如果说今年哪个方向最受欢迎，一定是VLA+RL。 VLA模型为具身智能带来了新的交互范式：机器人不再依赖精确定义的状态和规则，而是通过视觉感知环 境、理解语言指令，并直接生成动作序列。这一能力极大地降低了任务描述和系统设计的门槛，使机器人 能够应对更加开放和复杂的场景。 然而，在真实机器人系统中，VLA 往往仍然面临执行不稳定、对初始状态敏感、长时序任务易失败等问 题，其核心原因在于模型缺乏基于环境反馈的持续修正能力。 强化学习的出现为VLA带来了新的解决思路。RL并不是一门新的学科，但RL的优势为VLA提供了从"理 解"走向"执行优化"的关键机制。通过引入奖励或价值信号，RL可以在保持VLA感知与语言能力的同时，对 动作策略进行闭环优化，弥补模仿学习在分布外状态和误差累积上的不足。 当前的研究趋势也逐渐从"单纯训练 VLA 模型"转向"以 VLA 作为策略表示，结合RL进行微调和强化"，包 括离线 RL 提升样本效率、层级 RL 约束长时序行为，以及基于视觉和语言的自监督反馈建模等方向。 方法上，目前VLA+RL主要分为在线RL、离线RL、test-time三种方案。 paper多，想入坑的人也多了起来.. ...

点击下方 卡片 ，关注" VLAI Robotics未来 动力 "公众号 如果你还在为高昂的机器人价格而犹豫不决，或者一直在忍受"无法协同、不够智能"的机器人痛点，今天VLAI Robotics给你带来了真正的突破——X系列双臂人形 机器人，价格仅售 1.98万元起！ 产品级价格，科研级性能，让具身智能触手可得！ 三大核心突破，重新定义双臂机器人！ 超高灵活性，精准还原人类动作 ：X系列"人尺度"为核心设计理念，单臂搭载 7 个基础运动自由度与 1 个夹爪控制自由度，总自由度达 8 DOF，双臂协同更是实现 16 DOF 全维度灵活操控，从肩部的自然舒展、肘部的精准弯折到腕部的灵活旋转，每一处动作都 完美还原人类上肢的自然运动轨迹 。基础版双臂可稳定承载 8kg 重物，Air 及以上版本直接将负载能力升级至 12kg ，在保持轻量化设计带来的灵活优势之余，更能精准完成各类 高精度抓取 、复杂操作任务，实用价值拉满！ 仿生学技术，解决传统机器人僵硬问题 ：X系列双臂机器人凭借前沿仿生运动学建模与高顺应性控制策略，实现了类人运动的自然复刻，能始终维持高精度控制， 为 远程操控、模仿学习与人机交互研究 提供核心基础 ...

点击下方 卡片 ，关注" 具身智能 之心 "公众号 编辑丨具身智能之心 本文只做学术分享，如有侵权，联系删文 >> 点击进入→ 具身智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区 ： 具身智能之心知识星球 (戳我) ， 这里包含所有你想要 的。 最近看到了很多HR的职位需求，list很长，但VLA算法是很"急需"。这一点，也体现在论文数量上。每天带着很多 小朋友看论文，也几乎都和VLA"挂钩"。 ❝ 但VLA貌似"很伤"，不好调，数据采集麻烦。这个事情，是很多同学持续在吐槽的。 只看论文而没有真机实验，在仿真里面做了好久，也不知道动起来啥样子。确实，具身和其它领域都有所不同，太 注重本体，即使是算法也极其依赖硬件。 ❝ 不少同学说，相当多的时间"浪费"在踩坑上了。 确实，真实数据采集上，需要借助硬件完成，比如遥操、VR、全身动补等方式。仿真和互联网数据，在泛化性能上 依然得不到保证，很多具身公司坚持"真机数据"路线。但真机数据采的数据并不好用，该怎么办？一轮下来又需要 好久。 模型优化上也很难顶，有的效果就是调不出，或者说训练不出效果。有些算法就是没效果，不知道怎么分析，真机 上一塌糊涂 ...

