�� AI具身智能日报 | 2026年4月16日

📚 精选10篇最新论文，涵盖分层VLA系统、数据收集增强、长时程规划、自动驾驶与仿真、机器人失败检测等前沿领域

🔥 今日亮点

视觉引导分层操控系统 HiVLA | UMI-3D 多模态数据收集增强 | MPC-RL耦合自动驾驶框架

📑 论文详情

1️⃣ HiVLA: A Visual-Grounded-Centric Hierarchical Embodied Manipulation System

关键词: VLA | 分层架构 | 视觉引导 | 扩散Transformer | 长时程任务

核心贡献:

• 提出HiVLA分层框架，将高层语义规划与低层运动控制显式解耦，解决端到端VLA在窄域控制数据上微调损害VLM推理能力的问题

• 高层VLM规划器执行任务分解和视觉定位，生成结构化计划（子任务指令+精确目标边界框）

• 低层引入流匹配扩散Transformer (DiT)动作专家，配备级联交叉注意力机制，依次融合全局上下文、高分辨率物体中心裁剪和技能语义

• 在仿真和真实世界中显著超越最先进的端到端基线，特别擅长长时程技能组合和杂乱场景中的小物体精细操控

论文链接:

https://arxiv.org/abs/2604.14125

2️⃣ UMI-3D: Extending Universal Manipulation Interface from Vision-Limited to 3D Spatial Perception

关键词: 数据采集 | LiDAR SLAM | 多模态感知 | 3D空间感知 | UMI扩展

核心贡献:

• 提出UMI-3D，将通用操作界面(UMI)从视觉受限扩展到3D空间感知，解决原UMI依赖单目视觉SLAM易受遮挡和跟踪失败影响的问题

• 引入轻量级低成本LiDAR传感器紧密集成到腕部界面，实现挑战性条件下的LiDAR中心SLAM和精确度量尺度位姿估计

• 开发硬件同步多模态感知管道和统一时空标定框架，对齐视觉观测与LiDAR点云，产生一致的演示3D表示

• 在标准操控任务中实现高成功率，并能学习对原UMI具有挑战性的任务（大型可变形物体操控、铰接物体操作）

论文链接:

https://arxiv.org/abs/2604.14089

3️⃣ Goal2Skill: Long-Horizon Manipulation with Adaptive Planning and Reflection

关键词: 长时程操控 | VLA | 自适应规划 | 结构化记忆 | 闭环恢复

核心贡献:

• 提出双系统框架，显式分离高层语义推理与低层运动执行，解决现有VLA在长时程、记忆依赖任务中的脆弱性

• 高层规划器作为基于VLM的Agent模块，维护结构化任务记忆，执行目标分解、结果验证和错误驱动修正

• 低层执行器作为基于VLA的视动控制器，通过基于扩散的动作生成执行每个子任务，以几何保持的滤波观测为条件

• 在RMBench代表性任务上达到32.4%平均成功率（最强基线仅9.8%），实现记忆感知推理、自适应重规划和鲁棒在线恢复

论文链接:

https://arxiv.org/abs/2604.13942

4️⃣ Mosaic: An Extensible Framework for Composing Rule-Based and Learned Motion Planners

关键词: 运动规划 | 自动驾驶 | 仲裁图 | 规则与学习结合 | 透明决策

核心贡献:

• 提出Mosaic可扩展框架，通过仲裁图整合基于规则和学习两种范式的运动规划器，实现安全可解释的运动规划

• 将轨迹验证和评分与单个规划器的轨迹生成解耦，使每个决策透明可追溯；高层轨迹验证引入规划器间的冗余

• 通过统一评分和最优轨迹选择，结合具有互补优势和劣势的规则型和学习型规划器

• 在nuPlan Val14闭环基准上达到95.48% CLS-NR和93.98% CLS-R（新SOTA），相比单独使用任一规划器减少30%的责任碰撞

论文链接:

https://arxiv.org/abs/2604.13853

5️⃣ Beyond Conservative Automated Driving via Coupled MPC and Deep RL

关键词: 自动驾驶 | MPC | 深度强化学习 | 多智能体 | 交叉口导航

核心贡献:

• 提出MPC-RL耦合框架，结合模型预测控制的结构化约束处理与深度强化学习的自适应行为学习能力

• 在无信号交叉口多智能体场景中，相比纯MPC降低21%的碰撞率，提高6.5%的成功率

• 实现零样本迁移到高速公路合流场景无需重新训练，MPC基础组件提供跨场景鲁棒性

• 训练过程中损失稳定化速度比端到端RL更快，表明学习负担减轻

论文链接:

https://arxiv.org/abs/2604.13891

6️⃣ EmbodiedClaw: Conversational Workflow Execution for Embodied AI Development

关键词: 具身AI开发 | 对话式工作流 | Agent框架 | 自动化 | 开发效率

核心贡献:

