UC Berkeley 和 NVIDIA 在 2026 Conference on Robot Learning 上提出 agentic robotics 方法，用 LLM 驱动的编码智能体把复杂任务拆解为子任务、生成人类可读代码并在仿真中迭代，无需收集人类演示数据。
推荐理由：文章解释了 agentic robotics 如何把机器人编程从数据问题转为编码问题，并给出 99% 成功率、缩短换产时间等具体结果。
机器之心报道了NeurIPS 2026的Oral论文LCVN，该研究探讨如何仅凭一张起始画面和一段语言指令来预测完整的机器人导航路线。
推荐理由：文章介绍了NeurIPS 2026关于自然语言指令导航的研究，展示了从视觉终点到语言路线预测的技术进展。
当地时间11月4日，苹果研究团队在 arXiv 提交论文《Perceptive Humanoid Motion from Simulation》，披露人形机器人自主控制系统 HALO，并公开了数据生成、模型训练和部署代码。在6个未预先扫描或建图的真实环境中开展360次单项任务测试，平均成功率91%；组合任务方面，“俯身通过障碍—走向目标—推箱子”成功率为50%。
对A股利好人形机器人供应链（推断）与控制器与算力环节，苹果披露人形机器人控制系统突破
推荐理由：原文给出论文要点、测试环境和成功率数据，也点明数据仍需人工参与和触觉短板，可作了解苹果机器人研究的参考。
Northwestern、CMU等机构研究世界建模能否成为跨领域、跨任务可复用的独立能力，涵盖空间理解、具身动作规划、视频时序等任务。研究用仅2k样本训练，在22项基准上实现跨领域提升，并给出训练配方。
推荐理由：原文探讨世界建模能否成为跨任务复用的独立能力，并给出仅用2k样本跨领域提升22项基准的训练配方。
媒体报道Fysiverse-UniWAM在24项真机评测中取得导航、移动操作双第一，且不依赖大规模机器人预训练。该方法让机器人不仅知道往哪走，还能确定停驻位置与朝向，停稳后可直接执行操作，解决了底盘停得稍远机械臂够不着、朝向偏差影响抓取等长期难题。机器之心报道，仅基于摘要素材。
对A股利好物理AI环节，具身智能大模型真机导航与操作能力获验证
推荐理由：媒体报道Fysiverse-UniWAM在24项真机评测中拿下导航与移动操作双第一，且不依赖大规模机器人预训练，对具身智能技术路线有比较参考价值。