**舍弗勒推出人形机器人专用成型谐波减速器**
舍弗勒（Schaeffler）正式发布专为人形机器人设计的成型谐波减速器，旨在解决复杂运动中的高精度传动难题。该产品通过创新的结构设计，在保证高传动比的同时，显著提升了系统的刚性和耐用性。
技术核心在于其独特的“成型”工艺，能够提供更稳定的扭矩输出并减少齿面磨损。相比传统方案，该减速器在承受高负载时表现出更优异的结构稳定性，且能有效降低运行噪音。通过优化内部传动链，该组件支持人形机器人在复杂环境下的高精度定位与平稳运动控制。
此项技术的突破将大幅提升人形机器人的灵活性与可靠性，特别是在需要精细操作（Manipulation）和复杂运动控制（Locomotion）的场景中。这一创新不仅推动了具身智能（Embodied Intelligence）的工程化进程，也将加速人形机器人在工业协作、物流配送等领域的商业化落地。
**中国人形机器人进入商用新阶段：Unitree、AgiBot等品牌加速落地**
中国人形机器人正从实验室走向工业应用，进入商业化新阶段。Unitree、AgiBot、UBTECH及Galbot等厂商通过实地部署，展示了人形机器人在复杂环境下的作业能力。
在技术层面，这些机器人正融合具身智能（embodied intelligence）与端到端（end-to-end）模型，显著提升操作精度。例如，Unitree推出的产品在运动控制（locomotion）上表现出色，能够应对不平整地面；AgiBot则通过强化学习（reinforcement learning）优化抓取（grasping）等精细动作。此外，基于视觉-语言-动作模型（VLA）的驱动让机器人具备更强的环境感知与任务理解能力。
这些技术的突破意味着人形机器人正从单一的科研项目转变为可规模化部署的生产力工具。随着在物流、制造等领域的实际应用增加，中国企业正在通过快速迭代硬件性能与软件算法，构建起涵盖灵巧操作与复杂运动控制的完整技术链条，加速推动人形机器人的大规模商用进程。
**宇树科技在成都布局“三基地两中心”，加速具身智能核心技术突破**
宇树科技（Unitree）宣布在成都建立“三基地、两中心”的研发体系，旨在通过强化底层算法与硬件协同，推动具身智能（Embodied Intelligence）领域的关键技术落地。
该布局聚焦于人形机器人（Humanoid）的核心能力构建：通过端到端（End-to-end）模型融合视觉-语言-动作（VLA）架构，提升机器人的复杂任务处理能力；同时利用强化学习（Reinforcement Learning）优化运动控制（Locomotion），并结合模仿学习（Imitation Learning）与仿真到现实（Sim-to-real）技术，显著提升机器人抓取（Grasping）与灵巧操作（Dexterous Manipulation）的成功率。
此举标志着宇树在具身AI赛道进入深耕期。通过构建更强大的世界模型（World Model），宇树旨在打破通用基础模型（Foundation Model）与物理实体之间的隔阂，推动人形机器人从实验室走向大规模工业应用与复杂场景作业。
Unitree（宇树科技）在近期公开展示其新款人形机器人产品，并结合视觉-语言-动作（VLA）模型提升机器人的逻辑推理与任务执行能力。该技术融合了端到端学习与强化学习，旨在解决复杂环境下的抓取与操作难题。通过将具身智能融入人形机器人研发，Unitree正推动通用型机器人从单一的运动控制转向具备高灵巧度的多功能作业。这标志着行业正从特定场景的AGV/AMR向具备泛化能力的通用具身智能迈进，加速了高性能人形机器人在工业与服务领域的落地转化。
研究团队推出 QLAUN（四足自适应无人导航机器人），旨在为学术机构提供一款兼顾高灵活性与低成本的科研平台。该机器人的核心特征是采用全 3D 打印技术制造，整机重量仅为 15 kg，并配备 12 个自由度（DoF）及基于准直接驱动（QDD）技术的电机系统。其独特的无电子腿部设计实现了髋部与膝部驱动的解耦，配合 TPU-95A 材质打印的柔性足端以应对复杂地形。这种高度模块化且低成本的硬件架构，降低了实验室进行四足机器人运动控制（locomotion）研究的门槛，推动具身智能领域的科研普惠化。
