每日論文雷達｜2026-08-26 · 888每日論文雷達 -- Embodied AI

今日概況

日期：2026-08-26
主題：具身智慧（Embodied Intelligence）
收錄與篩選統計：
- 檢索來源總抓取量：710 篇（包含 arXiv cs.AI 250 篇、arXiv cs.CV 250 篇、arXiv cs.RO 102 篇、HuggingFace 100 篇、arXiv keyword 8 篇；Paperswithcode 0 篇、alphaxiv 0 篇）。
- 去重後總數：631 篇。
- 時間窗口（自 2026-08-22 起）候選篇數：564 篇。
- 扣除已處理篇數（235 篇）後新候選：329 篇。
- 關鍵字匹配並入選精選清單：28 篇（今日報告聚焦前 10 篇代表性研究）。

Must-Read

依據系統設定評分門檻（Must-Read $\ge 80$），本日候選論文優先度分數最高為 50.0，故本日無達到 Must-Read 門檻之論文。

Highly Relevant

1. Hierarchical Skill Retrieval for Data-Efficient Adaptation of Vision-Language-Action Models

作者：Haoran Hao, Shahram Najam Syed, Jeff Schneider, Jeffrey Ichnowski
連結：https://arxiv.org/abs/2608.24042
來源：arxiv_cs.RO, arxiv_cs.AI, arxiv_keyword
重點與關聯：大型機器人數據預訓練的 Vision-Language-Action (VLA) 模型在面對示範資料有限的新任務時容易出現效能退化。現有透過檢索（Retrieval）重用示範資料的方法多依賴視覺相似度、狀態-動作表示或任務級語言比對，容易忽略長程操作任務的階層結構（完整任務匹配少見，但可重用技能常見）。本研究提出階層式技能檢索機制，用以提升 VLA 模型在新任務適應上的資料效率。 （註：具體評估數據與架構細節在輸入摘要中資料未提供）

2. PonderPounce: A Pretrained MLLM as an Episode Context Engine for Robot Control

作者：Suhwan Choi, Jaeyoon Jung, Sungkyung Kim, Yunsung Lee, Youngjae Yu
連結：https://arxiv.org/abs/2608.24115
來源：arxiv_cs.RO, arxiv_cs.AI
重點與關聯：多模態大型語言模型（MLLM）具備整合長視覺歷史與部分可觀測環境下推理的能力，但傳統 VLA 往往僅繼承其預訓練表示，未直接將其上下文能力視為 Episode 記憶。本研究提出 PonderPounce 架構，直接將 MLLM 原生的因果上下文（Causal Context）作為機器人記憶庫，由 System 2 MLLM（Ponder）在原生因果上下文中累積觀察、示範與先驗認知，以提供控制決策支援。 （註：下游控制介面與實驗表現數據在輸入摘要中資料未提供）

3. Do Robotic World Models Really Follow Actions? Diagnosing and Aligning Action-Conditioned Generation for Policy Learning

作者：Sixiang Chen, Jiaming Liu, Jixian Wu, Yichen Guo, Tinghao Wang
連結：https://arxiv.org/abs/2608.24885
來源：arxiv_cs.RO, arxiv_cs.CV
重點與關聯：動作條件世界模型常作為策略評估與改進的模擬器，但其核心假設——「生成的未來能忠實反映任意有效動作」——在非專家（off-expert）動作上缺乏驗證。論文提出診斷基準 WorldEcho，透過視覺完整性與 $\mathrm{SE}(3)$ 軌跡對齊來評估廣泛動作分佈下的動作遵循能力。診斷顯示現有世界模型在專家示範上表現合理，但在非專家動作跟隨上存在顯著缺口。 （註：具體對齊演算法與量化指標在輸入摘要中資料未提供）

4. Gripper-aware Vision Language Action Models

作者：Hanyi Zhang, Zihong Luo, Tianyu Li, Khang Nguyen, Basu Hela
連結：https://arxiv.org/abs/2608.24603
來源：arxiv_cs.RO, arxiv_keyword
重點與關聯：現有 VLA 模型多數隱式假設「夾爪不變性（gripper invariance）」，且訓練資料以平行夾爪為主。然而抓取策略高度依賴具身硬體（如平行夾爪與吸盤在相同任務下需要完全不同的交互軌跡）。本研究針對此限制探討感知夾爪型態（Gripper-aware）的 VLA 模型構建，避免單一具身設定導致泛化能力受限。 （註：模型設計與測試基準細節在輸入摘要中資料未提供）

5. Syn2RealTrack: Bridging the Gap Between Synthetic and Real-World Datasets for Online Multi-View Multi-Target Tracking

作者：Duong Nguyen-Ngoc Tran, Ngoc Doan-Minh Huynh, Cu Quoc Le, Hoang-Khang Nguyen, Long Hoang Pham
連結：https://arxiv.org/abs/2608.24130
來源：arxiv_cs.AI, arxiv_cs.CV
重點與關聯：在倉儲等場景的多視角 3D 感知中，合成至真實（Sim-to-Real）差距常破壞地面定位與跨相機 ID 關聯。本研究反對將該差異交由單一領域適應模組吸收的傳統做法，指出落差主要拆解於三個獨立點：相機校正、物體形狀先驗以及對物體總數已知的假設，並據此提出線上多視角多目標追蹤管線 Syn2RealTrack 進行分點修正。 （註：追蹤精確度指標與實驗設置在輸入摘要中資料未提供）

