今日场景今天具身赛道的主线是怎样用更便宜的数据和更合适的表示，让机器人把接触密集的操作做准。Zero-HLM 用手机扫描的真实房间在仿真里造出全部训练数据，人形机器人不用真机示范就能完成长任务。PlayPolicy 让灵巧手从几分钟的人类玩耍出发，自己攒数据训练世界模型。FLoRe 把接触力写进人形机器人的示范和策略输出，Robot-DIFT 和 POD-RoPE 则分别从视觉特征和位置编码入手，帮策略看清最后几毫米的几何关系。产业侧，Google 把 Gemini Robotics ER 2 放上了云端，机器人的高层规划开始可以直接调用托管模型。 — 评分 213 篇，入选 10 篇，分数 3.65 – 4.55
人形机器人要学会走到桌前、拿起香蕉再放进篮子这类长任务，通常要靠人遥操作采上百条真机示范，桌子挪个位置往往就得重采。Zero-HLM 改为全部在仿真里造数据。它用手机拍一圈真实房间，重建成既像照片、又能做物理交互的仿真场景，再把少量遥操作示范自动改写成上千条新示范。每条新示范随机换一个机器人起点和物体、放置目标的位置，手的轨迹跟着目标一起移动，只留下在仿真里跑成功的。只用这些数据训练的策略直接上真机，三个任务平均成功率 66.7%，高于用真机示范训练的 46.7%。换到真机示范没覆盖的位置后，成功率从 23% 提到 69%。
灵巧手要学会推物体、在手里把物体转到任意姿态，通常要么为每个任务采示范，要么在仿真里跑强化学习再迁移到真机。亚马逊 FAR 等单位的 PlayPolicy 只让人遥操作机械手随意摆弄物体几分钟，用行为克隆学出一个不针对任何任务的玩耍策略，再让机器人自己照着玩上几个小时，用这些数据训练一个预测动作后果的世界模型。执行具体目标时，玩耍策略提出候选动作，世界模型预测各自的结果，挑最接近目标的执行。真机上，它的成功率比事后补标目标的行为克隆高 69.6%，与强化学习相当，所用交互数据却少约 490 倍。
视频扩散模型看过大量物体怎么移动、怎么被碰撞，但要把这种理解用到机器人控制上，得先解决两件事，各数据集的相机数量和视角不同，各机器人的动作格式也不同。复旦大学的 X-World 给预训练视频模型加了一路跨视角注意力，让它能同时看一到三个相机。它再把视频特征压成固定长度的一串 token 交给共享的动作模块，每个数据集另配一个轻量投影层，把共享模块的输出换算成该机器人自己的动作格式。它在 LIBERO 上平均成功率 98.5%，在六个真机双臂任务上达到 81.7%，高于最强基线 X-VLA 的 58.3%。去掉视频适配或跨视角融合时成功率下降最多，说明起作用的正是视频先验。
机器人操作常常败在最后几毫米，策略认得出要抓的物体，却对不准姿态偏差、物体边缘和接触前的位置。论文认为问题出在视觉编码器上，常用编码器追求语义上的不变，把这些细微的几何差别抹掉了。扩散模型的特征对像素级的对应关系很敏感，但带随机噪声、速度慢，没法直接用于实时控制。Robot-DIFT 把输入带噪声的扩散模型蒸馏成一个输入干净图像、一次前向就出特征的确定性网络，再把从粗到细的多层特征融合成视觉 token 交给策略。在 RoboCasa、LIBERO-10 和真机上，它在需要精细接触的任务上胜过视觉语言、自监督、几何类和扩散类编码器。
推车、搬重箱子、擦白板，这些活不光要控制手怎么动，还要控制用多大的力。人形机器人的力往往要两只手和全身配合着给，单靠运动轨迹描述不出来。FLoRe 用两个带力传感器的手持夹爪和穿戴式追踪器采示范，不用机器人就能同时录下手的动作、接触力和全身动作。策略除了预测动作，还给每只手输出力的指令，全身控制器在保持平衡的同时，让每只手沿指令方向跟住这个力，其他方向保持柔顺。在宇树人形机器人的三个接触任务上，它的成功率是 80%，用同样示范训练、只控制位置的策略只有 26.7%。对要干推、擦、搬这类活的人形机器人，力应该写进示范和策略输出里。
