未来，VLA模型的竞争可能会聚焦在“如何更高效地引导注意力”和“如何用更少的数据实现泛化”——ReconVLA给出了一个可行的方向，但要完全解决复杂场景的问题，还需要融合动态目标检测、物理先验知识等更多技术。重建任务的核心是一个轻量扩散Transformer（Diffusion Denoiser），它的作用不是生成高清图像，而是从加了噪音的特征中，还原凝视区域的“细粒度特征”视觉接地能力薄弱，导致

未来，VLA模型的竞争可能会聚焦在“如何更高效地引导注意力”和“如何用更少的数据实现泛化”——ReconVLA给出了一个可行的方向，但要完全解决复杂场景的问题，还需要融合动态目标检测、物理先验知识等更多技术。重建任务的核心是一个轻量扩散Transformer（Diffusion Denoiser），它的作用不是生成高清图像，而是从加了噪音的特征中，还原凝视区域的“细粒度特征”视觉接地能力薄弱，导致

在真实道路上，最危险的时刻往往不是“正常行驶”，而是那些罕见却致命的“意外”——一只闯入车道的狗、一辆突然变道的货车、或一名被遮挡的行人。偏离越远，分数则逐步衰减。但在现实中，驾驶是多模态的——面对一只突然飞出的鸟，既可以刹车，也可以绕行。ADE只看“偏差”，看不到“合理”在标注过程中，人工评审者会先完整观看视频，理解事件背景，再挑出第一次出现关键风险的画面，即所谓的“关键帧”而像HMVLM这类语

告别“看得见躲不开”解决机载大模型反应迟钝难题在复杂环境里飞无人机，最怕的不是“看不见”，而是“看见了也来不及反应”。狭窄通道、树枝电线、光照突变，再加上一句人类式指令，比如“绕过去再靠近目标”，对机载系统来说就是一场连环考。很多视觉语言动作模型在实验室里很聪明，一上机就会遇到四个现实拦路虎：训练数据视角不对、只看单帧缺少时序推理、生成式动作带随机性可能撞墙、算力又被机载平台卡得死死的。来自浙大和

以清华大学、浙江大学、上海交通大学、香港中文大学和香港科技大学为代表的高校，正在共同构筑中国具身智能研究的“技术地基”——从基础控制与软体执行器，到视觉语言模型与跨模态认知，再到手术机器人、微纳智能体与空地协同系统，中国学者的研究已不再局限于单一任务，而是向**“智能体—环境—任务”三位一体的认知闭环**不断延伸。数据，对近三年国内高校在机器人与具身智能领域的学术成果进行盘点，梳理代表性团队与研究

传统的机器人操作系统普遍采用分阶段的开发模式：数据收集--模型训练--任务评估的流水线模式，每个环节都需要定制化设备、人工整理数据，还要针对具体任务反复调试，这种碎片化的架构增加了开发复杂度，延长了迭代周期，也限制了系统的可扩展性。然而，由智元Genie团队推出的Genie Envisioner平台，将未来帧预测、策略学习与仿真评估首次整合进以视频生成为核心的闭环架构，使机器人在同一世界模型中完成

模型架构是反事实推理嵌入的核心载体，需根据任务类型（传统统计学习、深度学习）与数据维度，选择适配的因果模型框架，并在架构中嵌入因果约束，确保模型学习因果关联而非仅拟合关联模式。，让模型在学习数据模式的同时，掌握因果推理能力。传统机器学习模型的核心是拟合数据中的关联模式，但在真实世界中，关联往往受到混淆变量、选择偏差等因素的影响，无法支撑可靠的决策。通过对这些反事实场景的训练，模型能够学习到更通用的

更关键的是，其采用纯视觉方案，无需依赖激光雷达，既降低了硬件成本，又依托特斯拉海量驾驶数据训练出的算法模型，实现了复杂场景的精准认知。通过自主学习能力，它可快速适配叠衣服、打扫卫生、照顾老人等家庭任务，未来随着成本进一步降低，有望走进普通家庭，成为智能生活的核心助手。年第三季度，受手部硬件工程难度影响，设计定型略作推迟，但整体方向基本确定，核心供应商已收到图纸并启动部件研发与交付。原则，要求供应商

教师策略用PPO算法训练，还能拿到模拟器里的“特权信息”（比如真实根速度、关节位置、地面摩擦系数）——相当于有个“上帝视角”，专门学“怎么精准跟踪运动”。简单说：以前的方法要么“没视觉理解”（MoCap），要么“理解不到位”（文本），要么“理解了但做不到”（传统视频）——提示词是“描述视频里的运动”，让VLM捕捉“动作特征”（比如“人交替把左膝抬到右肘，右膝抬到左肘”）。不用依赖参考运动，跳过po

导读准确预测道路智能体的运动对于自动驾驶的安全性至关重要。当前，现有的数据驱动方法直接预测未来轨迹，缺乏对驾驶行为的充分考虑，限制了可解释性和可靠性。为此，本文引入了一种可解释的、奖励驱动的意图推理器来解决这一问题。实验结果表明，本文所提出的预测器能够生成高置信度、可靠的未来轨迹，同时与现有的最先进模型相比，实现了极具竞争力的性能。道路交通智能体的运动预测对于确保自动驾驶系统的安全性既是一项重大挑