>> 点击进入→ 具身 智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区： 具身智能之心知识星球（戳我） ，这里包含所有你想要的! 以下文章来源于具身纪元 ，作者Vbot算法团队 具身纪元 . 见证具身浪潮，书写智能新纪元 作者丨 Vbot算法团队 编辑丨 具身纪元 点击下方 卡片 ，关注" 具身智能之心 "公众号 现有的四足机器人为什么很难有生命力？ 我们常见的机器狗，在用户面前展现的都是极限运动能力。 似乎缺少了那么一点点灵性。 其中一个原因是，传统的四足控制擅长单一任务的稳健执行，对多动作切换不友好。 主流做法是：一个动作一个策略——后空翻、跳高、作揖各自单独训练和调参，动作之间的自然衔接就是无人关注的角落了。 这样一来，在大家看这些动作时，就像是看一个个不太连贯的镜头剪辑。 而对于在真实环境里与人一起活动的场景（而不是观看机器人表演的场景）来说，用户更在意的是一起活动的连续性和稳定性，而不是某一个单项动作的极限指标。 单一动作模式让机器人具备了执行指令的功能，却失去了生物体应有的灵性，导致动作转换生硬，难以展现出连续、流畅且富有情感表达力的复杂行为。 打造一个有灵性的具身智能，才是 ...

编辑丨机器之心 点击下方 卡片 ，关注" 具身智能之心 "公众号 >> 点击进入→ 具身 智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区： 具身智能之心知识星球（戳我） ，这里包含所有你想要的! 空间理解能力是多模态大语言模型（MLLMs）走向真实物理世界，成为 "通用型智能助手" 的关键基础。但现有的空间智能评测基准往往有两类问题：一类高度依 赖模板生成，限制了问题的多样性；另一类仅聚焦于某一种空间任务与受限场景，因此很难全面检验模型在真实世界中对空间的理解与推理能力。 要真正走入现实世界，模型不仅需要看得见，更要看得懂空间： 它需要在复杂、多变的真实场景中理解空间布局、感知运动变化、进行时空推理，并基于这些信 息做出合理决策，与环境产生有效交互。 为此， 上海人工 智能 实 验室 Inter nRobotics 团队 近日推出了一套 全面而硬核的空间智能视频基准 —— MMSI-Video-Bench ，对当前主流多模态大模型精心打 造了一场挑战系数极高的 "空间智能大考"。 本工作由上海人工智能实验室、上海交通大学、香港中文大学、浙江大学、香港大学、北京航空航天大学、西安交通大学、 ...

点击下方 卡片 ，关注" 具身智能 之心 "公众号 编辑丨具身智能之心 本文只做学术分享，如有侵权，联系删文 >> 点击进入→ 具身智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区 ： 具身智能之心知识星球 (戳我) ， 这里包含所有你想要的。 在具身智能领域，机器人操纵作为核心难题，随着视觉、语言及多模态学习的飞速发展迎来变革。大型基础模型的出现，大幅提升了机器人的感知与语义表征能 力，使其能在非结构化环境中基于自然语言指令完成任务。由西安交通大学、香港科技大学（广州）等多所高校联合撰写的综述，以 "高层规划 + 低层控制" 的统一 框架，系统梳理了基于学习的机器人操纵方法，明确了当前技术瓶颈与未来方向，为该领域的研究提供了全面且结构化的参考。 论文名称：Embodied Robot Manipulation in the Era of Foundation Models: Planning and Learning Perspectives 论文链接：https://arxiv.org/pdf/2512.22983 项目链接：https://github.com/BaiShuangha ...

