机器人与具身智能

多体/机器人

基于 LeRobot 框架采集的机械臂操作数据集，包含 51 个 episode、29803 帧视频数据，用于机器人操作策略学习。

多体/Multibody

提出建筑施工场景下规格条件化的人体演示数据收集方法，弥合设计模型与物理环境的配置差异。

具身智能/机器人大模型

宇树科技发布6B参数通用具身智能模型UnifoLM-WLA-1.0，约2500小时真机训练，在具身推理领域取得7项开源SOTA。通过半群数据增强从单条轨迹挖掘大量训练对，是 PDE 基础模型方向的代表性工作。

Multibody

综述机器人学习中物理先验嵌入的方法，涵盖接触力学、刚柔体耦合、多体动力学等物理约束如何提升学习策略的样本效率与可靠性。

多体/Multibody

NVIDIA官方教程，演示如何通过Isaac ROS和AI Agent优化ROS 2计算图性能，实现机器人工作负载的GPU加速。

多体/机器人

PIVOT将物理信息引导与视觉-语言模型结合，用于野外环境机器人可通行性评估，增强非结构化地形的导航安全性和可靠性。

多体/机器人

研究张拉整体连续体机械臂的运动学估计与闭环控制方法，基于杆件倾角参数化表达复杂连续弯曲构型，解决传统弹性骨干模型不适用于张拉整体结构的问题。

多体

提出 AffordanceWAM，一种 affordance-aware 生成式世界动作模型，通过融合 action-labeled 机器人视频与 egocentric 人类视频监督，实现可泛化的机器人操控。

多体

提出双线性Koopman模型扩散方法(BK-MBD)，通过状态空间提升与候选传播解耦，降低实时机器人控制的计算成本。

多体/Multibody

ForceTwin通过人类交互数据学习关节物理属性（惯性、摩擦、弹簧机制），构建可预测动作的物理信息数字孪生，赋能机器人精准操作。

Multibody

研究机器人在不熟悉物理条件下的诊断适应问题，定义了改善行为需满足的六个有序经验条件，并在受控和公共环境中验证了该链条的有效性。

通用科学ML

提出NeuIDO神经本征动力学算子，将物理约束内化于世界模型以预测3D物体交互轨迹，弥合物理引导4D生成与真世界模型间的差距。

多体/机器人

提出机械系统认知计算框架，融合储层编码与主动推理，突破传统被动设计与离线优化局限，实现系统在变化环境中的自适应学习能力。

多体

提出LOInK方法，通过结构化神经代理模型学习构型空间到解耦任务/潜空间的Lipschitz可逆映射，将代价最小化解置于原点，实现逆运动学近似最优解的高效采样。

多体/机器人

提出D3DWA框架，利用决斗双深度Q网络自适应调整动态窗口方法的权重和预测范围，提升机器人在不同环境中的导航适应性。

多体/Multibody

提出DeViGrasp方法，系统分析遮挡、分割掩码丢失、深度噪声和目标定位抖动对四足机械臂抓取策略与目标跟踪的影响，提升退化感知下的全身控制鲁棒性。

多体

提出CHOREO框架，无需训练即可实现异构人形机器人技能（如强化学习、运动模仿、生成模型）的组合，支持跨表示/接口/控制器的技能拼接。