• 提出具身AI开发新范式，用户通过对话表达目标和约束，系统自动规划和执行开发工作流

• 将高频高成本的具身研究活动（环境创建和修订、基准转换、轨迹合成、模型评估、资产扩展）转化为可执行技能

• 端到端工作流任务、能力特定评估、人类研究者研究和消融实验显示减少人工工程工作量

• 提升可执行性、一致性和可复现性，推动从手动工具链向对话式可执行工作流的转变

论文链接:

https://arxiv.org/abs/2604.13800

7️⃣ FIDeL: Failure Identification in Imitation Learning

关键词: 模仿学习 | 失败检测 | 异常检测 | VLM | 机器人安全

核心贡献:

• 提出FIDeL策略无关失败检测模块，解决模仿学习策略在真实世界部署中的脆弱性问题

• 利用最新异常检测方法构建标称演示的紧凑表示，通过最优传输匹配对齐传入观测，生成异常分数和热图

• 使用共形预测扩展推导时空阈值，VLM执行语义过滤区分良性异常与真实失败

• 引入BotFails真实世界任务多模态失败检测数据集；相比现有方法异常检测AUROC提高5.30%，失败检测准确率提高17.38%

论文链接:

https://arxiv.org/abs/2604.13788

8️⃣ Jump-Start RL with Vision-Language-Action Regularization

关键词: 强化学习 | VLA | 探索效率 | PPO | Sim2Real

核心贡献:

• 提出VLAJS方法，桥接稀疏VLA引导与在线策略RL，将VLA视为高级动作建议的瞬态来源

• 用方向性动作一致性正则化增强PPO，在训练早期软对齐RL智能体动作与VLA引导，无需严格模仿或演示

• VLA引导稀疏应用并随时间退火，允许智能体在线适应并最终超越引导策略

• 在六个挑战性操控任务上，样本效率显著优于PPO和蒸馏式基线，减少超过50%的环境交互需求；真实Franka Panda机器人验证零样本Sim2Real迁移

论文链接:

https://arxiv.org/abs/2604.13733

9️⃣ ESCAPE: Episodic Spatial Memory for Long-Horizon Mobile Manipulation

关键词: 空间记忆 | 移动操控 | 长时程任务 | 自适应执行 | ALFRED基准

核心贡献:

• 提出ESCAPE框架，通过紧密耦合的感知-定位-执行工作流，协调导航与操控以实现鲁棒性能

• 时空融合建图模块自回归构建无深度持久3D空间记忆，记忆驱动目标定位模块生成精确交互掩码

• 自适应执行策略动态协调主动全局导航和反应式局部操控以捕获机会目标

• 在ALFRED基准达到SOTA性能：逐步指令测试 seen/unseen 环境成功率65.09%/60.79%，无详细指令长时程任务保持61.24%/56.04%

论文链接:

https://arxiv.org/abs/2604.13633

🔟 Evolvable Embodied Agent via Long Short-Term Reflection

关键词: 进化智能体 | VLM | 提示优化 | 自我进化 | 机器人操控

核心贡献:

• 提出EEAgent可进化具身智能体框架，利用大型视觉语言模型实现更好的环境解释和策略规划

• 提出长短期反思优化(LSTRO)机制，基于过去经验和新学教训动态优化提示，促进持续自我进化

• 解决传统方法训练需求大、跨任务泛化困难、缺乏可解释性等局限，实现无需大量训练的自我进化机器人

• 在六个VIMA-Bench任务上达到新SOTA，在复杂场景中显著超越基线

论文链接:

https://arxiv.org/abs/2604.13533

📊 今日趋势

💡 核心洞察

1. 分层架构成为VLA新趋势：HiVLA和Goal2Skill等工作均采用高层语义规划+低层运动执行的分层架构，显式解耦推理与控制，在保留VLM零样本能力的同时提升操控精度，代表VLA从端到端向模块化演进的方向

2. 多模态感知强化数据收集质量：UMI-3D通过引入LiDAR将数据收集从视觉受限扩展到3D空间感知，显著提升了遮挡和动态场景下的数据质量，说明高质量数据仍是具身智能的核心瓶颈

3. VLA与RL的深度融合：VLAJS将VLA作为稀疏引导信号加速RL探索，Jump-Start策略使RL智能体能最终超越引导策略，这种"师傅领进门"的范式有望解决RL样本效率低下的长期难题

4. 失败检测与安全保障受关注：FIDeL等工作关注真实部署中的失败检测，结合VLM语义理解区分良性异常与真实失败，推动机器人从实验室演示走向可靠工业应用