Physical AI 前沿雷达 · 2026-09-30
每日自动更新的具身智能前沿雷达：八条主线、三语精炼、证据可查。
- 生成时间:
2026-09-29 23:40 UTC - 统计窗口:
论文 2026-09-26 → 2026-09-30 · 博客与报道 2026-08-31 → 2026-09-30 · 30 天内不重复 (UTC) - 证据标注：O = 一手官方 · R = 论文/预印本 · M = 媒体或二手
今日重点
1. EdgeVLN: Runtime-Aware Deployment Ready Quantized Vision Language Navigation Model
- 主线: 边缘与实时性（端侧推理 / 控制频率） ｜ 证据:
[R]｜ 来源: arXiv 2609.35570 ｜2026-09-28 - 关键数字:
16 GB(“NVIDIA Jetson Orin NX 16 GB”) ·11.35 GB(“using 11.35 GB resident memory while”) - 信号:
含量化指标·含闭环成功率·含真机实验·含延迟或控制频率 - 为什么重要
AI 起草: 如果你想把视觉语言导航放到 Jetson Orin NX 16 GB 这类受内存和功耗限制的端侧设备上，作者自报 11.35 GB 常驻内存，可作为选型时的内存预算参照；这是预印本自报，上机前请在自己的导航栈上复测。
Vision-language navigation (VLN) models perform well but target compute-rich platforms, limiting deployment on memory- and power-constrained robotic edge devices.
2. ActionUNet: Improving Robustness of VLA Models with Efficient Multi-scale Fine-tuning
- 主线: 基座模型（VLA / WAM） ｜ 证据:
[R]｜ 来源: arXiv 2609.34982 ｜2026-09-28 - 关键数字:
9.8%(“success rates by absolute 9.8%”) ·6.1%·11.4%(“and 11.4%”) - 信号:
含量化指标·含闭环成功率·含真机实验·有开放代码或权重 - 为什么重要
AI 起草: 如果你在考虑用微调提升现有 VLA 操作策略的鲁棒性，而不是重新训练，这篇预印本自报成功率绝对变化 9.8%，页面也标出了代码或权重开放，适合先在自己的任务上低成本复现，再决定是否纳入流程。
Vision-Language-Action (VLA) models have shown great promise for robotic manipulation by mapping multi-modal semantics to physical actions.
3. F4R: Failure-Driven Recognition, Reconstruction, Refinement, and Redeployment for Continual Robot Self-Improvement
- 主线: 仿真与评测（sim2real / 闭环） ｜ 证据:
[R]｜ 来源: arXiv 2609.35575 ｜2026-09-28 - 关键数字:
93.75%(“show that F4R achieves 93.75% In-Distribution and 90.0%”) ·90.0%(“achieves 93.75% In-Distribution and 90.0% Out-of-Distribution (OOD) success”) - 信号:
含量化指标·含闭环成功率·含真机实验 - 为什么重要
AI 起草: 专家示范覆盖不足时，与其继续堆示范，不如考虑从失败中回收并重新部署的闭环；作者自报分布内 93.75%、分布外 90.0% 成功率，两者差距不大，但属预印本自报，页面未说明任务规模。
The real-world performance of current vision-language-action models is fundamentally constrained by the limited coverage of expert demonstrations and their insufficient understanding of physical interactions.
4. Rethinking Causal Action Tokenization with Conditional Annealing in Flow Matching
- 主线: 基座模型（VLA / WAM） ｜ 证据:
[R]｜ 来源: arXiv 2609.35469 ｜2026-09-28 - 信号:
含闭环成功率·含真机实验 - 为什么重要
AI 起草: 用自回归 VLA 的团队应把动作分词器当作设计变量，而不只是压缩环节：作者认为现有分词器在语义上与任务错位；页面未给出任何数字，暂不足以据此更换分词方案。
Autoregressive Vision-Language-Action (VLA) models offer a scalable path to robot learning, yet existing action tokenizers treat tokenization as a compression problem, producing representations that are semantically misaligned with the…
5. RAVEL: Asynchronous Rolling Inference for Flow-Based Vision-Language-Action Models
- 主线: 边缘与实时性（端侧推理 / 控制频率） ｜ 证据:
[R]｜ 来源: arXiv 2609.34170 ｜2026-09-28 - 信号:
含闭环成功率·含真机实验·含延迟或控制频率 - 为什么重要
AI 起草: 如果你的流式 VLA 被昂贵的 VLM 编码和多步迭代生成动作拖慢，异步推理是值得跟踪的方向；但页面没有列出任何具体数字，暂时无法据此估算控制回路能省下多少时间。
Flow-based vision-language-action (VLA) models are highly effective for generalist robot manipulation, yet their reliance on computationally expensive VLM encoding and multi-step iterative action generation imposes a significant latency…
6. ForceN to give a crash course on force and torque sensing for humanoids at RoboBusiness
- 主线: 本体与供应链（硬件 / 成本） ｜ 证据:
[M]｜ 来源: The Robot Report ｜2026-09-29 - 为什么重要
AI 起草: 对人形机器人团队来说，力/扭矩传感器的用法和防损坏都是设计阶段就该考虑的问题；这只是一场会议讲座的二手预告，没有产品或数据，只能当作排查清单的提示。
Attendees will learn about the many ways they can use force and torque sensors in humanoids and how to avoid breaking them while doing it.
