**肌肉驱动机器人实现仿真到现实的突破**
研究人员提出了一种名为“通用执行器网络”（Generalized Actuator Network，GenAN）的创新方法，解决了肌肉驱动机器人建模和控制中的固有非线性问题，从而实现了仿真到现实（sim-to-real）的有效迁移。GenAN通过学习关节位置轨迹，无需扭矩传感器，即可识别复杂的执行器模型，并利用刚体模拟进行手臂动力学和环境交互。
在Pamy2，一种由气动人工肌肉驱动的、具有四个自由度的机器人手臂上，研究人员成功部署了在仿真环境中训练的动态且精确的目标到达、球入杯和乒乓球策略。这项成果是目前为止，针对四自由度肌肉驱动机器人手臂的首次成功仿真到现实的案例，有望加速机器人技能的获取，并推动其在更多领域的应用。
**多模态手势识别技术助力无人机和移动机器人的远程操控**
研究人员提出了一种可解释的多模态手势识别框架，旨在提升无人机和移动机器人在危险环境下的远程操控体验。该框架融合了Apple Watch上的惯性传感器数据（加速度计、陀螺仪、姿态）以及定制手套上的电容传感信号，采用基于对数似然比的后期融合策略，不仅提高了识别性能，还提供了可解释性，能够量化各个传感器数据的贡献。研究团队还构建了一个包含20种手势的新数据集，这些手势灵感来源于飞机引导信号。实验结果表明，该框架在性能上与先进的视觉识别方法相当，但显著降低了计算成本、模型大小和训练时间，使其更适用于实时机器人控制。这项技术有望为移动机器人和无人机的远程操控提供一种更可靠、更具解释性的解决方案，尤其适用于灾区和工业设施等危险环境。
**Seq-DeepIPC：端到端控制下的腿式机器人导航**
研究人员发布了Seq-DeepIPC模型，这是一种用于腿式机器人导航的端到端感知-控制模型。该模型通过紧密集成多模态感知（RGB-D + GNSS）和时间融合，显著提升了自主腿式导航的智能化水平。Seq-DeepIPC联合预测语义分割和深度估计，从而为规划和控制提供更丰富的空间特征，同时采用轻量级模型作为编码器，在保证精度的同时降低计算量。实验结果表明，与现有方法相比，Seq-DeepIPC在性能上具有竞争力，尤其是在开放区域，仅使用GNSS进行方向估计表现出良好的鲁棒性。该技术有望推动具身智能在更广泛领域的应用，例如在复杂地形下的自动导引车（AGV）和自主移动机器人（AMR）领域。研究团队计划开源代码，以促进相关研究的进一步发展。
**人形机器人引爆网络：技术炒作还是未来趋势？**
近期，各种人形机器人（humanoid robots）的视频在互联网上迅速传播，引发广泛关注。然而，在为这些“网红”机器人点赞之前，我们需要理性看待其背后的技术和商业价值。
这些人形机器人的核心技术突破主要集中在视觉-语言-动作模型（VLA）和具身智能（embodied intelligence）领域。通过结合视觉、语言和动作数据，机器人能够理解指令并执行复杂任务。例如，一些机器人利用强化学习（reinforcement learning）和模仿学习（imitation learning）技术，实现了更自然流畅的运动控制（locomotion）和操作（manipulation），甚至具备一定的抓取（grasping）能力。一些研究团队正在探索利用世界模型（world model）来提升机器人的环境理解能力，从而实现更可靠的自主导航（SLAM）。
虽然目前人形机器人的性能仍有待提高，例如在复杂环境下的稳定性和灵巧性（dexterous）方面，但其潜在的商业应用前景广阔。从自动导引车（AGV）到自主移动机器人（AMR），再到协作机器人（cobot），人形机器人有望在物流、医疗、服务等多个领域发挥重要作用，甚至可能催生全新的产业形态。
英伟达（Nvidia）与中国机器人公司Unitree合作，推出一款名为H2 Plus的全新人形机器人解决方案。该方案集成了Unitree生产的6英尺、重150磅的H2 Plus机器人，以及英伟达的Thor T5000芯片、新加坡公司Sharpa生产的灵巧人型手，以及一套易于编程和训练的软件套件。
Thor芯片能够驱动强大的AI模型，赋予机器人环境感知和运动控制能力。该方案旨在降低研究人员，特别是美国学术实验室，开发和训练先进人形机器人的门槛。
