Physical AI 前沿雷达 · 2026-10-13
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:
2026-10-12 23:40 UTC - 统计窗口:
论文 2026-10-09 → 2026-10-13 · 博客与报道 2026-09-13 → 2026-10-13 · 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. AutoBio+: Benchmarking Dexterous Manipulation with Dynamic Experimental Phenomena in Realistic Laboratories
- 主线: 仿真与评测（sim2real / 闭环） ｜ 证据:
[R]｜ 来源: arXiv 2610.13643 ｜2026-10-09 - 关键数字:
14 tasks(“AutoBio+ comprises 14 tasks across 4 robot”) - 信号:
含闭环成功率·含真机实验 - 为什么重要
AI 起草: 做生物实验室自动化的团队可以拿它当上台前的评测集：14 tasks 覆盖 4 种机器人，考的是真实视觉条件下的灵巧工具操作与动态实验现象；页面带真机与闭环信号，但属作者自报。
Automating biological laboratories requires robots to perform dexterous tool interactions under realistic visual conditions while handling dynamic experimental phenomena, presenting significant challenges for robotic manipulation.
2. Forward Dynamics Models
- 主线: 基座模型（VLA / WAM） ｜ 证据:
[R]｜ 来源: arXiv 2610.13117 ｜2026-10-09 - 关键数字:
99.4%(“achieving a state-of-the-art 99.4% average success rate”) ·13%(“gains of up to 13% over VLA and”) - 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: 在 VLA 与世界动作模型之间选骨干时，这篇预印本把前向动力学模型作为第三条路，自报平均成功率 99.4%、相对 VLA 等基线最高提升 13%；页面未写明基准，换栈前需自行复测。
Vision-language-action (VLA) models and world action models (WAMs) have advanced robotic policy learning by building on pretrained vision-language models (VLMs) and video generative models (VGMs), respectively.
3. Evo-RL: Iterative Robot Reinforcement Learning from Selective Experience
- 主线: 训练与自我改进（RL / 后训练） ｜ 证据:
[R]｜ 来源: arXiv 2610.13345 ｜2026-10-09 - 关键数字:
1,000 hours(“which spans over 1,000 hours across four robot”) - 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: 若你的真机 RL 流程靠人工纠正加自主 rollout，这篇预印本主张有选择地复用经验做迭代，页面提到跨四种机器人的 1,000 hours 以上规模且有开放发布信号，可先拿开源部分在自家平台验证。
Existing real-world reinforcement learning methods improve robot policies by combining human corrections with autonomous rollouts.
4. 3D Gaussian Splatting in practice: Industry use cases
- 主线: 仿真与评测（sim2real / 闭环） ｜ 证据:
[O]｜ 来源: AWS Physical AI Blog ｜2026-10-06 - 为什么重要
AI 起草: 搭建照片级仿真场景时，AWS 认为 Gaussian Splatting 已把真实感 3D 的成本和复杂度降到可用于近实时采集、机器人与仿真；这是厂商一手立场，页面没有数字，也没有仿真到真机的验证。
Gaussian Splatting is dramatically lowering the cost and complexity of photorealistic 3D, making once impractical use cases like near real time capture, robotics, and simulation viable across media, construction, manufacturing, and real…
5. Closing the reality gap: Why real-time execution has become the new competitive advantage
- 主线: 边缘与实时性（端侧推理 / 控制频率） ｜ 证据:
[M]｜ 来源: The Robot Report ｜2026-10-12 - 信号:
含延迟或控制频率 - 为什么重要
AI 起草: 评估自动化系统的运营方可留意：报道引述 Daifuku 的 Cecile Dick-Calmes，称成功已不只看自动化密度或设备利用率；属二手观点，页面没有给出实时执行的具体数字。
Daifuku’s Cecile Dick-Calmes said success is no longer measured solely by automation density or equipment utilization.
