具身智能相关论文开源代码推荐20260417

点击下方卡片，关注【具身智能小站】公众号

📅 2026年4月

👋 大家好！

📊 今日数据统计

🤖 开源论文（重点板块）

🔬 AutoMoMa：面向移动操作的自动大规模轨迹生成框架

📌 Mobile Manipulation · Data Generation · Imitation Learning · GPU-Accelerated Planning

✨ 将基座、机械臂与物体运动学统一为单一链条，结合GPU加速优化，以每小时5000条的速度生成超50万条物理有效的全身运动轨迹

📖 全身移动操作要求机器人同时协调移动基座和机械臂，其状态空间巨大，导致高质量训练数据极度匮乏，成为制约该领域发展的主要瓶颈。本文提出AutoMoMa，一个GPU加速的自动化数据生成框架。其核心创新在于：1）增强运动学表示（AKR），将基座、机械臂和操作对象统一为一个运动链；2）将AKR与GPU加速的轨迹优化相结合。这使得AutoMoMa能以每小时5000条轨迹的速度（比CPU基线快80倍）生成超过50万条物理有效、高度多样化的全身运动轨迹。下游模仿学习实验证实，现有的最先进策略需要数万条此类数据才能达到约80%的成功率，直接证明了AutoMoMa在解决数据稀缺问题上的关键价值。

💡 数据规模的“临界点”远未到来。在全身移动操作领域，我们首先需要解决的是如何以可扩展的方式生成物理上合理的“练习数据”。

🔗 项目链接：https://automoma.pages.dev/

🔬 ProGAL-VLA：基于前瞻性对齐的视觉-语言-动作模型

📌 VLA · Language Grounding · Offline RL · 3D Entity Graph · Selective Prediction

✨ 通过验证瓶颈和对比学习强制语言意图与3D实体绑定，将VLA模型对语言指令的“无感”降低了3-4倍

📖 现有的视觉-语言-动作（VLA）模型在执行任务时常常“无视”语言指令，转而依赖视觉捷径，导致对指令变化不敏感和执行不稳定。本文提出ProGAL-VLA，一种通过显式验证机制来增强语言指令跟随能力的层次化架构。该模型利用“慢速规划器”生成符号化子目标，并构建3D实体中心图（GSM），通过状态对齐交叉注意力（SACA）将子目标与3D实体进行绑定，产生一个“验证过的”目标嵌入，下游“快速策略”仅基于此嵌入执行动作。此外，Grounding Alignment Contrastive (GAC)损失函数进一步强化了符号与实体之间的对齐。实验证明，ProGAL-VLA在LIBERO-Plus基准上显著提升了鲁棒性，并能在指令模糊时通过注意力熵值进行有效的选择性预测（主动请求澄清）。

💡 将高层规划的“意图”与底层控制的“证据”强制对齐，是构建指令敏感、稳定可靠的具身智能体的必由之路。

🔗 项目链接：https://nstrndrbi.github.io/ProGAL

🔬VLM-Pose：基于闭环VLM代理的文本引导6D物体姿态重排

📌 VLM Agent · 6D Pose Rearrangement · Closed-Loop Refinement · Spatial Reasoning

✨ 无需微调，仅通过多视图推理、坐标轴可视化和单轴旋转预测等推理技术，让VLM在闭环迭代中大幅提升空间推理能力

📖 视觉语言模型（VLM）在理解复杂场景方面表现出色，但在将“将马克笔放入杯中，笔帽朝上”这样的文本指令转化为精确的6D目标姿态时仍面临巨大挑战。本文提出了一种无需训练的闭环优化框架，将VLM转化为一个智能体。该智能体通过交替执行“评估当前场景”和“预测目标物体姿态增量”两个步骤，利用渲染的视觉反馈进行迭代优化。作者引入了三项关键的推理时技术：多视图推理、物体中心坐标系可视化以及单轴旋转预测，显著增强了VLM的3D空间推理能力。在Open6DOR V2和SIMPLER基准测试上，该方法在姿态预测和下游机器人操作任务中均大幅超越现有方法。

💡 让VLM“睁开眼睛”看世界还不够，更要让它“动起手来”试错，在视觉反馈的闭环中逐步逼近正确答案。

🔗 项目链接：https://tlb-miss.github.io/vlmpose

🔬 POMDAR：面向类人机器人手部灵巧性的性能化评估基准

📌 Robotic Hand · Dexterity Benchmark · Performance-Based Evaluation · Teleoperation

✨ 提出首个基于任务吞吐量、完全可3D打印的标准化灵巧性评估框架，填补了机器人手部设计比较的空白

📖 灵巧性是评估类人机器人手部设计的核心指标，但长期以来缺乏统一定义和标准化评估框架，导致不同系统间难以进行有意义的比较。本文提出了POMDAR，一个全新的、基于性能结果的灵巧性综合基准。该基准基于人类运动控制中的成熟分类法，系统地设计了一套涵盖垂直/水平操纵、连续旋转和纯抓取等18个物理任务。POMDAR通过结合任务正确性和执行速度的量化评分指标，将灵巧性定义为“任务吞吐量”。整套测试装置完全可3D打印，并提供了仿真版本。通过在ORCA手上对不同自由度（2至16 DoF）配置的遥操作实验，验证了POMDAR对灵巧性变化的敏感性。

💡 从“拥有多少自由度”到“能用这些自由度完成什么任务”，灵巧性评估需要一场从参数到性能的范式转变。

🔗 项目链接：https://srl-ethz.github.io/POMDAR/

🔬 AssemLM：面向机器人装配的大规模空间多模态大语言模型

📌 Embodied AI · Spatial Reasoning · VLM · 6D Pose Estimation · Robotic Assembly

✨ 首次将SE(3)-等变几何感知与多模态大语言模型结合，实现高精度6D装配姿态预测与跨类别泛化

📖 空间推理是具身智能的基础能力，尤其在机器人装配等精细操作任务中至关重要。然而，现有视觉语言模型（VLM）主要依赖粗粒度的2D感知，缺乏精确的3D几何推理能力。为此，本文提出AssemLM，一个面向机器人装配的空间多模态大语言模型。该模型集成了SE(3)-等变点云编码器，将精细的3D几何特征注入多模态语言模型，以端到端的方式推理并预测任务关键的6D装配姿态。同时，作者构建了AssemBench，一个包含超过90万跨模态样本的大规模基准数据集。实验表明，AssemLM在多种装配场景下的6D姿态推理任务上达到了最先进的性能，并成功从合成训练迁移到真实机器人（Flexiv Rizon 4s）执行，展现了其在实际应用中的巨大潜力。

💡 将精确的3D几何感知“对齐”到语言模型的推理空间中，是解锁机器人精细操作能力的关键一步。

🔗 项目链接：https://assemlmhome.github.io/