**【核心突破】**
安藤建设（Ando Hazama）与神户高等专门学校合作，研发搭载人工智能的 humanoid（人形机器人），旨在实现建筑机械的自动化操作。
**【技术细节/数据】**
该项目利用先进的 AI 技术赋能机器人，使其能够模拟人类动作执行复杂的施工任务。通过集成高性能算法，机器人不仅能具备基础的运动控制能力，还能在复杂的建筑工地环境中进行精准的操作。这种技术的应用旨在解决传统施工中高风险、重复性高的体力劳动问题，通过自动化手段提升作业精度与效率。
**【商业意义或行业影响】**
此举标志着建筑工程领域向智能化转型的关键一步。通过引入具备高度自主能力的机器人，施工企业能够显著降低人力成本，并大幅降低因人工操作导致的工伤风险。该技术的成功应用将推动整个建筑行业的自动化进程，为未来智慧工地建设提供核心技术支撑。
**【头条】人形机器人跨越“灵巧操作”门槛：从复杂动作到情感交互的进化**
近日，一款 humanoid（人形机器人）在公开场合展示了极高水平的舞蹈动作。这并非简单的预设程序，而是体现了具身智能（embodined intelligence）在复杂运动控制与动态平衡上的重大突破。
该机器人在执行高难度舞蹈动作时，展现了卓越的平衡能力与肢体协调性。其核心技术涵盖了复杂的 locomotion（运动控制）算法与精密的动力学模型，使其能够实时响应动态变化并完成流畅的艺术表演。这种从基础移动到复杂、具有表现力的动作跨越，标志着机器人正从简单的工业作业向更具交互性的领域迈进。
这一突破不仅是技术上的飞跃，更预示着人形机器人在服务机器人、娱乐互动及非结构化环境下的应用前景广阔。随着灵巧操作（dexterous manipulation）与运动控制的融合，人形机器人正加速从实验室走向真实世界的多元场景。
**宇树科技拟在沪IPO，估值达74亿美元：具身智能赛道加速商业化落地**
宇树科技（Unitree）计划在上海挂牌上市，其估值达到约74亿美元。作为国产机器人领域的领军企业，宇树正通过大规模量产推动人形机器人从实验室走向工业应用场景。
在技术层面，宇树致力于构建高性能的具身智能（embodied intelligence）系统。公司推出的产品涵盖了具备复杂运动控制（locomotion）能力的四足机器人、高性价比的自动导引车（AGV）以及面向通用任务的人形机器人。通过整合先进的视觉-语言-动作模型（VLA）与端到端（end-to-end）学习框架，宇树显著提升了机器人在复杂环境下的抓取（grasping）与灵巧操作（manipulation）能力。
此次估值反映了资本市场对具身智能赛道的信心。随着人形机器人成本的快速下降和技术的成熟，宇树等企业的规模化生产将加速推动通用机器人进入物流、制造及服务等核心领域，推动相关产业链从技术突破向大规模商业应用跨越。
Tesla 首席执行官 Elon Musk 明确表示，其研发的人形机器人 Optimus 将展现出“史诗级”的性能。该产品旨在通过端到端（end-to-end）架构整合基础模型，实现在复杂环境下的运动控制与灵巧操作。Optimus 的核心竞争力在于将具身智能（embodied intelligence）应用于工业制造等实际场景，而非仅局限于实验室演示。这标志着人形机器人正从单一的硬件堆砌转向以大模型驱动的通用智能，加速推动具身智能技术在自动化生产线中替代传统 AGV 或协作机器人（cobot）。
美国联邦通信委员会（FCC）将包括人形机器人和四足机器人在内的外国制造高级机器人设备列入“受限清单”，禁止新模型获得进入美国市场的授权。中国商务部对此警告称，此举严重损害中美经贸稳定并可能引发反制措施。目前全球人形机器人市场由AgiBot、Unitree和UBTech等中国企业主导，其中Unitree和AgiBot正处于IPO进程中。此次限制直接阻断了中国厂商进入美国市场的路径，将迫使相关企业在供应链安全与技术出口管制双重压力下重新调整全球化布局。
