科研人员通过手柄拖动示教，就可以完成各类日常操作任务，完成抓取、摆放、开关厨具等复杂任务的演示录制，产出贴近人类操作习惯的机器人轨迹数据。对比其他同类数据集，DROID 在场景、视角、交互位置的多样性上具备不错的表现，实验表明，使用 DROID 参与联合训练，能够提升机器人策略在分布外场景下的成功率与鲁棒性。DROID的分布式采集涉及18套机器人硬件，分散于全球不同实验室。DROID（分布式机器人

在机器人灵巧操作研究中，接触丰富的作业任务长期面临仿真与现实存在差距的难题。密歇根大学与亚马逊工业机器人团队联合推出 HydroShear 仿真方案，借助水弹性模型还原触觉剪切作用，让强化学习策略能够在仿真环境训练后直接迁移到实体机器人开展作业，为机器人触觉研究提供新的思路。

文章探讨了力控技术在机器人物理交互中的核心价值。力控系统作为连接数字智能与物理操作的"触觉神经系统"，使机器人能够感知外力变化、适应复杂环境，完成精密操作并确保安全。源自德国DLR研究所的技术基因，通过Franka Robotics和思灵机器人两条路径发展：前者打造科研标杆FR3，后者推出面向科研与工业的Diana系列产品。最新研究表明，将大模型与力控结合（"大脑发指

本文提出CSRL方法，结合约束采样与强化学习来解决机器人非抓取操作中的探索难题。该方法通过物理驱动的状态采样器生成多样化接触模式，并引入投影插值重置和课程学习策略。研究使用Franka Research3机器人进行仿真验证，在球体和立方体操作任务中展现了利用多肢体接触完成复杂操作的能力。实物实验初步验证了策略的迁移可行性。研究表明，重置分布设计与精确力控平台对接触丰富的操作任务至关重要。该方法为非

本文提出Pigey框架解决VLA机器人执行复杂任务时的调度问题，通过能力解耦与推理时调度，在不新增数据或微调模型的前提下，将系统拆分为冻结技能模型和VLM调度器。调度器负责任务拆解、技能选择与校验，底层仅执行物理动作。实验基于Franka Research3机械臂，整合TiPToP和π0.5两套运动模块，覆盖刚性与柔性物体操作。结果显示，该框架使任务完成率达97.3%，显著提升复杂任务执行能力。研

上海期智研究所等团队提出DemoSpeedup方法，通过熵引导的分段加速技术解决机器人模仿学习中的效率瓶颈。该方法基于人类操作在高精度环节（低熵）与自由移动环节（高熵）的特性差异，对演示数据进行智能下采样处理。实验依托星海图R1Pro机器人平台，在6类真实任务中实现1.6-2.78倍提速，成功率不降反升。该方法为时间敏感型机器人任务提供了从数据采集到真机验证的完整解决方案，同时R1Pro平台反馈的

【研究摘要】针对机器人模仿学习依赖高成本遥操作系统的痛点，加州大学伯克利分校团队提出GELLO框架，通过运动学等效设计（0.5比例微缩目标机械臂）与低成本硬件（3D打印+伺服电机，单机<300美元），实现直观操作与高质量数据采集。实验表明，相比VR控制器和3D鼠标，GELLO在UR5/Franka/xArm7上的任务成功率提升显著（如双臂协作成功率91%），且操作时间缩短30%。该方案以1%

德国弗莱堡大学团队提出DynaMAC框架，突破动态环境与双臂协作的机器人学习瓶颈。该框架通过运动学检测自动识别物体抓取状态，动态调整参考系以解决传统方法因因果反转导致的策略失效问题。实验显示，DynaMAC仅需5组静态演示即可零样本迁移至动态场景，在FR3机器人平台上实现单臂操作（堆叠/擦拭）、双臂协同（托盘搬运）及人机交互任务，任务完成率超基线35%，训练数据需求仅为对比方法的1/20。该成果为

上海启智研究院与卡内基梅隆大学合作研发的RL-100强化学习框架在《Science Robotics》发表。该研究突破仿真局限，聚焦现实无规整场景下的机械操作难题，通过Franka Research3实体机器人完成900组测试，实现100%任务成功率，其稳定性与抗干扰能力超越人工操作。系统采用多阶段训练流程，结合模仿学习与强化学习优化策略，并创新性地使用一致性模型降低延迟。实验涵盖刚性/流体/可变

摘要：Franka Research3（FR3）七轴力控机械臂被用于构建HABIT人机交互数据集，通过双臂协同完成协作、并行和指令引导三类任务，采集了10563段交互数据。研究采用VR遥操作控制，确保动作由人类视觉触发，并通过多样化场景设计降低过拟合风险。实验表明，基于人机交互数据训练的模型在避让、同步等任务上表现更优，且迁移学习效率更高。该数据集为共融环境中机器人行为研究提供了重要资源。（149