**【头条】人类首次实现由人形机器人完成实时手术**
加州大学圣地亚哥分校（UC San Diego）团队成功推动两台 humanoid（人形机器人）完成首例真实手术。不同于目前手术室中常见的固定式机械臂，此次实验证明了人形机器人能够具备更高的灵活性和空间适应性，为未来“人机协作”的智慧手术室提供了技术实证。
在发表于《Nature》的研究中，研究团队利用名为 Surgie 的系统（基于 Unitree G1 平台）完成了胆囊切除术。该机器人高度仅 1.5 米，重量仅 27 公斤，相比传统重达 800 公斤的庞大手术机器人系统，其极高的便携性使其能够部署到偏远地区或野外医疗点。尽管目前仍面临延迟挑战和操作时长增加等问题，但通过远程操作（teleoperation）技术，医生可跨空间操控机器人的灵巧手完成复杂任务。
这一突破旨在解决全球范围内外科医生短缺及手术积压的痛点。人形机器人凭借其符合人类工程设计的形态，能够无缝融入现有医疗环境。未来，这些机器人不仅能辅助手术，更可能在取放器械、整理术区等环节与人类医护人员协同工作，构建高度自动化的全场景诊疗体系。
**三菱汽车携手高科企业，加速国产人形机器人量产进程**
三菱汽车与源自东京大学的Highlanders达成战略合作，旨在建立具备大规模生产能力的国产人形机器人产业链。双方将共同攻克复杂环境下的运动控制（Locomotion）与精细操作（Manipulation）难题，致力于打造高性能、高可靠性的工业级机器人平台。
该项目核心目标是实现月产1000台的量产规模。通过整合三菱汽车在精密制造领域的深厚经验与Highlanders在感知算法上的技术积累，合作旨在突破当前人形机器人在动力系统稳定性及复杂任务执行中的瓶颈。此举不仅将推动国产机器人从实验室走向工业生产线，更将加速具身智能（Embodied Intelligence）在物流、制造等关键领域的商业化落地。
**【硬核创新】Unitree 机器狗改装为全地形轮椅：具身智能赋能残障辅助**
一名开发者通过对 Unitree 机器狗进行定制化改造，将其转化为一款具备极强越野能力的移动座椅，旨在为残疾人士提供更自由的出行能力。该项目将原本用于工业巡检和物流运输的四足机器人，重构为一种能够跨越复杂地形、提供稳定支撑的辅助设备。
在技术实现上，该改装方案充分利用了机器狗强大的运动控制（locomotion）算法与高负载承重能力。通过定制化的座椅结构与驱动系统优化，车辆能够在崎岖不平的户外环境保持平衡，显著提升了相比传统轮式轮椅的通行范围。
此举展示了具身智能（embodined intelligence）在特殊辅助领域的巨大潜力：将高性能机器人底座转化为高价值民用产品，不仅拓展了机器人的应用场景，更为残障人士提供更具尊严与自由的移动方案，体现了通用机器人技术在社会公益领域的深远意义。
Unitree（宇树科技）创始人预测机器人将进入千家万户，并强调其在具身智能领域的关键角色。公司通过研发具备复杂运动控制能力的双足人形机器人，推动从基础模型到端到端操作的跨越。技术路径涵盖了强化学习、模仿学习以及模拟现实（sim-to-real）等核心环节。这标志着机器人正从工业领域的AGV和AMR，向具备灵巧抓取与复杂交互能力的通用智能体演进，推动具身智能从实验室走向消费级场景。
NVIDIA正通过强化学习、世界模型及模拟到现实（sim-to-real）技术，加速推动具身智能（embodied intelligence）的落地。其核心在于将强大的基础模型与高性能硬件结合，旨在提升人形机器人（humanoid）在复杂环境下的抓取（grasping）、运动控制（locomotion）以及灵巧操作（dexterous manipulation）能力。这标志着行业正从单一的算法突破转向“强体+强脑”的系统集成，推动具身智能从实验室走向工业制造与物流等真实场景。
