CoRL

本文使用 AI 工具整理 CoRL 2025 Oral 的 42 篇论文。为了避免把列表写成摘要搬运，下面按研究问题重新分为六组，并分别概括方法、主要结果与值得留意的边界。 需要说明的是，这是一份基于 OpenReview 标题与摘要的“地图式速览”，适合用来筛选待读论文，不等价于逐篇精读或实验复现。文中的“提升”“达到”等结果均指作者报告的结果。 总览：Oral 在解决什么问题 这 42 篇论文呈现出一条很清楚的主线：机器人学习的瓶颈正在从“能否学会一个任务”转向“能否低成本地扩展到新任务、新环境和新本体”。对应地，工作重点也从单纯设计更大的 Policy，转向数据生产、跨本体迁移、推理效率、真实世界评测与失败恢复等完整系统问题。 其中有四个趋势尤其明显。第一，真实机器人示教不再是唯一的数据来源：人类视频、手机扫描、生成模型、仿真与低成本外骨骼都在被转化为训练数据。第二，Diffusion Policy 与 VLA 已成为基础组件，研究开始优化其执行速度、在线适应与推理机制。第三，触觉、音频、力与 LiDAR 等模态被纳入闭环控制，而不只是作为附加观测。第四，研究者开始正面处理评测偏差、分布外失败和开放世界泛化，说明领域正在从 Demo 走向可部署系统。 1. 通用策略、推理、评测与安全 这一组关注的不是某项具体技能，而是通用机器人策略如何获得开放世界泛化能力，以及我们如何可信地评价和保护这些策略。 1. : a Vision-Language-Action Model with Open-World Generalization [OpenReview] 在 的基础上联合训练多机器人数据、Web 数据、高层语义预测与低层动作。训练样本混合图像、语言、目标检测、子任务预测和动作，使语义知识能够迁移到控制中。作者展示了模型在全新住宅内完成清理厨房、卧室等长时序灵巧任务的能力。它的重要性不只在模型规模，而在于说明异构数据与中间语义任务可以共同支撑端到端 VLA 的开放世界泛化；代价则是系统对数据覆盖、模型规模和推理基础设施的依赖很强。 ...