**【核心突破】**
将于2027年在广州举办首届人形机器人篮球比赛（RBA）。该赛事旨在检验机器人的运动控制、协作能力以及在复杂环境下的动态响应。
**【技术细节/数据】**
此次竞赛重点考察人形机器人（Humanoid）的平衡性与灵活性，核心挑战在于高强度的运动过程中如何保持稳定。参与项目将涉及多项前沿技术，包括基于强化学习（Reinforcement Learning）的运动控制、复杂场景下的感知系统以及精细的操作（Manipulation）。此外，赛事旨在检验不同厂商在具身智能（Embodied Intelligence）领域的技术积累，特别是针对动态环境中的实时决策能力。
**【商业意义/行业影响】**
RBA不仅是技术的竞技场，更是工业化应用前的实测场。通过此类赛事，相关企业能够展示其在机器人领域的核心竞争力。对于追求突破的厂商而言，这是展示产品性能、获取品牌关注并推动人形机器人进入大规模商用领域的关键机会。
**丰田加速布局机器人矩阵，旨在挑战特斯拉Optimus地位**
丰田（Toyota）正通过大规模部署多元化的机器人产品线，构建全场景自动化生态，旨在从硬件多样性和工业落地深度上对特斯拉Optimus发起强力挑战。
在技术路径上，丰田不仅聚焦于人形机器人，更强调多机协同与灵巧操作的融合。其研发重点涵盖了高度复杂的运动控制（locomotion）与精细的抓取（grasping）任务，通过整合先进的视觉-语言-动作模型（VLA）和端到端（end-to-end）学习架构，提升机器人在非结构化环境中的适应能力。同时，丰田利用强大的制造底蕴，在自动化物流、协作机器人（cobot）以及具备高度灵巧性的工业机械臂领域深耕多年，构建起从基础的自动导引车（AGV）到复杂的具身智能（embodied intelligence）的多维技术矩阵。
这一战略布局意味着丰田正试图通过“全场景覆盖”策略建立护城河：通过在汽车制造、物流仓储等核心工业环节的深厚积累，将机器人从实验室原型转化为大规模量产的生产力工具，旨在打破单一人形机器人的垄断格局，重塑智能制造的竞争格局。
**【头条】人形机器人赛道进入“确定性”博弈：日本企业聚焦高精度操作与稳定性**
在人形机器人（Humanoid）竞争进入白热化的当下，技术核心正从单纯的运动控制转向复杂的灵巧操作。日本企业正通过强化学习（Reinforcement Learning）与模拟到现实（sim-to-real）技术，攻克复杂环境下的抓取（Grasping）与精细化操作（Manipulation）。
关键突破在于将具身智能（Embodied Intelligence）与高级感知融合。通过端到端（End-to-end）模型驱动的视觉-语言-动作模型（VLA），机器人能够更精准地理解人类指令并执行复杂任务。相比于单纯追求行走速度，日本厂商更侧重于提高操作的“确定性”，即在工业场景中确保抓取成功率与动作轨迹的稳定性。
这一转向标志着人形机器人正从实验室原型走向工业应用。通过提升灵巧（Dexterous）操作的可靠性，人形机器人有望替代传统自动化设备进入物流、制造等高要求的生产线，成为解决劳动力短缺问题的核心工具。
ICE（国际应急中心）正式引入由Boston Dynamics生产的四足机器人犬，用于提升复杂环境下的搜救与巡检效率。这些机器人在极端地形中的稳定性显著优于传统AGV或AMR，能够执行高难度的户外任务。此举标志着商用领域正加速从简单的自动化运输转向具备强鲁棒性的具身智能应用。这不仅验证了四足机器人作为专业搜救工具的实战价值，也预示着高性能硬件与复杂环境感知技术的融合将成为应急救援等垂直领域的标配。
研究团队通过开发具备协同能力的足球比赛人形机器人，在复杂动态环境中实现了高难度的多机协作。该系统集成了端到端（end-to-end）控制架构与强化学习算法，显著提升了机器人在快速变动的场景下的运动控制与决策能力。相比于传统的单机操作，这种基于协同逻辑的训练让机器人能够处理复杂的空间博弈。这标志着具身智能从单一任务的技能演进到多体协作的系统集成，为未来自动化工厂中的多机器人协同作业及复杂环境下的群体智能应用提供了关键技术路径。