研究团队推出 BifrostUMI 框架，通过轻量化 VR 设备和受 UMI 启发的夹持器，实现无需机器人远程操作（robot-free）的人形机器人全身动作数据采集。该系统能够获取稀疏的人类关键点轨迹、手腕视角观测及夹持器动作，并在 5 个真实场景中验证了其在运动控制与操作协同方面的有效性。这一技术突破解决了高质量演示数据匮乏的痛点，通过将人类行为映射至机器人原生参考系，显著降低了人形机器人学习复杂全身协作技能的数据获取门槛。
研究团队发布了 GrandTour 数据集，这是目前全球最大的开源四足机器人数据集。该数据集基于 ANYbotics ANYmal-D 机器人采集，涵盖从高山森林到废墟建筑等多种极端环境，包含旋转式 LiDAR、多路 RGB 相机及 RTK-GNSS 高精度定位数据。通过提供大规模的多模态感知与状态估计数据，GrandTour 为 SLAM 和传感器融合算法提供了严苛的基准测试。这为具身智能领域的四足机器人在复杂野外环境下的自主导航和鲁棒性评估提供了关键的数据支撑。
研究者提出 Feedback Manipulation Regularization (FMR) 算法，通过将评估反馈作为纠偏信号融入模仿学习（Imitation Learning）中，解决离线训练中的对齐问题。在 Safety Gymnasium 环境测试中，FMR 在多种模仿学习算法中显著提升了模型能力，并将不一致性降低了高达 98%。该方法在稀缺且包含噪声的数据集下仍能保持鲁棒性。这一技术突破为具身智能提供了更高效的对齐路径，允许机器人通过少量演示数据即可学习符合人类价值观的安全操作行为，降低了复杂任务中离线训练的对齐门槛。
研究团队推出 WCog-VLA 框架，通过融合语义预测与生成式世界模型实现端到端的自动驾驶。该模型在语义层面引入 3D 空间感知与博弈论思维链（Game-CoT），并在生成层利用 ADDT 模型合成符合物理规律的多智能体轨迹。实验显示，WCog-VLA 在 NAVSIM 基准测试中取得了 92.9 的 SOTA PDMS 评分，并构建了包含 8.5 万条博弈论标注的数据集。这标志着自动驾驶从被动反应式决策向主动预判型决策跨越，为具身智能在复杂动态环境中的长程规划提供了新路径。
机器人初创公司 Mowito 获 300 万美元种子前轮融资，旨在通过开发基础模型（foundation model）提升工业机械臂的智能化水平。Mowito 专注于将视觉-语言-动作（VLA）模型应用于复杂的抓取（grasping）与操作（manipulation）任务，旨在解决传统工业机器人难以处理非结构化环境的痛点。这标志着具身智能（embodined intelligence）正从实验室走向工业生产线，通过通用基础模型降低工业场景中复杂动作的部署门槛，推动自动化生产向更灵活、更复杂的作业模式转型。
研究人员通过结合卷积神经网络（CNN）与隐马尔可夫模型（HMM）的序列分析，实现了胶囊内镜（VCE）影像中胃肠道区域的高精度定位。该方法在Rhode Island (RI) Gastroenterology数据集上达到了98.04%的识别准确率，且模型参数量仅约100万个。这种轻量化的架构能够有效纠正CNN输出中的错误。对于具身智能领域，此类低功耗、高鲁棒性的定位算法可直接应用于微型机器人或嵌入式设备中，为复杂环境下的精准导航提供技术支撑。
Track2Map 提出了一种在线变形 SLAM（即时定位与地图构建）框架，旨在解决机器人辅助微创手术（RAMIS）中复杂的动态场景重建难题。该技术融合了 3D Gaussian Splatting 与运动感知位姿优化，能够在缺乏精确相机轨迹先验或存在噪声的情况下，直接从手术视频中联合优化相机路径与变形场景表示。在 StereoMIS 数据集上的实验证明，Track2Map 在重建质量和轨迹稳定性上优于传统的非 SLAM 方法及其他竞争算法。该技术的突破意味着具身智能在医疗机器人领域能够更稳健地处理组织形变与视觉模糊，为高精度的手术导航提供可靠的实时三维环境感知支持。
