研究团队在 Franka Research 3 机械臂上部署 Spotter，具身模型为基于遥操作数据微调的 π0.5，测试了三项任务：叠杯、将方块放入杯中，以及包含两个子步骤的长程任务（先将方块放入杯中，再将另一方块放至盘中），每项任务测试 10 次。这里的具身模型，指直接输出机器人动作的模型，如视觉-语言-动作模型（VLA）π0.5、世界动作模型 Cosmos Policy。实验显示，在相同步

在外层构建一套自进化智能体框架，借助假设图做信息价值引导的物理试验选择，让代码和技能协同进化，再通过强化学习筛选有价值的分层记忆，每一次实体机器人试错都产出最大的信息收益。快速系统维护一张假设图，节点代表候选的代码假设、技能假设，边记录假设之间的迭代 refine 关系，每一次物理试验得到的轨迹、任务成败证据，用来更新各个假设的置信度。，打造了一套自进化智能体外层框架，让机器人自主判断下一步该探索

Thea：论文（https://arxiv.org/abs/2608.11246）、系统架构（https://eit-hai.github.io/thea/system.html）、物理世界接口（https://eit-hai.github.io/thea/gaps.html）、实验（https://eit-hai.github.io/thea/experiments.html）图中左侧提供已知测

这样看，VLA 更强调观测、目标与动作之间的连接，WAM 更明确地学习动作对应的未来变化，两种能力也可以融合在同一个模型中。▲图4 | SelfWAM 中部展示训练时视频与动作信息如何交互，右上角给出单独的动作预测路径，右下角是可选的视频预测路径。两条路径的分开，使模型既能利用世界预测学习动作，也能在执行时保留较轻的动作生成流程。底部箭头将执行后的真实观测重新送回模型，刷新历史信息，让下一轮动作依

涵盖鸟瞰图视角场景重建，多雷达与相机传感器特征融合，车辆行人轨迹预测以及可行驶区域精细化分割等核心任务，现有量产自动驾驶方案多采用卷积主干加Transformer辅助建模的混合结构。，这类机器人需要动态识别多变环境中的物体关联，需要建模远距离场景布局，全局注意力机制可以有效提升复杂环境下的感知鲁棒性，帮助机器人完成避障路径规划和适应动态场景。动态避障也是类似逻辑：卷积擅长认出"这是什么"，但很难判

而更有参考价值的是分布偏移测试LIBERO‑Plus，用来模拟光照、视角、物体布局、机器人状态、语言指令扰动，UniWAM总体成功率92.6%，在机器人本体扰动、语言指令、光照、背景扰动维度上取得最优结果。三者通过共享的注意力层互相交换信息，动作生成可以参考语义理解，也可以参考对未来画面的预判。，依靠人类第一视角数据、机器人演示数据、VQA数据联合预训练，在仿真、真实双环境的多项基准刷新性能，还揭

▲表 |十一项任务的真实世界回放成功率。实验覆盖11项真实灵巧操作任务，任务类型包含刚体、铰接件、可变形物体，任务包括开瓶子、剪刀裁剪、礼物盒打包、打结、多杯抓取、电脑装机等。但现有方案大多是固定流水线，刚体、铰接物体、可变形物体需要完全不同的重建与运动生成逻辑，长时序多子任务场景很容易发生错误传播。重建完成后，优化仿真内物体掩码和视频掩码IoU，确定物体初始位姿，把物体、机器人一并部署进仿真环境

简单说，它不是等攻击被检测出来再补救，而是把攻击者和防御者放进同一个微分博弈里，在线学习双方的策略，让机器人团队在“最坏攻击”下继续完成任务。在 β = 0.5 的包含控制实验中，DSLC 的 IAE 为 21.44，低于 DRHRL 的 31.66，相对降低 32.3%，说明它在攻击下确实实现了更优的控制性能。每组左侧为实物快照，右侧为运动轨迹。在六机器人直线编队实验中，β = 1 时，DSLC

真机化学实验场景 ChemLab-Evo（ARX 机械臂）Level-1 三任务均值 83.3%（π0.5 73.3、Cosmos3-Nano 70.0、Fast-WAM 76.7、LingBot-VA 71.7），其中取试管 100%、放烧杯 70%、倒水 80%；实验数据显示，LIBERO-Pro 上 π0.5 的 Goal-T 由 31.0% 升至 92.5%、Goal-S 由 38.0%

主题：计算机视觉科研经验分享嘉宾：张士峰，中科院自动化所博士，研究方向为物体检测，包括通用物体检测、人脸检测、行人检测。博士期间，以第一(共同第一)作者发表论文20篇，包括顶级期刊TPAMI和IJCV共2篇，顶级会议CVPR 4篇、ICCV 1篇、ECCV 1篇、AAAI 4篇，IJCAI 1篇。链接直达：https://www.shenlanxueyuan.com/open/course/59.