6. 费莫一刘念邱：智驾无图的经验，也能迁移到机器人 | 物理AI 50人
- 主线: 本体与供应链（硬件 / 成本） ｜ 证据:
[M]｜ 来源: 雷峰网 Leiphone ｜2026-10-12 - 为什么重要
AI 起草: 在考虑把自动驾驶的无图方案搬到机器人上的团队，可把这篇当作一位非实验室、非近两年入局创业者的经验之谈来读；它是人物专访，页面没有数据或部署证据支撑这种迁移。
刘念邱很难被归进典型的具身创业者模板里。 他不是从机器人实验室出来的学者，也不是过去两年才进入 Physical AI 的连续创业者。
7. 产业出题，科技答题：2026 IEIC国际具身智能技能大赛，用真实岗位任务考核机器人落地能力
- 主线: 数据引擎（采集 / 清洗 / scaling） ｜ 证据:
[M]｜ 来源: 雷峰网 Leiphone ｜2026-10-12 - 为什么重要
AI 起草: 想要第三方真实岗位考核的人形机器人团队，可关注 10月23日至25日在上海举行的检阅赛，它被置于工信部与国务院国资委的实景实训专项行动之下；目前只是赛事预告，尚无成绩。
实景比拼赋能科创，助力人形机器人技术规模化落地！ 编辑丨李希 为深入贯彻落实工业和信息化部、国务院国资委《 2026年度人形机器人与具身智能实景实训专项行动》部署，加快推动我国机器人与具身智能技术创新突破与规模化落地，国际具身智能技能大赛检阅赛将于2026年10月23日至25日在上海举行。
8. 百度世界2026将于11月12日在北京举办，主题为「下一幕，智能组织」
- 主线: 训练与自我改进（RL / 后训练） ｜ 证据:
[M]｜ 来源: 雷峰网 Leiphone ｜2026-10-12 - 为什么重要
AI 起草: 对机器人开发者而言目前没有可据以行动的内容：摘录只有大会日期、北京国家会议中心二期的场地和售票信息，未提及机器人或训练方面的议题，等议程公布再看。
10月12日，百度官方宣布，百度世界2026将于11月12日在北京·国家会议中心二期举办。目前，大会官网已开启售票通道（https://baiduworld2026.events.net.cn/tickets）。
前沿基线（人工策展）
1. 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。
2. 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。
3. RoboWorld: fast and reliable neural simulators for generalist robot policy evaluation
- 主线: 仿真与评测（sim2real / 闭环） ｜ 证据:
[R]｜ 来源: arXiv 2607.01060 ｜2026 - 关键数字:
closed-loop rollouts in a video world model·VLM judge·rankings strongly correlated with real-world eval - 为什么重要: 如果世界模型里的排名能对齐真机排名，评测预算就从人力工时转向 GPU 小时——但真机抽检仍不可取消。
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. 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。
6. RoboTTT: context scaling for robot policies via test-time training
- 主线: 边缘与实时性（端侧推理 / 控制频率） ｜ 证据:
[R]｜ 来源: arXiv 2607.15275 (NVIDIA) ｜2026-07-16 - 关键数字:
8K timestep visuomotor context·3 orders of magnitude beyond prior policies·no inference-latency growth - 信号:
含延迟或控制频率 - 为什么重要: 长上下文进入策略而不加延迟，意味着”一次演示即学会”和在线改进可以放在同一次推理里。
主线分布 (近 7 天入选)
| 主线 | # |
|---|---|
| 基座模型（VLA / WAM） | 10 |
| 数据引擎（采集 / 清洗 / scaling） | 6 |
| 训练与自我改进（RL / 后训练） | 5 |
| 仿真与评测（sim2real / 闭环） | 14 |
| 边缘与实时性（端侧推理 / 控制频率） | 7 |
| 安全、权限与合规 | 2 |
| 系统与编排（长程 / 多策略） | 1 |
| 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]1 ·[R]36 ·[M]19 - 最近各轮入选条数: 10-07 8 · 10-08 8 · 10-09 8 · 10-10 8 · 10-11 8 · 10-12 8 · 10-13 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。