人形机器人踢球不再各管一段：SoccerBot用人类动作先验统一四项技能并零样本上真机
人形机器人踢足球此前要么只覆盖少数技能，要么完全不用动作先验而动作生硬。SoccerBot把大规模人类足球动作捕捉数据蒸馏成一个结构化的隐式动作先验，让单一技能条件策略在同一个潜空间里学习移动、带球、停球和踢球。在Unitree G1上，该策略零样本迁移到真机，仿真中踢球与带球成功率分别为97.04%和89.88%，真机踢球方向误差从4.09度升到10.41度。
TactileLab 用刚体仿真算出切向触觉流：灵巧手在仿真里学会转物，真机也能转
TactileLab 把触觉仿真里的切向运动从软体形变计算中拆出来，改用刚体仿真直接生成稠密的触觉流场，与接触深度图一起作为策略输入。此前刚体触觉仿真通常只给深度类信号，难以表达剪切与滑移，而软体仿真虽能刻画形变却难以支撑大规模强化学习。在双臂跟随与灵巧手转物两类接触密集任务上，含触觉流的策略收敛更快，真机部署时深度加触觉流的策略在圆柱、圆形与方块三类物体上完成旋转最多。
人形机器人HALO在仿真中学会感知全身动作，六个未建图真实家庭360次试验成功率91%
人形机器人要完成“坐下”“走到指定物体”这类任务，需要把像素和自然语言映射到全身关节指令，而这类配对数据此前只能靠遥操作或穿戴设备逐条录制，一小时数据至少耗一小时人力。HALO把数据生成搬进仿真：在一千个程序化生成的住宅里合成第一人称视觉—语言—动作数据，再用分层系统把自由语言请求拆成子任务、生成五秒全身运动计划并由感知跟踪器执行。训练中从未见过真实住宅，系统零样本迁移到六个未扫描、未建图的真实家庭，360次试验成功率91%。
相机不再固定等流场：智能体在真实水洞中自主找尾迹，测量时间约为全扫描一半
粒子图像测速（PIV）的成像位置通常由操作者在测量前固定，若关注结构偏离预期，后续算法无法补回未拍到的信息。研究把相机位置当作闭环决策变量，用DreamerV3在Isaac Sim中训练一个智能体，仅凭LIMA估计的速度场与不确定度驱动六自由度机械臂寻找、取景并分辨水翼尾迹。零样本迁移到真实水洞后，智能体能在随机摆放的水翼上定位尾迹，以高于固定视角的分辨率、更低的流动统计误差完成测量，耗时约为全扫描的一半，所用图像对也远少于扫描。
人形机器人跑跳不再只学动作：Contact-UAN用6.5分钟行走数据补上执行器力模型
人形策略在仿真里学会动作，却常常学不会训练中的力交互，导致力矩浪费、力跟踪不准、落地冲击难吸收。Contact-UAN保留仿真器的刚体与接触物理，只学习执行器指令通道上的残差修正，并用本体感知推断落脚姿态，使回放从与硬件一致的接触力开始。在Unitree G1上，仅用6.5分钟真实行走数据训练的一个残差模型，使跑步力矩降低20%、力跟踪误差降低43%，并支持稳定跳跃与落地。
机器人开始组装AI服务器测试托盘：母线装配成功率超95%，四根线缆插接达90–95%
英伟达西雅图机器人实验室与Isaac工程团队把GB300测试托盘的母线装配和四连接器插接交给机械臂完成。母线装配成功率超过95%，但整周期160秒，未达到124秒的节拍要求；四根线缆插接成功率90–95%，平均每根40秒，同样低于产线部署门槛。方案没有走纯端到端路线，而是先试经典模块化流水线，只在连接器抓取与插入环节引入学习。
施工机器人不再靠手写避让规则：只用激光雷达，砖砌试验路径不规则度降39.2%
施工机器人靠近工人时需要预判人的移动，而现有社交导航方法依赖手工交互规则、标注示范或与特定机器人绑定的控制策略。这套只用激光雷达的框架以匀速外推自动生成残差目标，用图神经网络建模机器人、行人与目标之间的关系，并通过扩展卡尔曼滤波把逐帧检测连成动态图，输出与规划器无关的路径修正。在砖砌试验中，它把路径不规则度降低39.2%并提高了最小碰撞时间；在七条Dynablox序列上，最小碰撞时间平均提高38.3%，路径比基线更短更平滑。
AdvSim2Real 在冻结网页世界模型中协同进化任务、注入攻击与执行器，使 4B 智能体在未见前沿攻击者下完成率相对提升 33.6%
AdvSim2Real 在一个冻结的网页世界模型内让任务课程、注入攻击者与网页执行器三者协同进化：课程因执行器约半数成功的任务获得奖励，攻击者仅因把一次判定成功翻转为失败而获得奖励；训练后的 4B 执行器在 150 个网页任务上干净完成率由 74.89% 升至 81.33%，面对三个已学习攻击者由 48.07% 升至 57.48%，面对未参与训练的 Kimi-K3 由 23.00% 升至 30.72%。
EmbodiedRSI 用假设图与信息价值实验选择让冻结 VLA 在 RoboCasa365 达 77.0%、LIBERO-Pro 达 86.8%，并零样本迁移真机达 71.3%
EmbodiedRSI 是一个自演化智能体框架，在冻结机器人基础模型之外，用假设图维护代码与技能假设，用信息价值实验选择挑出最能区分假设的物理实验，并以代码—技能协同演化与奖励驱动的分层记忆学习把每次物理交互转化为可复用改进；在 RoboCasa365 上总体成功率 77.0%、Composite-Unseen 71.3%（最佳基线 40.1%），LIBERO-Pro 总体 86.8%，并将仿真中演化的框架零样本迁移到真机，总体成功率 71.3%。
AIMS用双智能体框架把自然语言部署请求转成仿真到现实的ISAC配置，在DeepSense 6G上提升车辆检测与波束预测
作者提出AIMS，一个面向多模态集成感知与通信（ISAC）仿真到现实迁移的智能体AI框架：它接收指定目标任务、部署条件与真实数据预算的自然语言部署请求，推导出部署专属的仿真到现实配置并协调执行以产出部署专属任务模型，采用双智能体架构分别负责场景构建与任务学习，在真实DeepSense 6G数据集上相较所考虑的仿真与融合基线提升了车辆检测与波束预测，并在独立的编排基准上显示结构化领域知识与验证反馈提升了计划正确性。