获得任务区域的精确掩码后，RoboAug 用大语言模型生成背景描述，再通过 Stable Diffusion 3 Medium 合成完整背景，并构建了 500 个模板，覆盖木材、石材、复合材料等常见桌面环境。但超过 1:15 后，成功率反而明显下降。传统的“弱增广”，比如随机裁剪、色彩抖动、轻微平移，本质上只是给图像加噪声，难以引入真实的语义变化，对跨环境泛化帮助有限。只需一张图的边界框标注，就能

系统把带模式标签的航点作为参考线索，输入两栖机器人专用规划器，结合机载实时实测点云地图，生成满足动力学约束、避障约束的平滑连续轨迹：地面模式启用无侧滑非完整运动约束；重建出来的点云存在未知的各向异性缩放、旋转、平移偏差，需要和机载ToF得到的实测度量点云做配准。再通过两阶段配准校准，修正重建点云的各向异性缩放、旋转和平移，得到物理上可信的航点与地面/飞行模式标签，再下发规划器执行。两轮变换复合，作

它想表达的并不是“触觉应该更弱”，而是触觉越重要，越需要被放到真正擅长的位置：不去抢视觉和语言的全局决策工作，而是在接触发生后对执行进行更精确的物理校正。这里的关键并不是“多接一根传感器”，而是把两类感知按职责和频率拆开：视觉负责把手送到正确的位置，触觉负责接触发生后的快速纠偏。模型知道什么样的图像意味着“杯子在左边”，什么样的语言意味着“把它拿起来”，也逐渐建立了某种“看到什么就怎么动”的对应关

改变步长完成插孔、堆叠这类精细任务，不需要重新训练模型，仅调整解释器步长参数，ZS成功率从60%提升到82%；测试包含10组物体‑容器配对任务，划分训练物体与OOD未见物体，评估分为跨任务、跨环境、跨本体三大维度；，再由解释器做硬件适配。解释器拿到“MV_FWD”，结合当前机器人位姿，按照设定步长更新末端位置，再映射成机械臂关节目标值，不同硬件做适配，上层模型完全无感。微调模式下用LoRA微调2B

不限制转换的状态类型、不固定演化路径、不锁定变化速度，能够根据不同的场景特征、不同的任务需求，动态调整状态演化的整体规则，实现任意两种状态分布的最优转换。流匹配为具身智能的动态建模提供了稳定通用的计算框架，解决了传统离散计算方式的偏差累积、状态畸变、运动失配等问题，实现了智能设备状态演化的平滑性和可解释性。也可能是一条既满足约束、又节约能量的机械臂运动轨迹。把完整的运动时间拆分为多个均等的短时段，

利用Qwen3‑VL‑8B‑Instruct识别轨迹内发生关键事件的时间步，再通过MolmoPoint点检测模型输出事件对应的图像关键点，提取DinoV3图像patch，组装成每一时刻的显著性集合。冻结Workspace编码器权重，取一小段历史窗口内的Workspace Token序列，联合本体感知状态，输入Diffusion Policy扩散策略，预测未来动作块。利用训练、部署算力的非对称，VL

在“等绿碗出现，再把勺子放进去”的 Demo 中，紫色碗、橙色碗先后进入工作区，系统没有贸然执行，而是保持监测。直到监测工具报告绿碗出现，Agent 才被唤起，重新获取现场图像，确认勺子和目标碗的位置，规划并执行放置，最后检查勺子是否入碗、夹爪是否释放。决定经验价值的，是认知核心对执行过程的理解。记忆驱动的自进化，则让这些任务之间有了联系：新的执行会留下经验，积累的经验能够参与新的行动。在更完整的

RAI研究所团队发表的AthenaZero双手机器人，跳出传统机械臂优先保障静态刚度的设计思路，以降低惯量、轻量化末端为核心目标，打造出具备高控制权限的动态双臂操作平台。完成机‑机对玩接球、人‑机接球，机器人投球练习击球四大类演示。AthenaZero给出了一套硬件取舍的参考答案，但想要真正走向现实世界，机载高速视觉、降低缆绳摩擦、热管理优化，依旧是接下来需要解决的现实问题。这种方案最大化降低手的

值得一提，对比基线HumanoidPF还额外使用激光雷达感知，而TANGO仅使用RGB图像输入，在感知信息更少的前提下实现更低碰撞。保留编辑阶段的参考运动作为监督信号，而不是跟踪之后的轨迹，保证运动的拟人化。TANGO 采用端到端根据语言指令 + 第一视角RGB图像，直接输出完整全身关节目标角度，把导航决策和全身运动生成合并成一个统一模型。模型本身不需要学习底层电机控制，专注输出参考运动轨迹。整套

▲图5 | 可以观察到机器狗的脚落在黄色泡沫上时，材料随受力变形的情况和木板不一致，从而给机器人的足部带来了不一样的物理反馈，这种没有见过的反馈最终导致机器狗的运动控制出现问题。经过滤波和融合的状态，又有自己的更新节奏。▲图4 | 上方为真机，下方为仿真，可以看到在地面材质接近仿真环境时，机器人的行走姿态和关节变化也能够和仿真保持一致，从而获取比较好的迁移效果。但如果要判断它是否已经具备可用的任务