研究人员提出Task-Functional Perception Distillation (TFPD)框架，旨在解决家用机器人在处理感知数据时存在的隐私泄露风险。实验基于120个AI2-THOR场景，通过对比导航任务中不同导出格式的性能与关联性发现：即便某些抽象处理能将目标类别识别率从1.000降至0.077，但仍可能保留高比例的链接风险（高达0.970）。这表明简单的字段删除或强抽象无法完全消除隐私威胁。该研究促使具身智能领域建立基于任务实用性与多重残留风险评估的精细化数据过滤机制，为家庭机器人进入私密空间提供更安全的感知架构。
Facet-0 推出了一款专注于高精度、强接触场景的机器人基础模型（foundation model），旨在解决亚毫米级精密组装中的力控与鲁棒性难题。该模型基于包含1,000小时力同步数据的 ManuFacet-1K 数据集训练，通过融合多模态表征学习与强化学习，在五项计算机组装任务中达到 82% 的平均成功率，显著优于基准模型的 15%，并实现 0.5mm 的放置精度。该模型通过预测动作产生的力矩后果（wrench profile），为具身智能提供更可靠的精细操作能力，推动机器人从粗放式移动向高精密工业制造场景跨越。
研究团队提出 Imagine-then-Plan (ITP) 框架，通过引入世界模型（World Model）与自适应前瞻机制，显著提升智能体在复杂任务中的规划能力。不同于传统的单步或固定跨度预测，ITP 通过权衡最终目标与任务进度来生成多步“想象”轨迹，并融合未来后果信号来指导策略学习。该框架支持无训练和强化学习两种变体，并在多个基准测试中超越现有模型。这为具身智能（Embodied Intelligence）解决长程规划难题提供了新路径，通过模拟未来的演变逻辑，提升机器人处理复杂动态环境的能力。
研究者提出一种名为BEV-Forcing的辅助目标，旨在通过共享鸟瞰图（BEV）空间接口提升视觉-语言-动作模型（VLA）在自动驾驶中的跨具身泛化能力。该技术通过将地面物体布局信息注入VLA骨干网络，显著提升了模型在少量摄像头配置下的分布内及分布外表现。实验证明，随着训练数据多样性的增加，BEV-Forcing的边际收益会降低。这表明单纯堆砌多源数据并非解决泛化问题的万灵药，具身智能领域需更精细的特征对齐技术来突破不同硬件平台间的迁移障碍。
arXiv 9月1日发布的一项研究指出，语言驱动的灵巧抓取模型（如DextER）在指令包含“避免某部位”时系统性失效，现有训练集（如DexGYSNet）几乎不含此类负向指令。研究者提出一种推理时框架，结合序贯蒙特卡洛与无分类器引导，无需负向训练样本即可避开禁止区域，并用冻结的3D部件定位模型识别禁区。在自建基准NegGrasp上，该方法将最强基线的违规率从57.9%降至17.2%，同时提升约束感知与物理成功率。这意味着具身智能抓取正从“指哪抓哪”走向理解复杂语言约束，为更安全的人机协作操作铺路。
研究者推出 GUI-CC 基准测试，旨在评估 GUI 世界模型作为智能体环境时的上下文一致性。该基准包含 500 个来自 GUIOdyssey 的离线轨迹任务和跨越 30 款移动应用的 200 个经模拟器验证的在线交互任务。实验揭示，仅具备单步生成能力的模型往往无法维持多步交互中的关键上下文或支持可执行的连续操作。这一发现警示具身智能领域：若要构建可靠的 GUI Agent 环境，模型必须从简单的“下一帧预测”进化为具备高度一致性的动态环境模拟，这是实现复杂任务自动化和长程规划的关键门槛。
美国军方研发出一种长达11英尺的无人驾驶机器人船，旨在通过自动化侦察任务提升海上军事力量。该设备具备高度自主性，可执行复杂的巡逻与监控任务。在当前具身智能领域，这种从陆地到水域的跨域应用展示了通用型控制算法在极端环境下的鲁棒性。这标志着机器人技术正从实验室走向实战场景，推动自动化系统在国防安全等高风险领域的深度渗透，加速无人系统与复杂物理环境的融合。
