BrickWright: 基于智能体的物理可行积木构建框架
研究人员提出BrickWright框架，使用预训练智能体从文本或图像提示生成物理可行的积木构建。该框架通过BrickLayer工具包提供积木组装API和物理可行性验证，使智能体在512个提示样本上达到100%的物理有效性，同时保持提示遵循性。代码已在项目页面公开。
推荐理由：通过代码工具将AI智能体从虚拟建模引导至物理可行性验证，100%成功率揭示了具身智能的工程化路径。
#具身智能科技财经热点 · 每日精选
自动盯住上百个信源，用模型摘要、打分、精选，把同一件事的多篇报道归到一起，每天早上出一份日报。聚焦机器人、AI 与财经投资。
今日脉搏
具身智能专栏 →417今日入库
6 条进入精选
45/47 信源在线· 2 异常
近 14 天入库走势
近 7 天分类构成
行业 1301财经 1142硬件本体 876AI 产品 752AI 模型 263其他 387
HuggingFace Daily Papers精选AI 评分6565 arXiv · cs.RO精选AI 评分6565 Point-Level Refinable Semantic Mapping for Spatial Understanding
本文提出了一种在线可细化语义映射框架，通过概率点级置信度更新持续优化物体表示，在Replica和ScanNet数据集上分别提高了3.46%和2.55%的映射精度，并在物体导航和具身问答任务中取得了82.4%和76.7%的成功率。
推荐理由：通过概率点级置信度更新，让语义地图能持续修正而非单调累积，解决了动态环境中感知误差累积问题。
arXiv · cs.RO精选AI 评分6565 SCOPE：基于规划错误修正优化的机器人长期规划场景图构建方法
Chaoyue Li提出SCOPE框架，通过规划错误反馈修正场景图，解决了机器人长期规划数据集生成中的物理一致性问题。实验表明，使用SCOPE生成的数据微调LLM，相比DELTA方法在任务成功率上提升12.33%。该研究已被IROS 2026接受。
推荐理由：通过规划错误反馈修正场景图，解决了机器人长期规划数据集生成中的物理一致性问题，为LLM在机器人任务规划中的微调提供了新思路。
HuggingFace Daily Papers精选AI 评分7575 从舰队经验中学习：一种机器人的集体学习范式
研究提出集体经验学习(CEL)范式，通过失败引导的经验检索微调(FERT)和容错异步训练系统(FATS)，使部署中的机器人共享执行经验改进共同策略。在五个真实操作任务中，策略成功率高达93.3-99.2%，96台机器人在手机包装任务中成功率从79.2%提升至98.3%。
推荐理由：通过机器人共享执行经验提升策略可靠性，无需额外专家纠正，为大规模机器人学习提供新范式。
HuggingFace Daily Papers精选AI 评分6565 RoboValue: 用于统一评估机器人价值模型的细粒度模拟与真实基准
研究团队推出RoboValue基准，包含15个模拟和20个真实世界操作任务，用于评估机器人价值模型在任务状态理解、时间进度监控、失败与恢复推理以及价值一致性四个维度的能力。研究发现现有模型在细粒度指令基础、历史依赖进度跟踪和恢复评估方面存在错误，同一语义子任务在不同执行顺序中可能获得显著不同的价值增益。
推荐理由：通过15个模拟和20个真实操作任务，首次系统评估机器人价值模型的细粒度能力，揭示了现有模型在任务理解、进度跟踪和恢复评估上的具体缺陷。
钛媒体精选AI 评分8080 数学的“第四次危机”：从不可说，到无可说
杨健教授系统梳理了数学历史上的四次危机，分析了AI对数学本质的挑战与影响。文章指出，当前AI在数学领域的应用引发了关于证明定义、可理解性和数学本质的深刻讨论，数学家担忧AI可能改变数学的人文本质，但也认为AI可能降低数学门槛，促进数学发展。
推荐理由：文章系统梳理了数学四次危机，分析了AI对数学本质的挑战与影响。
arXiv · cs.RO精选AI 评分7575 Self-Building Labs：自主构建实验室系统
Jiaru Bai 提出自我构建实验室(SBL)系统，能根据高层科学目标自主设计、配置和运行实验室设置。该系统从现有条件出发，构建实验室布局、数字孪生、机器人技能和实验工作流，已在量子点合成实验中验证端到端能力，使科学自动化更易访问、灵活和可扩展。
推荐理由：从空白房间到完整实验室，SBL 系统自主设计、配置并运行实验，将人类角色从手动编程转向目标设定，大幅提升科学自动化灵活性。
arXiv · cs.RO精选AI 评分6565 并非所有动作贡献相等：从非精确演示中学习精确进度估计
Huanqian Wang提出PRIME方法，通过构建加权图和最短路径搜索，从非精确的人类演示中学习精确的进度估计，在仿真和真实世界的高精度操作任务中表现出色，在充电器插入任务上比SFT基线方法提高5倍成功率。
推荐理由：从人类不完美演示中学习进度评估，PRIME方法解决了高精度操作中错误动作干扰奖励信号的问题。
已经到底了