L-GTA模型通过引入基于Bi-LSTM骨干网络与时间自注意机制的变分自编码器（VAE），为时间序列数据提供可控且具有预测性的增强。实验证明，在下游预测任务中，L-GTA相比最强的生成式方法减少了高达26%的预测误差，较原始数据无增强情况降低了27%。该模型通过等变性目标确保潜在空间与数据空间的变换一致性。这为具身智能中的运动控制和复杂环境下的时间序列建模提供了更稳健的数据扩充方案，有助于提升机器人系统在不确定场景下的泛化能力。
TimEE 推出了一款拥有 450 万参数的基础模型，通过上下文学习（In-Context Learning）实现端到端的时序分类。该模型在完全不接触真实数据、仅在合成任务上进行元训练的情况下，便在 UCR 基准测试中取得了最高的 ROC AUC 指标。相比传统两阶段架构，TimEE 无需针对特定数据集进行微调即可直接输出预测分布。这为具身智能中的传感器信号处理提供了新路径：通过端到端的上下文学习，机器人能够更快速地适应多变环境中的非结构化时序数据，降低部署复杂度的同时提升泛化能力。
EleTac研发出一种灵感源自大象的软机器人抓取器，通过模拟大象触觉系统显著提升了复杂环境下的物体抓取能力。该装置集成了高灵敏度的传感器阵列与柔性材料结构，能够实时感知物体的形状、纹理及硬度变化。相比传统刚性夹持器，EleTac在处理易碎品和非规则物体时表现出更高的稳定性。这一突破为具身智能中的精细操作提供了新路径，推动软体机器人从简单的搬运任务向高要求的精密装配场景跨越。
MIT（麻省理工学院）研发出基于集群智能的机器人船队，旨在重塑水上基础设施建设。该系统通过多船协同技术，在复杂水域实现自动化作业，显著提升海上物流与基建效率。研究核心在于利用分布式算法解决多体协作中的路径规划与避障问题。这标志着具身智能正从陆地向水域跨越，为无人船集群、自动导引车（AGV）等领域提供可借鉴的协同控制逻辑，推动自动化作业进入更复杂的动态环境。
Amazon与密歇根大学联合推出HydroShear，通过引入路径依赖力追踪技术，显著提升模拟器对触觉剪切力的建模精度。该方案解决了传统物理模型计算过慢或简化过度导致的“仿真到现实（sim-to-real）”鸿沟问题，使机器人能在模拟环境中学习复杂的抓取与操作策略，并在四个挑战性任务中实现93%的平均成功率。这为具身智能提供了一种高效的训练路径，让机器人能够处理涉及精细触觉反馈的工业装配或手术辅助等高难度接触类任务。
自动化技术正在重塑企业员工绩效追踪与认可机制，通过实时数据采集取代传统的年度考核。TechRadar指出，管理者正利用AI工具撰写或优化绩效评估报告，确保早期成就不会因“近因偏差”被遗漏。系统能自动关联销售目标、服务基准等关键指标，在达成预设里程碑时触发即时奖励提醒。这标志着企业管理从依赖人工记忆转向数据驱动的自动化工作流，推动职场评价向更公平、透明且与AI协作能力挂钩的维度转变。
RoboDK推出全新的CAM软件，支持直接从CAD文件生成机器人加工程序。该工具可将机器人加工的部署时间缩短高达40%，并显著提升复杂3D模型及点云的处理速度（部分场景提升10至100倍）。通过自动化生成避障路径和工具路径，RoboDK CAM降低了对专业编程技能的依赖。这标志着工业机器人从“手动调参”向“设计驱动型自动部署”转变，能够大幅降低制造企业在构建生产级自动化单元时的技术门槛与重复性劳动成本。
研究人员开发出跨机器人迁移的底层基础设施，旨在打破不同硬件平台间的模型孤岛。该技术通过解耦感知与动作层，支持将基于视觉-语言-动作（VLA）模型的智能体从特定设备迁移至多种形态机器人。核心突破在于建立了一套统一的抽象接口，使同一套基础模型能够同时驱动具备复杂抓取能力的协作机器人（cobot）和执行高难度运动控制（locomotion）的双足（bipedal）人形机器人。这为具身智能（embodied intelligence）跨平台通用提供了技术路径，降低了针对不同硬件重复训练模型的成本，加速了通向通用机器人的进程。