英伟达希望通过该合作，推动人形机器人技术在各行各业的应用，并为全球经济带来数万亿美元的机遇。尽管该合作在美中科技竞争的大背景下显得有些意外，但它也反映了双方在各自优势领域的互补：美国在AI芯片技术领先，而中国在机器人硬件供应链方面具有优势。英伟达还强调，H2 Plus方案包含安全特性，旨在保护用户的数据和模型安全。
**中国仿生手制造商受益于人形机器人市场爆发**
一家中国仿生手制造商正迎来销售额的显著增长，这主要得益于人形机器人市场的蓬勃发展。该公司专注于为人形机器人提供高精度、高灵巧度的仿生手，这些仿生手能够实现复杂的抓取和操作任务。
该公司的仿生手采用先进的视觉-语言-动作 (VLA) 模型，结合了即时定位与地图构建 (SLAM) 技术，使其能够适应复杂多变的环境。通过端到端 (end-to-end) 的学习方式，仿生手能够实现高度的自主性，并能够通过模仿学习 (imitation learning) 和强化学习 (reinforcement learning) 不断提升性能。公司表示，其仿生手在抓取精度和操作灵巧度方面均达到行业领先水平，能够有效提升人形机器人的工作效率和应用范围。
人形机器人的发展为仿生手市场带来了巨大的机遇，尤其是在工业自动化、医疗康复和家庭服务等领域。该公司的产品有望在推动人形机器人技术的普及和应用方面发挥重要作用，并为相关产业带来新的增长点。
**中国或能大规模生产人形机器人，但市场需求是难题**
中国具备大规模生产人形机器人的能力，但如何找到足够的潜在客户，是当前面临的挑战。
近期，中国在人形机器人领域取得显著进展，尤其是在运动控制和操作方面。一些公司正在开发基于视觉-语言-动作模型 (VLA) 的人形机器人，这些机器人能够理解人类指令并执行复杂任务。例如，通过结合即时定位与地图构建 (SLAM) 技术，这些机器人可以在复杂环境中实现自主导航。一些研究团队还致力于开发更具灵巧性的机器人，使其能够进行精细的抓取操作。
虽然技术上取得了突破，但目前人形机器人的应用场景仍然有限，成本也较高。如何降低成本，拓展应用领域，是推动人形机器人产业发展的关键。如果能够找到合适的市场需求，人形机器人将在工业自动化、医疗保健等领域发挥重要作用，甚至可能催生全新的商业模式。
研究团队推出RescueBench，这是首个针对复杂救援场景的具身智能体评估基准。该基准包含五个渐进难度等级，最高难度下所有基线均无法完成全流程任务。通过多阶段任务评估，揭示自主探索和空间记忆是当前具身AI的主要瓶颈，为提升灾难救援机器人性能提供关键方向。
一篇最新论文系统梳理了交互式视频世界建模的前沿进展，于2026年5月31日提交。研究聚焦动作条件控制、长时互动记忆等三大技术挑战，对比了游戏引擎、自动驾驶等四个领域的基准。该成果为具身AI、机器人操作等应用提供了关键参考，推动世界模型向更高效、可控的方向发展。
研究团队提出VLM4VLA方法，通过少量参数将通用视觉-语言模型(VLM)转化为视觉-语言-动作(VLA)策略，挑战了VLM通用能力与下游任务表现关联的常见假设。实验显示，在三个基准的多个任务中，VLM初始化虽有益，但视觉模块而非语言部分是性能瓶颈。通过向视觉编码器注入控制相关监督，即使冻结参数仍能提升效果，为具身AI的端到端训练提供了新思路。
一项新研究提出结合策略与世界模型的协同训练框架PaW，通过强化学习与环境模拟的联合优化，使语言代理在复杂任务中表现提升23%。该方法无需额外训练阶段，在三个基准测试中持续超越现有强化学习基线。其核心创新在于利用动作熵筛选数据、噪声容忍损失函数和奖励自适应平衡机制，为具身AI和自主机器人提供更高效的训练范式。
一项新研究提出了一种框架，通过结合Transformer-based世界模型和信息论任务表示学习，解决了离线元强化学习中的分布偏移问题。实验表明，该方法在分布外和稀疏奖励场景中表现优于现有技术，稳定性提升30%。这项突破为机器人自主适应复杂环境提供了新思路，尤其在工业自动化和智能物流领域具有应用潜力。
MBench基准测试发布，填补视频世界模型记忆能力评估空白。该基准将记忆能力分解为实体、环境、因果一致性三个维度及12个子指标，基于真实长视频和VLM评估，揭示现有模型在长期状态保持中的系统性缺陷，推动具身智能发展。
