法、测试规模以及开源或产品化计划，细节信息有限。

值得关注：研究团队用多台足球机器人验证新的运动协调系统，直指人形机器人真实环境稳定性痛点，属具身控制方向可参考进展。

据Tech Xplore报道，研究团队开发出一套新系统，使人形机器人能够更可靠地移动和反应，并在多台踢足球的机器人上完成了验证。此前人形机器人常出现笨拙行走、被物体绊倒或原地卡住等问题，真实环境中的运动能力是当前机器人最大的短板之一。该工作被视为机器人协调领域的重要进展，但报道未披露系统技术细节与测试数据。

值得关注：机器人研究者公开判断 UMI 数据采集路线最具前景，反映具身智能数据瓶颈已成行业共识焦点。

机器人研究者 Chris Paxton 在 X 上表示，高质数据采集是当前机器人领域极为关键的问题，并认为 UMI（Universal Manipulation Interface）这一操作数据采集方案最有前景。该表态未附实验数据、产品信息或对比结果，属于个人技术判断，信源信息有限。

值得关注：Hugging Face 博客提出 MCP 智能体的来源感知验证思路，强调事实与信源需同时校验，对智能体工具调用的可信度有参考价值。

该文来自 Hugging Face 博客，讨论面向 MCP（模型上下文协议）智能体的来源感知验证方法，强调在核对事实本身之外，还需追溯信息来源的可靠性与出处。原文未提供摘要，信源信息有限，具体方法设计与实验结论需查阅原文。

值得关注：斯坦福以 Unitree G1 在厨房场景验证空间记忆、Real2Sim 与大模型规划组合的人形智能路线，对具身导航与技能编排研究有参考价值。

据 X 账号 CyberRobo 消息，斯坦福 HomeBody 项目尝试用不同路径构建人形智能：一台 Unitree G1 先探索陌生厨房环境，建立持久空间记忆与 Real2Sim 数字孪生，随后由 GPT-6 Astra 负责任务规划与技能组合。该信息仅来自单一社交媒体账号，具体论文、实验设置与效果细节有限，需进一步核实。