7. Meet Flourish One, the Raspberry Pi-powered humanoid built for busy parents
- 主线: 本体与供应链（硬件 / 成本） ｜ 证据:
[M]｜ 来源: The Robot Report ｜2026-09-29 - 为什么重要
AI 起草: 家用机器人报出 $3,555 的价位，并靠手机训练、云端训练完成家务，这意味着使用方要把联网依赖算进可用性；这是媒体对发布的二手报道，交付情况尚待一手确认。
Flourish is releasing a $3,555 phone-trainable home robot, targeting busy parents with personalized, cloud-trained chore automation.
8. 动易科技刘晨澔：人形机器人羽毛球对拉 40 拍背后的分层革命 | IROS 2026
- 主线: 仿真与评测（sim2real / 闭环） ｜ 证据:
[M]｜ 来源: 雷峰网 Leiphone ｜2026-09-29 - 为什么重要
AI 起草: 人形机器人高动态运动被描述为已有工业级进展，但这是媒体围绕顶会的二手报道，页面没有方法细节或评测数据，做运动控制选型前应等一手材料。
顶会上的人形机器人高动态运动场景的最新工业级进展。羽毛球大概是所有球类里最“不讲道理”的项目。
前沿基线（人工策展）
1. Dyna Robotics announces DYNA-2 world action model trained on 1M+ hours of human data (vendor claim)
- 主线: 数据引擎（采集 / 清洗 / scaling） ｜ 证据:
[M]｜ 来源: PR Newswire ｜2026-08-10 - 关键数字:
1M+ hours (~170 years of waking experience)·claimed first human-to-robot scaling law·claimed 20% -> 80-90% on high-precision manufacturing from pretraining scale alone - 为什么重要: 厂商自报，但方向与学术侧一致：如果人类数据的 scaling law 成立，数据护城河会从机队规模转向采集与清洗管道。
2. Egocentric human video can outperform real-robot data for embodied pretraining
- 主线: 数据引擎（采集 / 清洗 / scaling） ｜ 证据:
[R]｜ 来源: arXiv 2606.20521 ｜2026 - 关键数字:
-24% validation loss at equal data·+52.5% in-distribution success·+90% out-of-distribution success - 为什么重要: 没有机队的团队也能建立数据优势；有机队但没有清洗与判定管道的团队，数据只是存储成本。
3. EgoScale: scaling dexterous manipulation with diverse egocentric human data
- 主线: 数据引擎（采集 / 清洗 / scaling） ｜ 证据:
[R]｜ 来源: arXiv 2602.16710 ｜2026 - 关键数字:
44k hours of egocentric video·+54% average success vs no-pretraining on a 22-DoF hand·transfers to lower-DoF hands - 为什么重要: 大规模人类动作被证明是可复用、跨本体的 motor prior，灵巧手不必从零学起。
4. Post-train NVIDIA Cosmos 3 Edge for on-device robot control
- 主线: 边缘与实时性（端侧推理 / 控制频率） ｜ 证据:
[O]｜ 来源: NVIDIA Technical Blog ｜2026-08 - 关键数字:
4B omni-model·2B Nemotron reasoner·runs on Jetson Thor·receding-horizon control loop - 信号:
含闭环成功率·有开放代码或权重 - 为什么重要: 世界模型进端侧的第一条可复现路径：post-train 到 Thor 上服务、再闭环评测，代码与 checkpoint 都公开。
5. Fine-tuning π0 for robotic manipulation on Amazon SageMaker HyperPod EKS
- 主线: 训练与自我改进（RL / 后训练） ｜ 证据:
[O]｜ 来源: AWS Physical AI Blog ｜2026-09-10 - 关键数字:
MSE -89.7% (DROID)·MSE -88.9% (LIBERO)·8xH100, 20k steps, 6h15m·50-step chunk <200 ms at 1 ODE step·checkpoint ~45 GB - 信号:
含量化指标 - 为什么重要: 同一工作早期报 96% 改善，只因评测集与训练集重叠；修正切分后是 89%。这是 2026 年最值得引用的评测纪律案例。
6. SHIELD: safety on humanoids via control barrier functions in expectation on learned dynamics
- 主线: 安全、权限与合规 ｜ 证据:
[R]｜ 来源: arXiv 2505.11494 ｜2026 - 关键数字:
runtime constraint specification·no retraining when constraints change - 为什么重要: 把”改约束不用重训”变成可能，这正是本地 authority gate 的学术对应物。
主线分布 (近 7 天入选)
| 主线 | # |
|---|---|
| 基座模型（VLA / WAM） | 6 |
| 数据引擎（采集 / 清洗 / scaling） | 4 |
| 训练与自我改进（RL / 后训练） | 4 |
| 仿真与评测（sim2real / 闭环） | 12 |
| 边缘与实时性（端侧推理 / 控制频率） | 5 |
| 安全、权限与合规 | 1 |
| 系统与编排（长程 / 多策略） | 3 |
| 本体与供应链（硬件 / 成本） | 11 |
近期节奏
- 来源构成 (近 7 天入选):
[O]5 ·[R]26 ·[M]15 - 最近各轮入选条数: 09-24 2 · 09-25 8 · 09-26 8 · 09-27 8 · 09-28 4 · 09-29 8 · 09-30 8
合规与标准观察
- ISO 25785-1 — Safety requirements for dynamically stable industrial mobile robots — Under development; committee-stage as of 2026-09.
- Regulation (EU) 2023/1230 (Machinery Regulation) — Fully applicable 2027-01-20.
- EU AI Act official timeline (Council of the EU) — High-risk deadlines 2027-12-02 / 2028-08-02 per Digital Omnibus.
本页逐条分析由 radar-analyst 起草（claude-opus-5.5），经确定性检查与 agent 复核后自动合并，未经人工复核；标题与数字未经改写。
本仓库为技术观察，不构成投资建议、产品承诺或安全认证结论。论文结论以作者自报为准。