**电池人工智能发展受限，新型“导电分离胶带”或成关键突破**
纯数据驱动的电池人工智能技术正遭遇瓶颈，行业正加速向“物理模型+数据优化”的混合模式转型。研究人员通过结合成熟的电化学理论，将电池寿命预测精度从±20%提升至±5%。然而，仿真驱动的研发模式面临物理反馈的挑战，而传统的电池拆解过程容易引发热失控。
“导电分离胶带”技术应运而生，它是一种智能胶粘剂，通过低压激活实现安全分离和回收。该技术可用于电池的逆向优化，获取精确的电化学数据，并为人工智能模型提供最原始的参考。此外，该技术还可作为物理安全屏障，降低人为操作可能引发的热失控风险。通过将电池管理系统（BMS）的决策与“导电分离胶带”的执行相结合，有望推动电池循环经济的发展。
亚马逊推出新型AI仓库机器人，计划在欧洲投资120亿美元。该机器人采用自主移动机器人（AMR）技术，结合视觉-语言-动作模型（VLA），提升仓储效率。此举标志着亚马逊在物流自动化领域加速布局，预计未来三年欧洲仓储机器人数量将增长40%。
发那科（Fanuc）推出全球最轻的协作焊接机器人CRX-3iA，重量仅11公斤，有效载荷3公斤，重复精度达±0.02毫米。该机器人可单手搬运，能同时操控焊枪和焊缝追踪传感器，解决欧洲焊工短缺问题。其自动识别安装角度和焊缝路径的功能，配合磁性底座固定技术，使系统复杂度降低40%。该产品不仅适用于焊接，还可搭载在自动导引车（AGV）上执行物流任务，11月3-4日将在英国首次公开亮相。
ABB（ABB）与萨尔茨堡应用科学大学合作开发AI系统，通过强化学习优化工业机器人能耗，提升能效。双方在 Josef Ressel 中心联合申请专利，利用AI直接学习实际系统行为，减少对复杂数学模型的依赖，使强化学习方法在工业场景中实现更高效能控制。该技术可降低工业自动化设备的能源损耗，推动AI与工业应用的深度融合。
Nvidia将与美国、欧洲及中国Unitree等公司合作开发人形机器人（humanoid robot）。此举或加速具身智能（embodied intelligence）技术落地，推动机器人自主运动（locomotion）与操作（manipulation）能力提升。合作方涵盖多地区企业，凸显行业对人形机器人规模化应用的期待。
**Focused Energy 获 2.4亿美元 A 轮融资，加速激光聚变技术发展**
Focused Energy 近日完成了超额认购的 2.4亿美元 A 轮融资，成为一家在聚变能源领域获得最大早期融资的初创公司之一。此次融资使公司已筹集总计 3 亿美元的私人资本，并获得了 2 亿美元的政府资助。
该公司总部位于德国，正在开发一种利用激光压缩聚变燃料的反应堆，即惯性约束聚变技术。其设计灵感来源于美国劳伦斯利物莫国家实验室的“国家点火设施”（NIF），该设施是目前唯一实现可控核聚变反应，并释放出比启动能量更多的能量的实验。为了提高效率，Focused Energy 采用“直接驱动”激光系统，直接压缩燃料颗粒，而无需像 NIF 那样使用复杂的金制腔体（hohlraum）将激光能量转化为 X 射线。
该公司计划在德国一家退役的核裂变电站，建立名为 Lighthouse 的首个示范系统。此次 A 轮融资由 RWE 牵头，其他参与方包括德国联邦突破创新机构 (SPRIND)、Prime Movers Lab 和欧洲创新委员会基金。随着聚变能源领域的投资热潮，Focused Energy 将与 Thea Energy、Inertia Enterprises 和 Type One Energy 等公司展开竞争，共同推动聚变能源技术的商业化进程。
某团队提出IMWM模型（Intuition Model + World Model），通过结合直觉模型与世界模型提升规划效率，为复杂任务控制提供新思路。在Two-Room和OGBench-Cube等四类视觉目标任务中，IMWM成功率分别提升11.5%和28.5%。该方法通过检索初始化、混合成本函数和可靠性门控三大模块，解决了纯世界模型在搜索阶段的局限性，推动了基于潜在规划的智能控制发展。