2025年11月15日，宇树科技IPO上市辅导工作完成，公告显示，宇树科技拟申请在境内IPO。中国证监会官网 的这一信息。 2）银河通用 2025年12月，多个媒体报道银河通用完成股改，开始筹赴港上市。 最近社区分享了几家正在IPO进程的公司，都在大考，还有许多公司正在排队准备了。这里为大家整理了下相 关内容，本次整理参考各类已经公开的内容，若有不足欢迎后台指正。 1）宇树科技 3）智元机器人 智元机器人于2025年3月完成股改，11月宣布拟赴港IPO。 2025年7月通过其持股平台计划收购科创板上市公司上纬新材63.62%的股份，被市场解读为"借壳上市"的关键 落子。尽管智元对外回应称"本次行动仅为收购控股权，不构成《重大资产重组办法》所定义的借壳上市"， 但这一动作被业界视为加速上市进程的重要举措。 4）乐聚机器人 1）持续的直播分享 社区为大家准备了很多圆桌论坛、直播，从本体、数据到算法，各类各样，逐步为大家分享具身行业究竟在 发生什么？还有哪些问题待解决。 2025年10月30日，乐聚智能（深圳）股份有限公司在深圳证监局完成上市辅导备案登记，辅导券商为东方证 券。 5）云深处 2025年12月23日， ...

点击下方 卡片 ，关注" 具身智能 之心 "公众号 转载丨澎湃新闻 本文只做学术分享，如有侵权，联系删文 宇树科技于2025年7月8日提交了辅导备案登记材料，由中信证券担任辅导机构； >> 点击进入→ 具身智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区 ： 具身智能之心知识星球 (戳我) ， 这里包含所有你想要的。 近日，某媒体发布宇树科技上市相关报道，涉及"所谓绿色通道被叫停"，并被众多媒体、网络平台及自媒体大规模转载。 昨日，宇树科技正式向相关新闻媒体回应。该报道涉及我司上市工作相关动态情况的内容与事实情况不符，我司未涉及申请"绿色通道"相关事宜。 相关报道误导公众认知，已严重侵害我司合法权益。我司已向主管部门反映，同时督促相关方撤回不实报道。我司在此严正声明，后续将保留通过法律手段追责的 权利。宇树科技表示，目前，公司上市工作正常推进，相关进展将依法依规进行披露，感谢社会各界对公司的关心与支持。 4日早些时候，有报道称，宇树科技A股上市的绿色通道被叫停，但常规上市流程仍继续，被叫停或是因为"目前机器人赛道泡沫太大了"，管理层希望能降降温。 随后，一张疑似宇树科技创始人、董事长王兴兴 ...

公司业务与平台定位 - 公司运营“具身智能之心”平台，该平台是具身智能领域的技术创作平台，为行业输出前沿技术、课程、行业概况、融资、产品及政策等内容 [1] - 平台目前正处于业务上升期 [1] 公司招聘需求 - 公司面向粉丝群体招募全职及实习岗位，岗位包括编辑、运营和销售 [1] - 编辑岗位负责公众号平台的内容创作与编辑，要求应聘者具备专业基础及在知乎、公众号等内容平台的经验 [1] - 销售岗位负责平台课程、硬件等产品的销售推广，要求应聘者具备销售基础，并对具身智能用户需求与市场有一定了解 [2] - 运营岗位负责公众号、小红书、社群等渠道的运营，旨在提升粉丝粘性和关注度，要求应聘者具备运营能力并对自媒体平台玩法有认识 [3] - 实习岗位中，除编辑岗外均需线下工作 [1] 行业与平台内容 - 平台专注于具身智能领域，其产出内容涵盖该领域的前沿技术、课程、行业概况、融资动态、产品信息及政策解读 [1]