研究者推出 Embodied Agent Arena 评测基准，旨在评估前沿视觉-语言模型（VLM）作为通用机器人的潜力。该基准包含来自 32 个来源及新开发的 GeoProbe 数据集的 1,000 个案例，涵盖几何估计、空间推理、可操作性等核心维度。实验对比了 7 种 VLM 模型，发现 Astra 在精确估算和接触定位方面表现优异，但在协同目标导向的动作执行上仍存在显著差距。这表明当前具身智能领域需从单一的感知能力突破转向复杂的任务规划与长程操作协同，是实现通用机器人核心能力的关键路径。
研究者推出针对机器人任务保留的语言扰动基准测试，旨在评估持续模仿学习（Continual Imitation Learning）中的语义鲁棒性。该基准基于 LIBERO 数据集构建了包含 Goal、Spatial、Object 和 Long 四个维度的指令变体，通过对比原始指令与改写指令来区分“任务能力”与“语言敏感度”。实验结果显示，具备强持续学习能力的模型并不等同于具有可靠的语言对齐。这一发现提醒具身智能领域，单纯追求技能不遗忘不足以支撑复杂的交互场景，建立更稳健的语义关联是实现通用机器人操作的关键路径。
Astribot在IROS 2026机器人展会上首次向北美展示其T1人形机器人，通过“为AI设计”的理念将基础模型、具身操作系统与线驱动硬件深度融合。该机器人的核心能力源于Lumo-2推理-动作基础模型，支持处理可变形物体的灵巧操作；硬件层面具备23个自由度且单臂负载达5公斤。这种软硬一体化的架构降低了开发者通过自然语言指令快速部署应用的门槛，标志着具身智能正从单纯的算法堆叠转向高度集成的系统工程。
自动化推进协会（A3）正式发布工业移动机器人（IMR）安全标准 ANSI/A3 R15.08-3-2026，完成了涵盖机器生命周期全过程的 R15.08 三部分系列。该新标准专门针对用户在日常运营中的风险评估、变更管理及员工培训等环节提供指导，并与工业机器人安全标准 ANSI/A3 R15.06 的第三部分保持一致。此举为包含 AGV 和 AMR 在内的移动机器人进入复杂工业场景提供了标准化合规路径，有助于降低人机共存环境下的操作风险，推动具身智能在工厂等高风险领域的规模化落地。
Flow-JEPA通过引入流匹配（Flow Matching）技术，显著提升了基于JEPA架构的世界模型在处理噪声干扰时的鲁棒性。该模型将点对点的状态回归转变为随机轨迹层面的预测，在包含视觉噪声的测试中，成功率从67%大幅提升至86%。这一突破证明了条件流匹配是替代确定性自回归预测的有效手段。对于具身智能领域，这意味着机器人能够在复杂的真实物理环境中，通过更稳定的潜在动力学模型实现更可靠的路径规划与动作决策。
研究人员通过对MemoryMaze环境中的20种记忆增强组合进行实验，揭示了Transformer架构在世界模型（World Model）中处理长程预测时的感知漂移问题。研究对比了4种编码与5种注入机制，发现mLSTM记忆编码器在重建质量和潜空间保真度上优于其他方案，且在计算成本适中的情况下，配合加法注入可达到甚至超越纯Mamba架构的记忆召回能力。这一结论为解决具身智能中长程规划难题提供了关键路径，有助于提升机器人模型在复杂环境下的长期状态记忆与预测稳定性。
研究者提出 Schrödinger-Föllmer Actor-Critic (SFAC) 框架，通过条件扩散模型解决强化学习中优势加权更新的采样难题。该方法利用 minimax Bellman critic 估计优势函数，并通过 Doob h-transform 将策略改进转化为对扩散漂移项的修正。在六项从离线到在线（offline-to-online）的连续控制任务中，SFAC 实现的最终窗口回报显著高于对应的离线初始化模型。该技术通过提供严谨的有限样本界限，解决了扩散策略在实际部署中因采样噪声导致的性能波动，为具身智能中的复杂动作分布建模提供了更稳定的算法支撑。
