Physical AI 前沿雷达 · 2026-10-01
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:
2026-09-30 23:40 UTC - 统计窗口:
论文 2026-09-27 → 2026-10-01 · 博客与报道 2026-09-01 → 2026-10-01 · 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. WorldLine: Action-Driven Visual Simulation for Robotic Manipulation
- 主线: 仿真与评测（sim2real / 闭环） ｜ 证据:
[R]｜ 来源: arXiv 2609.38059 ｜2026-09-29 - 关键数字:
10,000 hours(“dynamics from more than 10,000 hours of action-free robot”) ·2,000 hours(“grounds them using over 2,000 hours of action trajectories”) ·74%(“predicts trajectory success with 74% mean accuracy across”) - 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: 真机评估候选策略成本高的团队可以关注：作者自报预测轨迹成功的平均准确率为 74%，或可用于先筛掉一部分候选行为；但这是预印本自报，只能当作筛选辅助，不能替代真机评测。
Real-world robot learning is constrained by the cost of collecting experience and evaluating candidate behaviors.
2. RoboFin3D: A Sim-to-Real Platform for Robotic Surface Finishing
- 主线: 仿真与评测（sim2real / 闭环） ｜ 证据:
[R]｜ 来源: arXiv 2609.37560 ｜2026-09-29 - 关键数字:
77.15%(“of unsanded regions from 77.15% to 84.47%”) ·84.47%(“regions from 77.15% to 84.47%”) ·97.41%(“and real training reaches 97.41%”) - 信号:
含量化指标·含真机实验 - 为什么重要
AI 起草: 研磨、打磨产线每次实物试验都要消耗工件；该预印本给出未打磨区域相关指标从 77.15% 到 84.47%，真机训练达到 97.41%，在把试验搬进仿真前，先读原文弄清每个数字衡量的是什么。
Grinding and sanding are fundamental processes in industrial robotic surface finishing. However, physical trials are expensive and consume workpieces, making reproducible experiments difficult.
3. Cooperative Multi-Agent Vision-Language-Action Models via Reinforced Fine Tuning
- 主线: 训练与自我改进（RL / 后训练） ｜ 证据:
[R]｜ 来源: arXiv 2609.36588 ｜2026-09-29 - 关键数字:
11 tasks(“and $π_{0.5}$ backbones across 11 tasks in RoboTwin”) - 信号:
含闭环成功率·含真机实验 - 为什么重要
AI 起草: 打算让多个 VLA 智能体协作完成任务的团队，该预印本把单智能体预训练视为主要障碍，并在 RoboTwin 的 11 个任务上尝试 RL 微调；页面未引用成功率，提升幅度需回原文核对。
We study reinforcement learning (RL) methods for cooperative multi-agent Vision-Language-Action (VLA) models. This problem is challenging because VLAs are pretrained on large-scale single-agent data and therefore lack the fine-grained…
4. Urgent Actions Go First: Urgency-Aware Denoising for Real-Time VLA Control
- 主线: 边缘与实时性（端侧推理 / 控制频率） ｜ 证据:
[R]｜ 来源: arXiv 2609.37772 ｜2026-09-29 - 关键数字:
1.89x(“achieves up to a 1.89x speedup in average”) - 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: 扩散或流匹配 VLA 的迭代去噪会吃掉控制预算；作者自报平均最高 1.89x 加速，但引文未说明硬件，放宽延迟预算前应在自己的控制器上实测。
Diffusion and flow-matching Vision-Language-Action (VLA) policies generate action chunks through iterative denoising, incurring substantial inference latency that severely limits real-time robotic control.
5. Innodata opens motion-capture lab to help humanoids move more like people
- 主线: 本体与供应链（硬件 / 成本） ｜ 证据:
[M]｜ 来源: The Robot Report ｜2026-09-30 - 信号:
含真机实验 - 为什么重要
AI 起草: 采购人形机器人动作数据的团队多了一个外部供应选项：据这篇二手报道，Innodata 用 Vicon 相机以亚毫米精度采集人体动作作为训练数据；签约前要问清这些数据如何映射到你的机器人本体。
Innodata uses Vicon cameras to measure movements with sub-millimeter accuracy and to collect real-world training data for robots.
6. Tackling construction labor shortages: ASI and SoftBank partner on autonomous fleets
- 主线: 系统与编排（长程 / 多策略） ｜ 证据:
[M]｜ 来源: The Robot Report ｜2026-09-30 - 为什么重要
AI 起草: 设备品牌混杂的施工方值得留意：报道称双方以 $225M 推动不限品牌的重型设备自动驾驶落地基础设施项目；这只是对合作的二手报道，现场可靠性尚无从判断。
ASI and SoftBank join forces with $225M to scale brand-agnostic autonomous heavy equipment across infrastructure projects.
