面向机器人基础模型的规范感知动作分布优化框架
研究者提出一种规范感知的动作分布优化框架，可在不修改预训练机器人基础模型参数的前提下，让机器人在执行时满足信号时序逻辑（STL，Signal Temporal Logic）约束。该方法在每个决策步通过前向动力学推演剩余时间范围，计算满足硬性 STL 可行性约束的最小修改动作分布，并在仿真中用先进机器人基础模型跨多环境与复杂规范完成验证。
#推理
arXiv · cs.AI模型评分3030 arXiv · cs.AI模型评分3131 共享模块化递归提升多机器人形态控制的零样本泛化能力
研究者提出一种基于 Transformer 的共享模块化递归架构，利用模块间交互补全部分缺失的上下文特征，在 MuJoCo 机器人集合上实现通用形态控制。在四种环境中，该架构对动力学、运动学和拓扑结构均未见过的新机器人取得显著提升的零样本泛化性能。
arXiv · cs.AI模型评分3939 ID-WM：解耦可达性与局部控制的分层世界模型
研究者提出分层世界模型 ID-WM（Implicit Dynamics World Models），用高层模型采样状态空间中可行的状态转移，再由低层世界模型作为逆动力学求解器把转移落到精确动作上。在三个导航与操作测试集上，它比现有最优的策略与扩散模型规划器提升 38.5%，相比单层世界模型 MPC 在复杂未见长程任务中提升 135%。
arXiv · cs.AI模型评分3636 STAR：在推理阶段引导视觉-语言-动作模型的动作表征
针对视觉-语言-动作模型（VLA，Vision-Language-Action）动作输出附近的表征未能充分保留任务相关视觉定位的问题，研究者提出免训练推理方法 STAR，对后层残差更新做指数移动平均，让后层动作表征继承前层的物体感知更新方向，并用本体状态调节混合强度。在机器人操作基准上，STAR 将平均任务成功率提升 4.0 个百分点，代码已公开。
arXiv · cs.AI模型评分4343 CausalWAM：让世界动作模型只从动作相关隐变量生成动作
研究提出 CausalWAM（CWAM），在预训练世界动作模型（WAM，World Action Model）的动作头上加一条稀疏路由路径，把“导致动作的隐变量”与“预测场景所需的隐变量”分开，世界建模目标保持不变。