Physical/Embodied Intelligence
范围说明
Physical/Embodied Intelligence 关注智能体如何在真实世界中感知、规划并执行动作，核心问题是把数据、模型、控制器与物理约束连接成稳定闭环。
关键问题
- 数据、模型、控制器三者怎样形成稳定闭环？
- sim2real 的主要瓶颈是数据覆盖还是策略表达？
- 世界模型怎样才能真正为行动和规划服务？
综述
机器人策略中的力觉与触觉：从信号语义到闭环控制
综合十八篇材料，按力/触觉信号的角色、坐标语义和时间尺度重整机器人策略路线：传感与采集、表示与适配、执行期反馈、事件记忆与后果预测，以及由低层控制器落实的力位与柔顺接口。
打开综述
机器人 RSI：数据、想象、程序、技能与系统策略
综合 EmbodiRSI、RISE、HarnessPAI、RoboRSI、RoboFoundry 五篇材料，把机器人递归自我改进拆成经验生成、失败归因、候选更新、验证发布和部署复用五个环节，并比较数据、想象环境、可执行程序、技能库和系统策略五类更新对象。
打开综述
当前 VLA 路线图：基座、可控性、在线精修、记忆与人类数据
如果只看单篇论文，很容易觉得大家都在“继续做更强的 VLA”。但把 OpenVLA、π0.7、RLT、MEM、Human-to-Robot Transfer、DexImit 放在一起，会看到这条路线其实已经分化成六个相互关联的问题： 1. VLA 基座如何开放、可训、可部署 2. heterogeneous data 如何变成可控能力 3. 通才策略如何继续被打磨到 specialist 级精度 4. 分钟级任务如何通过 memory 真正支撑起来 5. 人类数据何时开始能真正被机器人利用 6. 人类视频如何被显式编译成机器人可训练数据 这说明当前 VLA 研究已经不再只是单点模型设计，而是在演化成一套完整系统栈。
打开综述
主题路线
查看全部主题
Long-Horizon Memory for Robot Policies
这条主题关注机器人策略如何处理分钟级任务。关键不是更多帧，而是多尺度记忆：哪些信息应该保留为短期视觉痕迹，哪些应该抽象成长期语义状态。
打开主题
Vision-Language-Action
VLA/WAM 从开放基座、多源数据、在线精修和长时程记忆，继续扩展到新感官模态、隐式空间表征对齐、几何世界建模、模块化世界—动作预训练、训练期物理模态蒸馏、动作接触后果预测与执行期闭环。
打开主题
Online RL for VLA
这条主题关注 VLA 预训练之后的在线适配。核心问题不是“VLA 能不能泛化”，而是“当真实机器人需要更高精度、更高速度时，怎么以较低样本成本继续优化它”。
打开主题
Robot Self-Improvement
关注机器人如何根据自身 rollout 失败改进数据采集、技能代码和长期能力库，并检验这种递归改进能否跨场景、跨轮次、跨调用者稳定延续。
打开主题
Contact-Rich Manipulation and Adaptive Compliance
接触密集操作中的运动—力联合学习路线：如何从示范、实时反馈、关节力矩、训练期力蒸馏、力域动作或动作后果预测获得任务相关接触表示，并在安全接触、轨迹精度、硬件成本、快速响应与控制带宽之间动态权衡。
打开主题
最近材料
查看全部材料
Phoenix（MWA™-Phoenix）: Scaling Robotic Manipulation through Visual and Interaction Representations
无界动力开源的 MWA™-Phoenix 是目前综合榜单表现最强的开源机器人世界动作模型（WAM）基座：约 6B 联合视频—动作骨干，仅 RGB 输入、不用深度真值，在 LIBERO-Plus、LIBERO-Pro、RoboCasa-GR1、RoboTwin 2.0 C2R、Bench2Dex、RoboDojo 真机六项各有侧重的评测上同时登顶或最优。真正值得记住的不是单点分数，而是它把“几何+时序双教师蒸馏的视觉表征”“运动与触觉共同编码的交互潜变量（ILA）”“视触觉世界模型里的 GRPO 强化学习（PhysCanvas）”连成了一条从大规模预训练到真机精细操作的完整链路，且预训练数据全部来自开源数据集、代码与权重开放。对关注 WAM 预训练配方、接触操作和“世界模型内 RL”的读者，这是当前最完整的开源参照系。