UniT：从人类到人形机器人的统一物理语言框架
2026年4月24日 · 2026-04-24
技术进展
UniT：从人类到人形机器人的统一物理语言框架
- 发生了什么：2026年4月21日，XPENG Robotics联合清华大学、香港大学在arXiv发布UniT（Unified Latent Action Tokenizer via Visual Anchoring），提出通过视觉锚定建立跨形态统一物理语言，同时支持策略学习和世界建模。
- 关键技术：UniT采用三分支交叉重构机制——动作预测视觉以锚定运动学到物理结果，视觉重构动作以过滤无关干扰，融合分支将两种纯化模态编码到共享离散潜空间。在策略学习（VLA-UniT）上，通过预测统一token实现从人类数据到人形机器人的零样本任务迁移；在世界建模（WM-UniT）上，以统一token为条件实现人→人形机器人动作迁移。在RoboCasa GR1基准上，VLA-UniT以66.7%总成功率超越FLARE达11.7个百分点；在真实IRON-R01-1.11人形机器人上，加入人类数据共训练后Pick & Place达78%、Pouring达75%，并展示了零样本任务迁移。
- 对比与影响：人形机器人基础模型受限于机器人数据稀缺，但人类数据丰富。UniT的核心洞察是异构运动学共享一致的视觉物理后果，通过交叉重构提取形态无关的物理意图。t-SNE证实人类与人形机器人特征收敛到共享流形。代码已开源（xpeng-robotics/UniT）。
- 可复现性：代码和论文均已公开。
来源：arXiv（https://arxiv.org/abs/2604.19734）
EmbodiedMidtrain：桥接视觉语言模型与视觉语言行动模型的中间训练方法
- 发生了什么：2026年4月23日，arXiv发布论文《EmbodiedMidtrain》，提出一种在VLM预训练与VLA微调之间插入中间训练阶段的方法。
- 关键技术：研究者先刻画了VLM与VLA的数据分布差距——VLA数据占据紧凑区域且高度分离于VLM分布。EmbodiedMidtrain用轻量级可学习邻近性估计器从大规模VLM池中筛选最VLA对齐的候选，然后进行中间训练。在三个机器人操作基准上，不同VLM骨干的VLA性能获得一致提升，与更大规模模型和更大预算的专家VLA相竞争。增益从训练最早期出现并持续扩大。
- 对比与影响：多数VLA直接使用现成VLM而未经具身适配。EmbodiedMidtrain是低成本高收益的标准化预适配流程。代码、数据和模型将开源。
- 可复现性：论文承诺发布所有代码、数据和模型。
来源：arXiv（https://arxiv.org/abs/2604.20012）
VTouch++：基于视觉触觉增强的双臂操作多模态数据集
- 发生了什么：2026年4月22日，arXiv发布论文《VTouch++》，提出VTOUCH数据集，利用基于视觉的触觉传感为双臂操作提供高质量物理交互信号。
- 关键技术：采用矩阵式任务设计实现系统化学习，通过自动化数据采集管道覆盖真实场景。在跨模态检索和真实机器人评估上验证，并展示了多机器人、多策略、多任务泛化能力。
- 对比与影响：双臂接触丰富操作因缺乏高质量物理交互信号数据集而进展缓慢。VTOUCH填补空白，自动化采集管道可扩展至大规模数据生成。
- 可复现性：论文未明确提及代码发布。
来源：arXiv（https://arxiv.org/abs/2604.20444）
HELM：面向VLA长时程操作的长时记忆与恢复框架
- 发生了什么：2026年4月20日，arXiv发布论文《HELM》，揭示VLA模型在长时程操作中的系统性失败模式并提出解决方案。
- 关键技术：HELM是模型无关框架，含三个学习组件：情景记忆模块（EMM）通过CLIP索引关键帧检索历史；状态验证器（SV）在执行前预测动作失败；框架控制器（HC）执行记忆回滚与重规划。在LIBERO-LONG上，HELM将OpenVLA成功率从58.4%提升至81.5%（+23.1pp），而单纯延长上下文窗口至H=32仅提升5.4pp。
- 对比与影响：揭示了三个结构性失败模式（记忆缺口、验证缺口、恢复缺口），为VLA长时程部署提供了可行方案。
- 可复现性：附带LIBERO-Recovery协议，未明确代码是否开源。
来源：arXiv（https://arxiv.org/abs/2604.18791）
产品
Sony AI乒乓球机器人Ace登Nature封面，首次击败人类职业选手
Tesla Q1 2026财报：聚焦Optimus机器人，开支因AI和机器人大幅增长
生态
Tesla披露20亿美元AI硬件公司收购协议
AGIBOT发布新代具身AI机器人及基础模型，宣布2026为规模化部署元年
