机器人与具身智能领域的最新论文，以及每篇对产业的意义。
这是一篇预印本，提出 ECHO-G 框架，从语音音频和带时间戳的转录直接生成人形机器人全身协同语音动作。在 BEAT2 派生数据集的说话人留出验证集上，ECHO-G 的 FGD 为 2.278，优于 EMAGE+GMR 的 4.976、GestureLSM+GMR 的 5.008 和 Human-Retargeted 的 4.725，并在 Unitree G1 真机上部署。该框架省去人体动作重定向，端到端推理时间降至 5.96 毫秒每帧，并公开数据集与代码。
这篇未经同行评审的预印本在仿真中部署无人机巡逻路口，检测并预测交通拥堵，并触发自适应信号控制。研究显示当无人机数量接近路口数量时检测与预测性能趋于平台，而基于预测触发信号调整可使拥堵时长降幅约为检测触发的两倍。这说明提升预测能力可能比单纯增加无人机更有效。
本文提出预印本方法Optimus-R，一个记忆中心的视觉语言动作模型框架，将机器人适应任务转化为显式的查询技能记忆调优，而非反复更新模型参数。在LIBERO、CALVIN、RoboTwin 2.0仿真基准及真实机器人上，Optimus-R在低数据适应、跨域迁移和终身学习中均优于基线π0.5，显著缓解灾难性遗忘。该框架通过内联记忆接口、查询技能记忆库和轻量桥接适配机制，为机器人持续学习提供了高效路径。
机器人AI模型每次预测一段未来动作，执行多少步之后再重新观察环境，过去大多由工程师手动设为固定值。清华大学、北京智源人工智能研究院（BAAI）等机构发布的这篇预印本提出一个即插即用模块，在运行中自动决定这一步数，无需重新训练，就提升了Physical Intelligence和英伟达现有模型在仿真和真实双臂机器人上的成功率。
本文提出T3DP框架，通过在指令token和局部行为表示之间建立双向细粒度对齐，让3D扩散策略能执行训练中未出现的精细行为规格。在Meta-World、ManiSkill和RoboTwin上，T3DP较全局语言-行为对齐平均成功率提升11.0至14.2个百分点；在真实机器人上平均成功率从47.5%升至65.0%。该工作为预印本，尚未经过同行评审。
RoboCoach 是一个预印本框架，用世界模型中的想象执行来诊断长程机器人任务中最先失败的子任务，并据此请求对应技能专家的演示数据。在 Franka 和 AgileX 真机上，仅追加 150 条子任务演示，成功率分别从 13.3% 升至 75.0%、从 40.0% 升至 83.8%，显著超过统一采集加共享适配器的基线。该工作表明世界模型可以成为主动教练，把稀缺的真实数据导向可复用的技能模块。
A slow VLM planner (7–9 Hz) and a fast visuomotor policy (200 Hz) control a full humanoid upper body from language.
A video world model trained on robot egocentric footage predicts outcomes of actions for evaluation and planning.
论文来自 arXiv 机器人领域。尚未生成摘要的论文，显示摘要开头部分。