动易科技完成亿元级天使++轮融资，累计融资超2亿元，推动“Robot for AI”战略落地。公司专注全栈自研技术，推出多款智能机器人，并与多家企业合作，融资将加速产品规模化与全球布局。

摘要：本文探讨如何利用人类视频数据训练通用机器人策略，提出通过多样化VLA预训练实现人机动作自然对齐的方法。研究发现，随着预训练数据多样性的提升，模型能形成与具身形式无关的表征，实现跨形体技能迁移。具体方案包括：采用头戴/腕部摄像机采集人类动作数据，通过3D手部轨迹预测末端执行器动作，结合子任务语言标注进行联合训练。相比传统需要显式对齐的方法，该方案更具通用性，为具身智能的工业落地提供了新思...

本文介绍了G0双系统模型，结合视觉-语言-动作（VLA）与多模态规划，提出Galaxea开放世界数据集，旨在提升机器人在复杂任务中的自主感知与执行能力。该数据集包含500小时高保真数据，涵盖150个任务，确保数据一致性与可靠性。G0模型通过三阶段训练策略优化机器人性能，推动具身模型的发展。

本研究探讨了共享工作空间中机器人故障对群体性能的影响，提出了一种通过物理接触提高恢复效率的“主动接触响应”（ACR）技术。

本文探讨了Hi Robot的背景及其在具身智能中的应用。Hi Robot结合视觉语言模型（VLM）进行高层推理，处理复杂指令和反馈，提升机器人任务执行能力。通过合成数据和用户交互，Hi Robot展现出比传统系统更强的灵活性和适应性。

本研究提出了一种新颖的视觉-语言-动作架构OPAL，解决了机器人控制中的因果理解缺失问题。实验结果表明，OPAL在复杂操作任务上优于传统方法，显著提升了零样本性能，并减少了42%的推理计算需求。

本研究提出了一种神经符号方法，旨在解决机器人在复杂环境中与人类互动时的不确定性问题，从而提升社交导航能力，具有重要的应用潜力。

本研究提出了一种主动学习示范算法，解决了传统离线示范在政策迁移中的协方差偏移问题。实验结果表明，该方法在机器人场景中显著提升了政策迁移的成功率和样本效率。

本研究提出了一种增强时间感知和任务完成感的方法，以应对预训练视觉表征（PVRs）在视觉-运动机器人学习中的挑战，显著提升了在分布外场景中的鲁棒性和机器人学习性能。

YAY-robot系统通过自然语言反馈提升机器人训练，结合低级行为与高级策略，适应人类的纠正，增强机器人在复杂任务中的自主性，并通过实时语言指令进行动态调整，持续优化性能。

本研究提出了一种新颖的PDZSeg模型，旨在解决内镜手术中因组织类型边界模糊导致的分解区分割问题。该模型通过多种视觉提示优化分割性能，研究结果表明其优于现有方法，为未来研究奠定了基础。

本文探讨了人机对话中的语义表示，提出了对话-AMR注释和多层对话结构注释模式，以揭示发言者间的语义关联，最终实现物理机器人与人类的双向对话与导航。

本研究提出了VidMan框架，旨在解决机器人操控中的数据利用不足问题。通过两阶段训练机制，显著提高了预测精度，在CALVIN基准测试中相比现有模型提升了11.7%。

本研究提出了聚类式联邦学习框架Fed-EC，解决了传统模型在不同环境中的应用不均问题。该框架显著降低了通信带宽需求（减少23倍），在导航任务中表现优于局部学习，且与集中式学习相当。

本研究提出了一种新框架，通过连续奖励值更新机器人对人类信任的估计，消除了手动设计奖励函数的需求，显著提高了信任估计的准确性，推动了智能机器人的发展。

本研究提出了一种新方法，解决机器人故障解释中的一致性问题。通过调整多模态解释逻辑，使其更易理解。实验表明，微调的神经网络在一致性评估中表现良好，帮助非专业用户了解机器人的能力和局限性。