中兴通讯在ICRA 2026上推出RealMirror平台，旨在降低具身智能研发成本。该平台集成数据采集、模型训练和评测，支持人形机器人VLA算法的标准化评测，并通过高保真仿真环境实现零样本Sim2Real迁移，推动具身智能研究的普及。

光轮智能通过自研仿真基础设施，解决了具身智能时代的数据问题，推动仿真技术与产业结合。其“测量、生成、求解”方案提升了Sim2Real的可靠性，并建立了全球最大的遥操数据采集工厂和RL训练平台，助力具身智能发展。

银河通用推出的DexNDM灵巧手神经动力学模型，实现了手掌任意朝向的物体旋转，突破Sim2Real鸿沟，能够精准操控多种物体，推动机器人从简单抓取向精细操作转变，提升生产力。

银河通用推出的DexNDM灵巧手神经动力学模型，实现了手掌任意朝向的稳定旋转，具备拧螺丝和使用工具的能力，突破了Sim2Real鸿沟，提升了机器人的操作能力，推动灵巧操作向工业应用发展。

光轮智能与NVIDIA将于10月9日凌晨0点直播，讨论Sim2Real技术突破及合作进展，分享机器人和AI领域的趋势与商业化路径。

机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

VideoMimic是一种通过单目视频学习人类动作并转化为类人机器人控制策略的方法。该系统能够重建人类及其环境，训练机器人在不同场景中自主执行动作，如上下楼梯和坐下。研究表明，VideoMimic在多样化环境中表现出良好的鲁棒性，未来将扩展应用以实现更复杂的人机交互。

本研究提出了SplatSim框架，用高斯点云替代传统网格表示，减小了Sim2Real间的差距。实验结果显示，在SplatSim中训练的操作策略以86.25%的成功率在现实世界中实现零-shot部署。

本文探讨了基于深度学习的航天器姿态估计技术，包括单图像6DOF姿态估计方法、卷积神经网络架构、数据集构建及优化技术。研究表明，合成数据与真实数据结合训练能显著提升算法性能，尤其在自主交会和对接操作中具有重要应用价值。

本文介绍了基于云平台的材料科学机器学习工具包，旨在通过数据共享和后处理提取新特性。重点分析了Open MatSci ML工具包、M2Hub和MatSci ML基准等，探讨了不同机器学习技术在材料科学中的应用及其性能，特别是转移学习和外推模型在新材料发现中的潜力。

本文探讨了在模拟环境中学习机器人操作策略的方法，采用深度图像数据的随机扩增和图像到语义翻译技术，解决了视觉控制代理的学习困难。研究提出了有效的策略传递方法，降低了人工注释成本，并在机器人抓取和控制任务中取得了显著成果，验证了从模拟到现实的策略迁移效果。

本文介绍了一种基于强化学习的人型机器人遥操作框架，利用RGB摄像机实现实时全身动作控制。通过仿真训练和数据集创建，机器人能够在真实场景中执行多种动态动作，如行走和挥手。此外，研究提出了HumanoidBench基准，以促进人型机器人算法的快速验证，并展示了强化学习与模仿学习的互补优势。

本文综述了基于扩散模型的姿态估计研究，涵盖物体6D姿态、人体姿态和相机姿态估计。这些方法利用得分扩散、逆扩散和条件生成建模，提升精度并约束不确定性，在REAL275、Human3.6M等基准上达到先进水平，同时减少真实数据依赖并适应新类别。

该文综述机器人从仿真到现实（sim2real）的导航与迁移研究，提出Habitat-PyRobot Bridge评估工具及Sim-vs-Real相关系数，并介绍对抗特征调整、鸟瞰图中间表示、双向域适应、反向动作变换、动力学随机化等方法，支持零样本或少量样本迁移，最高提速约120倍；视觉语言导航在办公室实测成功率为46.8%。

该研究使用Diffusion模型解决视觉触觉传感器中的Sim2Real差距，通过对抗过程对两个领域的特征进行对齐训练分类器，取得了81.9%的总体准确率。同时，分类器在触觉数据的6D物体位姿估计任务上也进行了验证。

该文介绍了一种名为 DUSA 的无监督 sim2real 领域适应方法，用于解决车联网的协作感知问题。该方法分解为 sim2real 领域适应和协同代理适应两个子问题，并设计了 LSA 和 CIA 模块来解决。实验证明了该方法的有效性。

该文介绍了一种自我监督的域自适应方法，适用于仅有标注源领域数据但目标领域数据完全无标注的情景。作者使用了分割基础模型来获得未标注数据的部分信息，并提出了一种对目标域中检测到的分割区域进行正则化特征表示的不变性方差损失结构。作者在两个数据集上展示了该方法的优势，并显示出它优于之前的方法，甚至优于使用真实注释进行训练的网络（在其中一个数据集上）。