今日场景今天具身智能赛道的主线是机器人数据从哪来、怎么用得更值。CIMI 和 TacClaw-Infinity 都不用真机器人采数据。CIMI 让人手示范时先记下手指在哪里碰到物体，TacClaw-Infinity 用带触觉的手持夹爪在各种真实环境里攒示范。上线以后，有两篇论文让机器人从自己的执行里继续学，一篇让整队机器人只靠成败标签互相取经，I3L 则让操作员只在策略出错时接管纠正。另一组论文关心动作怎么表示，Vela 把一段动作写成一条曲线，DiffWBC 把人形机器人的控制器换成扩散模型，换来在线可调。还有一篇大规模真机评测提醒，离线指标很难代替真机测试。 — 评分 125 篇，入选 10 篇，分数 3.60 – 4.59
用人手示范教机器人灵巧手，难点在于人手和机器手形状不同：转换时如果只追求手形相似，机器手指尖碰到物体的位置往往和人当初碰的不一样，抓取和拨动就会失败。CIMI 把接触放在第一位：示范时记录手指与物体的接触面和指尖摄像头画面，转成机器手动作时先让接触点对齐，再顾及手指姿态；学到的策略也是先预测接触面接下来怎么移动，再由控制器协调手腕和手指去对齐。在 LEAP 和 Wuji 两款机器手的六组手与任务组合上，任务完整做完的平均成功率比基线策略至少高 50 个百分点。迁移人手技能时，对齐接触比对齐手形更关键。
已录用 ICLR 2026
Hugging Face机器人学习的工具链很碎：电机通信、数据采集、数据集格式、训练算法和推理部署往往各用一套，换一台机器人或一个数据集就要重新拼一遍，别人的结果也很难复现。LeRobot 把整条链路放进一个开源库：从底层电机控制和低成本硬件接入，到统一的数据集格式和流式读取，再到多种主流策略算法的实现和异步推理。它的价值不在提出新算法，而在于让不同实验室的数据和结果能放在同一套工具里对比和复用。
训练模仿学习策略时，验证集上的损失低，并不代表机器人在真机上做得好。作者让五指机器手抓取并插入网线水晶头，真机测了 281 个策略，想找出真正决定成败的设计。结论是输入和动作怎么表示，比优化器和采样方式重要得多：例如点云策略只保留目标附近的区域、把点云换到机器人底座坐标系，每一项都能把成功率提高 70 到 100 个百分点。几十种离线指标里，只有衡量预测动作是否平滑、是否走直线的少数几项和插入成功率明显相关，而且只在同一类策略内部成立。想用离线指标代替真机测试，目前还靠不住。
机器人上线后每天都在干活，但想让策略继续变好，通常还得请专家示范或纠正动作，机器人越多越难扩展。这篇论文让整队机器人从自己的执行记录里学：操作员只需标出每一轮是成功还是失败，并帮忙复位。训练时拿失败时的情境去成功轨迹里找相似片段，优先模仿这些片段里的动作，再把更新后的共享策略发回所有机器人。每台机器人采集时间固定时，机器人越多效果通常越好；在多步骤的手机包装任务上，96 台机器人一起学，把成功率从 79.2% 提到 98.3%。不加专家示范，只靠成败标签也能让整队机器人持续变好。
用离线示范训练的移动操作策略，一遇到没见过的情况就容易出错，手臂、躯干和底盘要一起动的长任务，靠多录示范也很难覆盖。I3L 让操作员在机器人出错时接管。操作员手边有一对和机器人手臂同步运动的主控手臂和一对手柄，一握或一推，控制权就整体交给人，主控手臂纠正机械臂，手柄调躯干和底盘。纠正数据拿去重训，新策略再上机，下一轮专门纠正它的新错误。四轮之后，自主成功率平均比初始策略高 68.3 个百分点。同样数量的训练轨迹，比只用示范训练高 35.6 个百分点。示范预算花在策略真正出错的地方，比平均多录更有效。
人形机器人的全身动作跟踪控制器，通常给定一段参考动作就输出唯一一组关节指令，想临时让它躲开障碍，只能手工改参考动作或重新训练。DiffWBC 把控制器换成一步扩散模型：它输出的是未来轨迹的分布，每个控制步仍只需一次前向计算。这样不改模型参数也能在线引导动作：先写一个代价函数，比如身体离障碍物有多近，再对生成器的输入噪声求梯度、直接调整噪声，生成的动作就会避开障碍。例如让机器人从 1.25 米高的横杆下钻过去，它不碰横杆顺利通过的比例是 0.84，改参考动作的办法只有 0.10。同一段动作多次采样，结果越分散越可能跟踪失败，不用物理仿真就能挑出问题片段。
机器人边执行边推理时，模型算得越慢，动作偏了就越晚被纠正，而现有的视觉运动策略大多依赖很重的视觉主干，难以在端侧芯片上跑快。RTPolicy 用一层跨视角注意力让几个摄像头的画面特征互相参考，再用池化把每路画面压成 4 个 token，交给流匹配动作生成器，视觉编码和动作生成两部分的计算都降了下来。在 RoboTwin 仿真基准上，它的平均成功率是 52.26%，在对比的方法里最高；在真实双臂平台上，它在端侧芯片 RDK S600 上每次推理只要 30.35 毫秒。端侧实时不一定牺牲精度，关键是先把多视角画面压小。
灵巧操作里很多动作要靠手感，比如分拣瓶子时判断有没有抓稳，可带触觉的机器人数据很难大规模采集。TacClaw-Infinity 用一种指尖带触觉传感器的手持夹爪采数据：人在家里、实验室、工厂、商店和户外直接拿着它干活，同时记录画面、指尖触觉和夹爪轨迹，不需要真机器人在场。最终攒出超过 1 万小时的示范，覆盖上千类任务，并统一做了质检、筛选和分段标注。在三款结构不同的机器人上，给策略加入触觉输入后，π0.5 的平均成功率从 50.0% 提到 74.0%，提升主要来自分拣瓶子这类靠接触判断的任务。
现在的机器人大模型大多按固定频率一次输出一段动作，相邻时刻的动作几乎一样，输出位置被大量浪费；想看得更远，就得牺牲接触时需要的局部精度。Vela 每次输出固定数量的控制点，每个控制点是动作空间里的一个位置，连起来是一条平滑的样条曲线，可以在任意时刻取值。这条曲线覆盖多长的未来，由模型和控制点一起输出；训练时，每段示范的标签取固定数量控制点在误差允许范围内能表示的最长时长，所以动作平缓时覆盖得长，需要精细接触时覆盖得短，同样多的控制点就排得更密。在真实的鸡蛋饼烹饪长任务上，Vela 在四个子任务上的平均成功率是 67.5%，π0.5 是 37.5%。动作表示从逐点改成曲线，输出预算才能按需分配。
NVIDIA用世界模型给机器人或自动驾驶做仿真，有两道坎：把模型适配到自己的传感器和数据上，以及把它稳定地部署进应用。英伟达这篇技术博客介绍了 Cosmos 的两套工具。Cosmos Framework 提供训练、强化学习、蒸馏量化和推理的模块化流程。其中新发布的 Nano 系列仿真模型能同时生成同步的摄像头视频和激光雷达数据，覆盖自动驾驶、双臂机器人和手术场景；流式版本可以接收策略的动作、实时生成下一帧，用来做闭环评测。Cosmos NIM 把这些模型打包成推理容器，靠投机解码等手段平均提速约 2 到 3 倍。对想用生成式仿真评测策略的团队，上手门槛明显降低了。