6. Resilience Matters for Embodied Agents System: New Metrics, Systematic Evaluation, and Optimization

作者：Yapeng Liu, Yuanzhao Zhai, Xudong Gong, Dawei Feng, Bo Ding
連結：https://arxiv.org/abs/2608.23839
來源：arxiv_cs.RO, arxiv_cs.AI
重點與關聯：指出具身代理系統（EAS）過往依賴結果導向指標（如成功率、安全評分）會掩蓋執行過程中的動態行為，忽略了系統在擾動下恢復、穩定與自我擴展的「韌性（Resilience）」。文章針對 EAS 提出新的韌性指標、系統化評估方法與優化方向。 （註：指標公式與具體優化演算法在輸入摘要中資料未提供）

Interesting

1. Fiber Optic Sensing Glove for High Performance Dexterous Manipulation Capture

作者：J. D. Peiffer, Taylor Niehues, Li Guan, Ziyi Kou, Ergys Ristani
連結：https://arxiv.org/abs/2608.24572
來源：arxiv_cs.RO
重點：針對靈巧手操作捕捉中視覺易遮蔽、傳統感測手套易受磁場干擾與飄移的問題，開發採用多芯形狀感測光纖（Multi-core shape-sensing fibers）的感測手套，直接重建光纖的完整 3D 形狀而非僅測量曲率，並搭配註冊與逆運動學管線進行全手姿態追蹤。

2. CARO: Contact-Agnostic Residual Observation for Zero-Shot Robust Quadruped Locomotion

作者：Zihan Yang, Shixuan Han, Kexin Guo, Xiang Yu
連結：https://arxiv.org/abs/2608.24217
來源：arxiv_cs.RO
重點：針對四足機器人運動控制，提出在 RL 控制迴路中嵌入固定基座 Euler-Lagrange 模型以構建力矩級殘差觀測（Residual Observation）。該方法無需力矩感測器、顯式接觸估計或基於視覺的浮動基座位置與速度測量，藉由擾動觀測器提取動態不匹配訊號以達成線上適應。

3. TrAct: Bridging Robot Control and Visual Prediction with Visual Tracks

作者：Zhi Cao, Howard Ji, Kevin Zhang, Kuangzhi Ge, Li Fei-Fei
連結：https://arxiv.org/abs/2608.24101
來源：arxiv_cs.RO
重點：指出機器人動作具備強烈的本體特異性且與圖像視覺變化對齊較弱，限制了世界模型的條件生成能力。論文提出以視覺軌跡（Visual Tracks）作為跨具身通用表示與中間介面，連結控制與未來視訊預測。

4. From Seeing to Acting: Smart Glasses as First-Person Intelligence Platforms

作者：Jiangning Zhang, Haojun Chen, Yong Liu
連結：https://arxiv.org/abs/2608.24877
來源：arxiv_cs.CV
重點：針對智慧眼鏡從單純顯示配件轉變為第一人稱具身智慧平台的研究現況進行綜述，梳理結合穿戴者視覺、聽覺、動作與人機/物體互動的架構與挑戰（如功耗、散熱與隱私限制）。

Idea Sparks

觀察一：世界模型中的「控制訊號表示」瓶頸與中介化趨勢

世界模型在機器人領域面臨兩個極端難題：一方面如 Chen et al. 所指出的，傳統直接以機器人底層動作為條件的世界模型在非專家動作分佈上嚴重失效（無法忠實反映真實動態）；另一方面如 TrAct 所述，低階動作與像素變化的弱對齊阻礙了生成泛化。將控制訊號轉換為「具身無關的幾何/軌跡特徵（如 Visual Tracks）」或改進評估基準（如 WorldEcho），代表社群正嘗試重構世界模型的介面。

後續問題：能否將 Visual Tracks 作為動作空間，構建一個雙層世界模型——上層預測物體與關鍵點的幾何流動，下層再結合具體硬體逆運動學，以緩解非專家動作下的幻覺問題？

觀察二：具身先驗從「黑盒泛化」轉向「本體解耦（Embodiment Disentanglement）」

現有 VLA 模型常假設統一的觀察與動作映射，但近期研究開始反思這種過度抽象。Gripper-aware VLA 指出夾爪類型對操作邏輯的根本影響，Syn2RealTrack 將 Sim-to-Real 的落差精確拆解至感測幾何與先驗假設，而 CARO 則透過動力學模型殘差隔離接觸不確定性。

後續問題：在多任務 VLA 預訓練中，顯式引入夾爪結構與接觸力學先驗（如透過條件 Prompt 或模組化頭部），是否比單純增加示範數據更能提升對異質末端執行器的零樣本遷移能力？