研究者提出 Dually Regularized AIL 算法，通过结合 KL 策略正则化与二次奖励惩罚，解决了对抗式模仿学习（AIL）中样本效率低下的核心难题。该算法在有限水平马尔可夫决策过程中，实现了 $\widetilde{O}(1/K + 1/N)$ 的快速收敛界限，同时兼顾专家演示数据 $N$ 和在线交互次数 $K$ 的采样复杂度。这为具身智能中的模仿学习提供了严谨的理论支撑，证明了奖励与策略双重正则化在降低模型训练成本、提升机器人学习效率方面的协同作用。
研究揭示了视频世界模型（Video World Models）在处理不可见状态时的核心缺陷。通过“壳子游戏”（Shell Game）实验，研究发现尽管Transformer、Mamba等主流架构能生成高质量视觉画面并预测5次交换后的球体位置，但由于缺乏可重写的状态机制，它们无法泛化到更长的序列。对比研究指出，线性注意力机制（Linear Attention）通过负转换特征值，以及带有非线性TTT快速权重的自回归Transformer，能够有效处理被遮挡或动态变化的状态。这表明具身智能领域若要构建具备长程逻辑推理的模拟器，必须从单纯的像素生成转向具备可更新状态空间的架构设计。
SparsePR 提出一种无需训练的稀疏注意力机制，旨在显著提升视频生成与世界模型（World Models）的计算效率。该技术通过响应耦合分区和探测拟合残差重建，在仅 22% 执行对密度下，将注意力输出误差降低了 61.6% 至 90.5%，并实现 1.48x 至 2.61x 的端到端加速。该技术的突破意味着具身智能中的世界模型构建可以大幅降低计算开销，在保持高 PSNR 指标的同时，提升大规模视频生成任务的推理速度。
Agility Robotics 宣布为计划上市的董事会任命新成员，旨在加速其人形机器人（humanoid）技术的商业化进程。公司目前核心产品包括用于物流领域的四足机器人及具备复杂抓取（grasping）能力的双足（bipedal）机器人。此次人事变动意味着公司正从技术研发转向资本市场扩张，旨在通过更专业的治理结构推动具身智能（embodied intelligence）在仓储、制造等工业场景的规模化落地。
AGIRobots正式推出专为人形机器人（humanoid）研发设计的7轴机器人手臂“HA1”。该产品采用高精度传动技术，旨在解决复杂环境下的灵巧操作（manipulation）与抓取（grasping）难题。相比传统工业机械臂，HA1针对具身智能（embodied intelligence）场景优化了运动控制逻辑。这标志着通用型机器人组件正从单一功能向高度集成化演进，将加速人形机器人在非结构化环境中的部署，推动端到端（end-to-end）模型在真实物理世界中的落地应用。
XNOVA、Unitree与Eco Forest Friendly在京都府西京区的森林中开展自主移动机器人（AMR）巡检实证。该项目利用具备SLAM技术的自动导引车（AGV）替代人工进入复杂地形，旨在监测林区环境并预防火灾等风险。通过将具身智能应用于极端野外场景，此举验证了非结构化环境下机器人的可靠性，推动自动化技术从工业园区走向自然生态保护领域，为低风险、高难度的户外巡检提供可规模化的技术路径。
Google DeepMind等机构推动的具身智能（Embodied Intelligence）技术正加速推动人形机器人从实验室走向工业应用。调研显示，用户在实际体验到机器人具备复杂抓取（Grabbing）与操作（Manipulation）能力后，购买意愿显著提升。通过引入视觉-语言-动作模型（VLA）和端到端（End-to-end）学习架构，人形机器人正从简单的路径规划进化为具备高度灵巧性的协作机器人（Cobot）。这标志着具身智能正从单纯的算法突破转向实用的工程落地，将推动人形机器人进入工厂、物流等真实生产场景。
Booster Robotics发布人形机器人Booster T2演示视频，展示其在复杂居家环境中的家务操作能力。该机器人通过集成先进的端到端（end-to-end）技术与具身智能（embodied intelligence），实现了高难度的抓取与物体移动任务。相比传统AGV或简单的协作机器人（cobot），Booster T2展现了更强的灵巧性与动态平衡能力。这标志着人形机器人正从实验室原型向具备复杂感知与操作能力的通用服务机器人演进，加速具身智能在家庭场景的落地应用。