美国海军（US Navy）成功在海上通过机器人连接器为无人艇进行燃油补给，并在100次试验中保持高可靠性。该系统采用自动化机械臂与精密对接技术，实现在动态海况下的复杂操作任务。这一突破解决了无人舰艇在远洋作业中的续航瓶颈，标志着具身智能（embodied intelligence）正从实验室走向极端环境的工业应用。这不仅提升了海军自动化作战能力，也为海上物流、深海作业等高风险场景提供了可规模化的自动化解决方案。
欧洲正通过强化具身智能（Embodied Intelligence）研发，旨在建立与美、中并列的机器人强国地位。欧盟计划在人形机器人（Humanoid）、灵巧操作（Manipulation）及端到端（End-to-end）控制等核心技术上突破，重点布局涵盖SLAM、VLA模型以及从仿真到现实（Sim-to-real）的跨越式技术路径。此举旨在打破关键零部件供应链依赖，推动工业自动化从传统的AGV/AMR向具备复杂交互能力的协作机器人（Cobot）转型。这标志着欧洲正试图通过强化基础模型在具身智能领域的底层能力，构建独立于美中体系的机器人产业链生态。
多家厂商联合推出支持端到端（End-to-end）技术的跨品牌协作方案，旨在打破物流自动化中的“孤岛效应”。该系统整合了包括自动导引车（AGV）、自主移动机器人（AMR）及自动立体仓库（ASRS）在内的6种不同品牌的物料搬运设备。通过统一的通信协议与端到端控制逻辑，实现多品牌设备在同一作业场景下的无缝协同。这标志着仓储物流正从单一设备的自动化转向基于通用标准的多厂商协作生态，将推动具身智能在复杂工业环境中的大规模落地应用。
TechCrunch Disrupt 2026 将设立全新的“Real World AI Stage”舞台，聚焦具身智能（Embodied Intelligence）与物理世界的融合。该舞台涵盖从自动驾驶、国防技术到生物工程等多个跨领域应用场景，并邀请 Nvidia、Shield AI 及 Colossal Biosciences 等核心企业参与。针对机器人缺乏大规模训练数据的问题，行业正通过构建仿真环境和基础模型来突破瓶颈。这标志着具身智能正从单纯的算法突破转向高可靠性的工业级部署与复杂物理任务的落地执行。
Skild AI 发布旗舰级机器人基础模型 S1，旨在通过端到端（end-to-end）架构统一机器人的运动控制与操作任务。该模型融合了视觉-语言-动作（VLA）能力，支持从复杂抓取（grasping）到多任务协同的跨场景应用。S1 能够有效整合模仿学习与强化学习技术，显著提升机器人处理非结构化环境的能力。这标志着具身智能（embodied intelligence）正从单一功能模块向通用基础模型演进，为人形机器人实现更复杂的灵巧操作提供核心算法支撑。
具身智能（Embodied Intelligence）领域正面临“边缘AI墙”挑战，亟需从传统的SLAM和单纯的端到端模型转向融合世界模型与视觉-语言-动作（VLA）模型的架构。目前，研究重点正从简单的AGV/AMR导航转向复杂的灵巧操作（Manipulation）与双足（Bipedal）运动控制。通过引入强化学习与模仿学习，机器人能够跨越从仿真到现实（Sim-to-Real）的鸿沟。这标志着具身智能正从单纯的感知算法演进为具备复杂逻辑推理的通用物理智能，将推动人形机器人从实验室走向复杂的非结构化工业场景。
Hyundai Motor Group（现代汽车集团）计划将 humanoid（人形机器人）推向大众市场，旨在让消费者能像购买汽车一样在经销商处购买机器人。该战略旨在利用其强大的制造与分销网络，推动具身智能从工业场景走向消费领域。通过建立成熟的销售渠道，这一举措将加速人形机器人的商业化落地，推动相关技术从实验室原型向大规模量产转型，为构建普及化的具身智能生态提供关键的商业路径。
Agility Robotics在加州弗里蒙特（Fremont）建立超过6万平方英尺的训练与测试中心，旨在加速其人形机器人产品的实地部署。该中心将用于测试机器人在复杂环境下的运动控制与操作能力，通过大规模场地验证具身智能技术的可靠性。此举标志着人形机器人从实验室研发转向工业级应用场景，为推动通用型机器人进入物流、制造等真实生产线提供关键的硬件验证基础设施。