文章核心观点 - StereoVLA模型通过创新性地融合立体视觉的几何线索与语义理解，系统性解决了现有视觉-语言-动作模型在空间感知精度上的核心不足，为机器人高精度操纵提供了全新解决方案 [1] 问题根源：VLA模型空间感知的挑战 - **单模态视觉局限**：现有方案如手腕相机视野有限且易遮挡，深度传感器对透明或镜面物体噪声大，多相机配置则增加硬件复杂度且泛化性受相机姿态影响显著 [4][5] - **几何与语义融合难题**：立体视觉能提供丰富空间线索，但现有VLA模型缺乏有效机制融合几何信息与语义理解，直接输入立体图像会因视角细微差异导致性能次优 [6] 方案设计：StereoVLA的三层技术架构 - **第一层：特征提取模块** - 几何特征提取：基于FoundationStereo预训练模型，提取过滤后的代价体积作为几何特征源，通过注意力混合代价过滤模块捕捉长程空间关联，无需额外深度估计计算 [12] - 语义特征提取：利用SigLIP和DINOv2模型仅对左视角图像进行处理，获取富含语义的视觉令牌，以解决立体视觉模型语义信息不足的问题 [12] - 特征融合策略：通过空间池化统一分辨率，采用通道维度拼接方式融合几何与语义特征，生成兼具几何精度与语义丰富度的混合特征表示 [12] - **第二层：辅助训练任务** - 聚焦交互区域：将采样范围限制在通过物体2D边界框定位的夹持器与目标物体交互区域，引导模型关注关键空间细节 [12] - 度量深度预测：基于合成数据集的真实深度标签，训练模型预测交互区域内采样点的度量深度，以提升操纵精度并加速模型收敛，且不增加推理计算负担 [12] - **第三层：大规模数据支撑** - 合成数据生成：利用MuJoCo与Isaac Sim生成500万条合成抓取-放置动作序列，渲染立体图像对，相机参数在真实Zed Mini相机参数的5%范围内随机化 [12] - 语义增强数据：融入互联网规模接地数据集GRIT，新增2D边界框预测辅助任务以提升模型语义接地能力 [12] - 数据多样性设计：生成三种不同随机化范围的数据集，覆盖15×10×15cm至150×50×60cm的空间变化，以验证相机姿态鲁棒性 [12] 验证逻辑：全面性能验证 - **核心任务性能突破** - 通用操纵任务：在常见物体抓取/放置、立方体堆叠等任务中，成功率较基线模型提升明显 [13] - 条形物体抓取：针对0°、45°、90°三种朝向的条形物体，实现近完美抓取成功率，解决了长轴视觉重叠导致的定位难题 [13] - 中小尺寸物体抓取：在1-2cm小型物体抓取任务中，以30.0%的成功率成为唯一有效模型，其他基线模型完全失败 [13] - **相机配置对比** - 在四种主流相机配置对比中，StereoVLA展现出最优的性能-鲁棒性平衡 [14] - 立体视觉配置在中、大姿态随机化场景下性能优势显著，较其他配置降低了相机姿态变化对操纵的影响 [17] - 相比前+侧面相机配置，StereoVLA在大姿态随机化场景下成功率提升157%，且部署更简洁，无需多相机校准 [17] - **核心模块消融验证** - 几何特征选择：过滤后的代价体积表现最优，较相关体积加语义特征的组合，成功率从54.0%提升至77.0% [15][18] - 语义特征作用：缺失语义特征时，模型抓取错误物体的概率显著增加，成功率平均下降20%以上 [15][18] - 深度估计策略：交互区域深度估计较全图像均匀采样，成功率提升18%，且避免了背景信息干扰 [18] 局限与未来方向 - 图像分辨率限制：当前224×224分辨率对1-2cm小型物体的语义接地与定位精度不足，需在高分辨率与计算成本间寻求平衡 [18] - 长时程依赖缺失：当前模型未捕捉长时程时间依赖，难以应对复杂连续操纵任务 [18] - 多机器人适配：验证仅基于Franka机械臂，未来需扩展至人形机器人等多具身化场景 [18] - 特征提取优化：可探索更多立体视觉基础模型的适配，以进一步提升几何特征质量 [18] StereoVLA的范式价值与行业影响 - 该模型的核心贡献在于首次将立体视觉系统融入VLA模型，并建立了“几何-语义融合-聚焦式辅助训练-鲁棒性验证”的完整技术链路 [16] - 其在条形物体、小型物体抓取等高精度任务中的突破，以及对相机姿态变化的强鲁棒性，为机器人操纵从实验室走向真实复杂场景提供了关键技术支撑 [16]