7. 日立とファナックがフィジカルAI協業 日立エッジAI×ファナックロボ有効性も検証
- 主线: 边缘与实时性（端侧推理 / 控制频率） ｜ 证据:
[M]｜ 来源: MONOist (ITmedia) ｜2026-09-30 - 为什么重要
AI 起草: 以 FANUC 机械臂为主的工厂可能会多一个日立 AI 联合方案；但摘录只描述了战略合作与共同验证、共同推广，没有给出效果数据，做导入规划前先等验证结果。
日立製作所とファナックはフィジカルAI（人工知能）実装の共同事業化に向けた戦略的パートナーシップを締結した。日立のAI技術とファナックの産業用ロボットを組み合わせたフィジカルAIの共同実証と共同展開を推進する。
8. 从海拉鲁到现实世界：视频模型如何理解「变化」
- 主线: 基座模型（VLA / WAM） ｜ 证据:
[M]｜ 来源: 雷峰网 Leiphone ｜2026-09-30 - 为什么重要
AI 起草: 在评估视频模型能否充当世界模型的团队，这篇二手文章展示的是《塞尔达》中火焰沿草地蔓延这类游戏场景测试，属于定性的物理合理性，摘录未涉及机器人动作，不宜据此调整数据预算。
HiDream-O1-Video 的三场世界回应测试。在《塞尔达传说：旷野之息》中，玩家点燃一片草地，火焰会沿着草叶蔓延，热空气随之升起。
前沿基线（人工策展）
1. The reliability gap: industrial buyers want 95-99% uptime; most humanoids run 30-90 minutes
- 主线: 本体与供应链（硬件 / 成本） ｜ 证据:
[M]｜ 来源: robozaps / industry analyses ｜2026 - 关键数字:
95-99% expected uptime·30-90 min continuous operation·MTBI and autonomy rate are the metrics that matter - 信号:
含量化指标 - 为什么重要: 2027 的限速器大概率不是模型能力，而是平均干预间隔与认证空窗期。
2. GR00T N1.7: open reasoning VLA model for humanoid robots
- 主线: 基座模型（VLA / WAM） ｜ 证据:
[O]｜ 来源: NVIDIA / Hugging Face ｜2026 - 关键数字:
3B parameters·open weights - 为什么重要: 3B 级开放 reasoning VLA 让自建团队有了可微调、可部署的起点，而不必自研基座。
3. NVIDIA Jetson Thor: up to 2070 FP4 TFLOPS and 128 GB at 40-130 W
- 主线: 边缘与实时性（端侧推理 / 控制频率） ｜ 证据:
[O]｜ 来源: NVIDIA ｜2026 - 关键数字:
7.5x AI compute vs Orin·3.5x energy efficiency vs AGX Orin·Jetson T2000: 400 FP4 TFLOPS / 16 GB - 信号:
含量化指标·含延迟或控制频率 - 为什么重要: 端侧算力代际跳变给了世界模型和推理时计算空间，但实时预算依然要逐项实测。
4. Bringing a frontier world model to the convenience store: Telexistence’s DreamZero experiment on AWS
- 主线: 仿真与评测（sim2real / 闭环） ｜ 证据:
[O]｜ 来源: AWS Physical AI Blog ｜2026-09-09 - 关键数字:
14B world action model·best closed-loop 45%·real-data-trained run 0% in sim·MSE -55.6% from 1k to 2k steps·~583 ms/step on 8xB200·curation flagged 39.3% vs human 49.7% - 信号:
含量化指标 - 为什么重要: 把”前沿模型是否适合我的机器人”变成可测数字，并诚实记录了真机数据迁到仿真时的 0%——域差诊断本身就是交付物。
5. NVIDIA Cosmos 3: physical reasoning, world generation and action generation in one open model
- 主线: 基座模型（VLA / WAM） ｜ 证据:
[O]｜ 来源: NVIDIA Technical Blog ｜2026-08 - 关键数字:
single open model·Nano / Super / Edge variants - 为什么重要: 把物理推理、世界生成、动作生成合进一个开放模型，意味着”想象”和”动作”不再是两个栈。
6. Gemini Robotics 2 brings whole body intelligence to robots
- 主线: 基座模型（VLA / WAM） ｜ 证据:
[O]｜ 来源: Google DeepMind ｜2026 - 关键数字:
full humanoid control, feet to fingertips·bi-arm robots - 为什么重要: 全身控制进入通用 VLA 的能力清单，意味着上肢操作与下肢平衡不再被两套系统割裂。
主线分布 (近 7 天入选)
| 主线 | # |
|---|---|
| 基座模型（VLA / WAM） | 7 |
| 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） | 13 |
| 边缘与实时性（端侧推理 / 控制频率） | 7 |
| 安全、权限与合规 | 1 |
| 系统与编排（长程 / 多策略） | 4 |
| 本体与供应链（硬件 / 成本） | 12 |
近期节奏
- 来源构成 (近 7 天入选):
[O]3 ·[R]30 ·[M]19 - 最近各轮入选条数: 09-25 8 · 09-26 8 · 09-27 8 · 09-28 4 · 09-29 8 · 09-30 8 · 10-01 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。