World Labs 向所有人开放 Atlas 世界模型,并推出 3D 世界构建应用与 API
World Labs 宣布向所有人开放 Atlas 世界模型的访问权限,并推出一套用于构建 3D 世界的应用和 API 接口。Atlas 于今年 9 月首次亮相,原生支持文本、图像、视频和 3D 等多种输入,并整合到共享空间上下文中。它可根据文本生成图像和 360 度全景图,从一张或多张图像生成图像和视频,视频输出最高 1440p、时长最长 1 分钟,还能从输入图像重建真实世界空间。
World Labs 宣布向所有人开放 Atlas 世界模型的访问权限,并推出一套用于构建 3D 世界的应用和 API 接口。Atlas 于今年 9 月首次亮相,原生支持文本、图像、视频和 3D 等多种输入,并整合到共享空间上下文中。它可根据文本生成图像和 360 度全景图,从一张或多张图像生成图像和视频,视频输出最高 1440p、时长最长 1 分钟,还能从输入图像重建真实世界空间。
TransGHOST 提出一种因果参考引导的重建流程,其非生成式安全模式可实时运行,通过仅拟合可见区域的几何变换对已记录帧重采样来恢复被器械遮挡的像素,并给出逐像素置信度与来源标记。
在UrbanTwin Sim2Real LiDAR挑战赛V2X-Real赛道中,参赛方案以0.7457综合得分获第一,检测mAP为0.4382、真实感得分0.9251。三项诊断性修正贡献主要提升:恢复预测与评测真值间的坐标系错配使得分从0.3520升至0.5147;将单一全局NMS改为逐类NMS使整体mAP从0.0751升至0.4295;对真实点云中约31%以(0,0,0)编码的空回波建模。
该方案在 ECCV 2026 DriveX Grand Challenge 的 UrbanTwin Sim2Real LiDAR 挑战赛 LUMPI 赛道获得第一名,综合得分 0.4793,其中检测 mAP 为 0.1333、真实感得分 0.9126。
研究提出以专家定义的协议规则为基础评估手术规划,直接衡量协议依从性,而非与单条参考轨迹的相似度。在该框架下,基于相似度的指标会惩罚偏离参考轨迹但符合协议的规划,却奖励表面相似但违反协议的规划。对 Video-LLM 的评估还揭示出视频到状态 grounding 不可靠与规划约束不足两种可分离的失败模式,仅靠模型扩展无法解决,注入结构化知识则能带来稳定提升。
Yichi Zhang 等作者发布 HEIR,一个研究如何利用自我视角意图进行人机交互的数据资源。该数据集将人类语音、实测注视点和自我视角视频与机器人观测及遥操作导航-操作轨迹配对,每个会话保留连续多轮任务,每项请求由多个执行子任务完成。作者通过离线实验评估模型从额外人类中心上下文中的获益,并用真机实验检验执行任务完成情况,演示与数据集已在线公开。
研究团队提出 VOKE 运动学感知框架,可增强现有物体与手-物位姿估计器,输出包含位姿、线速度/角速度及线加速度/角加速度的完整物体运动学状态。在 DexYCB 和 OakInk 上,VOKE 在三种不同骨干网络上均提升物体位姿估计,并显著降低速度与加速度估计误差。
研究团队为二自由度双边力反馈遥操作设备加装视觉触觉传感器与32像素触觉显示器,在操作者指尖还原机器人手指的空间接触图案。在按钮辨别与滚柱任务中,这种空间分布触觉反馈减少了多余动作和完成步骤,显著缩短任务完成时间,并使不同操作者的演示更一致。用触觉增强演示训练的自主策略也出现任务时间与偏离自然人类行为程度的下降。
论文提出 PROOF 感知运动框架,让腿足机器人在严重视觉干扰下仍能稳定行走。方法采用两阶段师生学习,教师同时学习感知驱动与本体感知回退行为,学生预测外感知特征的不确定性并在分布外输入时抑制这些特征。
研究者提出 Objectives as Policies(OaP)框架,通过可编辑的目标程序把预训练 VLM 与共享的采样型 MPC 连接起来,用于接触丰富的机器人操作。VLM 依据自然语言指令和场景观测,经 real-to-sim 构建数字孪生并生成目标程序,在仿真中由 MPC 执行、依 rollout 迭代更新后再部署到真实世界。该框架在仿真与真实世界的四项桌面操作任务上均优于强基线。