具有拟人化表达能力的 humanoid（人形机器人）在犯错后会导致用户信任度大幅下降。一项针对具身智能的研究发现，相比于功能单一的机器，具备丰富表情和语音交互的机器人一旦出现操作错误，其引发的用户负面情绪和信任流失更严重。研究通过对比实验量化了这种“拟人化溢价”带来的双刃剑效应。这提醒开发者在追求具身智能（embodied intelligence）情感交互时，必须同步提升机器人的任务成功率与可靠性，否则过度拟人化的设计可能因不可靠的表现而适得其反。
研究人员通过开发多孔3D打印足部结构，显著降低了四足机器人的能耗。该技术利用复杂的几何结构优化机械能传递，使机器人能够以更低的功耗完成运动控制（locomotion）。相比传统实心部件，这种设计在保持支撑强度的同时减少了能量损耗。这为低功耗具身智能（embodined intelligence）提供了新的硬件路径，有助于四足机器人在野外等长航程场景中突破续航瓶颈。
Walden Robotics获得3亿美元融资并估值11亿美元，通过与Toyota（丰田）合作推动实用型人形机器人商业化。该公司源自TRI（丰田研究院），核心策略是跳过复杂的双足运动控制，专注于高利用率的制造和物流场景。不同于盲目追求通用性，Walden聚焦在24/7连续作业且难以由传送带或预编程机械臂完成的重复任务。这一转向标志着具身智能领域正从“技术炫技”转向以经济可行性为核心的工业落地，旨在通过解决特定高频痛点来建立机器人替代人工的商业逻辑。
GenerativeMPC 框架通过融合 VLM-RAG（视觉-语言模型结合检索增强生成）与全身模型预测控制（MPC），解决了双臂移动操作中高层语义理解与底层物理交互的对齐难题。该系统利用向量数据库驱动的经验知识，将场景上下文转化为动态速度限制和虚拟阻抗参数。在 MuJoCo、IsaacSim 及实物平台测试中，该方案在靠近人类环境下的操作速度降低了 60%。此技术通过将大模型能力注入高频物理控制循环，为具身智能提供了一种兼顾语义理解与安全合规性的可预测路径，推动协作机器人进入更复杂的动态交互场景。
研究者提出一种基于残差的自适应卡尔曼滤波（Residual-Based Adaptive Kalman Filtering）算法，旨在解决四足机器人等腿式机器人在复杂环境下的状态估计难题。该方法通过引入滤波器残差和创新量来动态调整测量噪声协方差矩阵R，在Unitree Go2四足机器人测试中，相比于固定参数的InEKF（不变扩展卡尔曼滤波），其在慢跑步态下的定位精度提升了25%。该技术无需额外的足部力传感器即可实现高精度感知。这为具身智能中的运动控制提供了更鲁棒的底层算法支持，降低了复杂环境对专家调参的依赖。
Atom（阿特姆）与Mizuho Bank（瑞穗银行）签署15亿日元融资协议，旨在加速其人形机器人（humanoid）研发。该项目聚焦于具身智能（embodied intelligence）核心技术的突破，涵盖从复杂运动控制到灵巧操作的跨领域挑战。此举标志着传统金融机构开始深度布局具身AI赛道，为人形机器人的商用化进程提供关键资金支持。这不仅加速了基础模型在物理世界的落地，更预示着机器人行业正进入由资本驱动、旨在突破复杂环境交互能力的深水区。
人形机器人（humanoid）在社交平台Niconico上因演示制作咖啡的动作走红。该视频展示了机器人在复杂动态环境下完成抓取（grasping）与操作（manipulation）任务，展现了极高的灵巧度（dexterous）。这标志着具身智能（embodined intelligence）正从实验室走向消费级应用场景，证明端到端（end-to-end）模型在处理非结构化环境下的精细动作时已具备高度可行性。
Figure AI 展示其研发的 Figure 03 人形机器人成功完成自主爬梯任务，标志着具身智能在复杂环境下的运动控制与操作能力取得突破。该机器人在无需人工干预的情况下完成高度复杂的平衡维持与抓取动作，展示了其强大的端到端模型能力。这一进展意味着人形机器人正从简单的轨迹跟随走向具备高自由度、强鲁棒性的复杂任务执行，加速了具身智能在工业制造及非结构化环境中的实操落地。