给看图、读指令、直接输出动作的 VLA 模型补上 3D 空间感，常见做法是让它的内部表示直接对齐预训练 3D 基础模型的特征。论文发现，这种逐点对齐相当于给特征空间加了一个低秩约束，会让 VLA 原有表示的秩严重塌缩，丢掉原本的表达能力。伦敦玛丽女王大学等单位的 RIGID 改为只对齐关系。3D 模型里任意两个位置的特征有多相似，VLA 里这两个位置的特征也要同样相似，至于每个特征本身指向哪里、有多长，不再做要求，VLA 因此能保留自己原有的特征坐标系。在公开基准、作者新建的空间推理基准和真机操作上，它都把 3D 空间信息带进了 VLA 的推理，泛化也更稳。想给 VLA 加 3D 先验的团队，值得先检查对齐之后表示有没有塌缩。
机器人策略里的 RoPE 通常按 token 在序列或网格里的序号算相对位置，可同样相差几个像素，在不同相机里对应的视角不同，同样相差几帧，真实经过的时间也不一样。而且一个图像 token 本来就覆盖一片像素，压缩过的视频 token 还混合了好几个时刻，只用一个中心点描述并不准确。POD-RoPE 在每个 token 覆盖的像素区域和时间段里取若干观察点。每个点的相机位置、观察方向和采样时间拼成一个坐标，像普通 RoPE 用序号乘频率那样，用坐标乘一组固定频率得到旋转角度，再把各点旋转角的余弦和正弦分别取平均，作为这个 token 的位置编码。接进 Fast-WAM 后，两个真机任务的平均成功率从 32.5% 提到 52.5%，延迟只比普通 RoPE 多约 17%。
给 VLA 多采几组候选动作，再用一个打分模型挑最好的一组，是不加数据也能提高成功率的办法。但常见的打分模型从整条轨迹的成败里学，把每个时刻一视同仁。其实在空中移动、抓起后搬运这类时刻，采出来的候选几乎一样，挑哪个都差不多，只有抓取前、放置前对位这类少数关键时刻，候选差别大，选错就会失败。DiVeR 在每个时刻从 VLA 采若干个候选动作，对每个候选取动作模块最后一层、最后一步去噪时各动作 token 的平均向量，再求这些向量各维方差的平均值，方差越大，这一刻越关键。训练打分模型时按这个分数给关键时刻更大权重，不需要逐步标注。在 Franka 真机的四个任务上，平均成功率从只采一组时的 58.3% 提到 71.9%。
绳子、线缆这类细长软物体难操作有两个原因，它们太细，视觉上很难定准位置，而怎么变形又取决于软硬、粗细这些物理属性。PS-DLO 让策略先从开始的画面判断这根绳子的属性，比如有几根、软硬如何，作为生成动作的先验。训练时，一个教师网络只看 SAM3 在下一帧画面里分割出的绳子区域，把它编码成一组特征。策略只看当前画面，但它内部对绳子的表示要尽量贴近教师的这组特征，于是学会预判绳子下一刻的位置和形状。在单臂和双臂平台的九个真机任务上，包括解几种绳结、拉直、缠绕和穿绳，它的平均成功率为 68.9%，比最强基线高 20 个百分点。处理线缆和绳索时，把物体属性和未来形状明确交给策略，是一条值得试的路。
GoogleGoogle DeepMind 把机器人的高层推理模型 Gemini Robotics ER 2 放上了 Google Cloud，开放公开预览。这个模型充当机器人的大脑，能理解空间和视频里的任务进程，把要跑好几分钟、做上百个决定的长任务拆开，再调用底层的 VLA 模型和硬件接口去执行，还能在对话中接受操作员临时改口。上云之后，企业可以在同一个平台上先用 MuJoCo 或 Isaac Sim 仿真测试，用模型的指点、找关键片段和判断任务进度的能力给示范视频打标签，再训练自己的 VLA。对做机器人落地的团队，高层规划可以直接调用托管模型，自己专注底层动作和硬件。