一项 arXiv 论文评估 Qwen3.5-27B 和 Gemma-4-31B-it 能否为物体目标导航提供房间内目标位置分布的空间先验。基于 CubiCasa5K 与 ScanNet 真实户型,模型生成布局的物体频率和房间尺寸随房型变化,但物体贴墙距离未体现真实房型差异。作为搜索先验,生成布局的搜索区域缩减不足真实布局先验的三分之一,平滑后不足三分之二。
研究者提出免训练的物体导航系统 ERA,用 RGB 图像与位姿预测深度替代深度传感器,通过可修正占据地图和可达视点探索,在停止前跨视角验证目标。在三个 benchmark 上,ERA 在无深度传感器的免训练方法中达到 SOTA,并将 VLFM 在相同预测深度下的成功率从 10.8% 提升至 61.7%。ERA 已在真实机器人上部署。
研究团队提出 AI 引导的机器人原位打印平台,可直接在透明伤口敷料上制造无线伤口电疗器件。系统整合 3D 视觉相机、六自由度机械臂、直写打印与几何感知 RF 设计优化,将伤口分割得到的尺寸与局部曲率及组织介电负载纳入接收线圈和叉指电极设计。在拟人组织等效前臂模型上完成原位制造演示,实测介电特性被纳入 RF 优化,使器件在 25 MHz 目标频率附近谐振。
论文提出 TouchTwin,用头戴与腕部 RGB-D 相机和 880-taxel 手套采集 TouchScale 记录,在 MuJoCo 中重建交互,并由逐受试者的触觉手按记录设置各手指的接触与闭合力。基于触觉重放的策略在仿真中夹持力为记录值的 0.99x,在留出记录上 20/20 次成功、在 35/36 次未见扰动下成功;触觉训练的接触预测器漏检 13% 的真实接触帧,视觉重放为 32%。
X-Nav 技术报告提出一套从数据到部署的人形机器人长程导航系统,在灵犀 X2 上完成从办公楼大堂到邻栋商店约一百米的语言指令任务。其导航模型 MELIOR 仅使用机器人自带相机的 RGB 图像,分预测动作的 MELIOR-A 和预测导航目标的 MELIOR-N 两个版本,配合 X-Navarch 智能体工作流把简短指令拆成子任务并执行目标导航与避障。
推荐理由:论文给出从数据采集到真机部署的完整链路,并说明数字孪生数据微调如何提升闭环成功率。
研究在冻结的 I-JEPA 视觉世界模型上拟合小型残差适配器,以改进基于嵌入 MSE 的潜在目标代价,无需重训编码器或世界模型。在 DotWall 与 PointMaze 各 50 例配对评测中,成功率分别从 54% 提升至 98%、从 82% 提升至 96%;16 个未见 DotWall 布局-目标案例上,潜在代价排序与最短合法路径排序的一致率从 71.9% 升至 85.8%。
研究提出“预算条件目标搜索”任务:给定目标类别与显式动作预算,智能体需在预算耗尽前找到尽可能多的不同目标实例。对比特权TSP专家与房间级Bellman专家监督VLN,在HM3D场景上Bellman监督的VLN持续优于TSP监督版本,2000步(500m)时找到71.4%可达目标实例,TSP监督为65.5%,预训练VLN为44.8%。
小鹏联合北京大学、香港大学等机构的研究者开源视觉感知基础模型 GroundingPI,约 4B 参数,在 34 项感知基准上取得 73.68 的平均分,高于研究团队评测中 GPT-6 Astra 的 71.54。
推荐理由:原文给出 GroundingPI 在 34 项感知基准上的总分与对比模型,并说明开源权重和代码的获取方式。
南方科技大学 CLEAR Lab、逐际动力与香港大学的论文《Generative Visual Foresight Meets Task-Agnostic Pose Estimation in Robotic Table-top Manipulation》入选 CoRL 2025,提出 GVF-TAPE 算法,让机器人通过视频预测任务执行过程再推理动作。