FINEXT推出“ROBO RENTA”租赁服务，支持用户从一晚起租用最新款 humanoid（人形机器人）。该平台提供包括具备高度灵巧操作能力的机器人在内的多种设备。通过降低高端硬件的获取门槛，此举推动了具身智能（embodined intelligence）从实验室走向实地应用场景。企业与开发者可低成本测试不同型号机器人的抓取、运动控制等核心能力，加速人形机器人在工业及服务领域的落地验证。
Google DeepMind 发布面向机器人的基础模型 Gemini Robotics 2，旨在实现人形机器人（humanoid）的全身控制与多机器人协同。该模型通过整合视觉-语言-动作（VLA）架构，支持复杂的抓取（grasping）与操作（manipulation）任务，并显著提升了在复杂环境下的运动控制能力。Gemini Robotics 2 的推出意味着具身智能（embodied intelligence）正从单一技能的模仿学习转向具备通用能力的端到端控制，为大规模部署协作机器人（cobot）和具备灵巧（dexterous）能力的通用机器人提供核心算法支撑。
Memeburn 发布 2026 年全球最具价值人形机器人公司榜单，揭示了具身智能（Embodied Intelligence）领域的资本流向。报告聚焦于能够实现复杂抓取（Grasping）与运动控制（Locomotion）的头部企业，涵盖从基础模型驱动的端到端（End-to-end）架构到结合视觉-语言-动作模型（VLA）的先进技术路径。这标志着人形机器人正从单一硬件制造转向深度融合具身智能算法。资本密集度向具备高灵巧性（Dexterous）操作能力的厂商集中，预示着行业竞争重点已转向通用型机器人的大脑进化。
Teleopit 推出了一套全具身人形机器人远程操作系统，旨在通过 VR 设备实现人体、灵巧手及头部的同步映射。该系统集成了历史编码器和基于优化的手部重定向技术，无需针对特定硬件调整超参数即可适配多种灵巧手。在实际测试中，利用 Teleopit 采集的 96 条成功演示数据训练出的 ACT 和 GR00T N1.7 策略，在人形机器人上的任务成功率分别达到 90.0% 和 95.0%。这为具身智能提供了一种高效的数据采集路径，通过高保真度的远程操作降低高质量示范数据的获取门槛，加速复杂动作的模仿学习与模型训练。
研究团队推出 AffordTrajDP 框架，通过引入动态可操作性（Affordance）轨迹来优化机器人的视觉运动策略。该方法利用物体中心的时间传播技术，将静态的接触点转化为基于 SE(3) 位姿的动态路径，有效解决了高精度任务中的轨迹漂移问题。在 ManiSkill3 环境中，该算法取得了 70.0% 的平均成功率，优于基准模型多达 17.8%。在 Galaxea A1 和 UR7e 机械臂上的实测涵盖了 USB 插拔、环套柱等多种复杂操作场景。这一进展为具身智能提供了更稳健的感知与动作对齐方案，显著提升了机器人在动态环境下的精细操作能力。
研究团队开发出一套面向建筑场景的人形机器人感知与动作系统，旨在让机器人在复杂工况下通过模仿人类演示来执行任务。该系统包含两个核心深度网络：Humanoid-PoseNet负责将人类姿态转化为机械可行姿态，Humanoid-ActionNet则负责学习对应的机器人可执行动作。实验显示，人形机器人能可靠执行8项建筑相关动作，平均关节位置误差（MPJPE）仅为82.45 mm。这一进展通过解决复杂环境下的动作对齐问题，为具身智能进入高风险、重体力要求的基建领域提供了技术路径。
GenTrack 框架通过在线联合训练策略，解决了人形机器人（humanoid）在零样本（zero-shot）场景下的动作可执行性难题。该系统结合 ProtoMotions 和 SONIC 骨干网络，在 Unitree G1 机器人上成功处理包括 AMASS、LAFAN 以及包含 1,024 个提示词运动对的私有测试集。通过将生成器与追踪器进行协同训练，GenTrack 有效缩小了重定向数据与机器人原生动作之间的鸿沟。这为具身智能（embodied intelligence）提供了无需额外采集大规模数据即可实现高精度、强语义对齐的通用运动控制方案。