Generalist AI 推出机器人基础模型 GEN-1.5，可从一段仅 3–12 秒的单次传感器-运动演示中推断任务意图，无需梯度更新或微调即可立即执行。在 10 项简单物理任务中，单次演示平均成功率达 59%；加入 5 分钟任务专属数据并微调 10 步后，成功率升至 83%。该模型将演示视为「物理提示」，还能组合不同演示完成未训练过的组合任务。
据 The Verge 援引 crowdsourced 应用 Robotaxi Tracker 的数据，Tesla 在奥斯汀的 Robotaxi 车队可能已全面实现无安全员自动驾驶。过去两周内该应用追踪的 170 次行程、涉及 54 辆不同车辆均为无监督运行。与此同时，Dallas 与 Houston 的无监督行程也在增加。该消息恰逢 Tesla Cybercab 本月在奥斯汀首发前夕。
研究人员开发了一种混合机器人皮肤，将电阻抗断层成像（EIT）与气动压力传感相结合，以提升人形机器人大面积表面的力检测能力。该系统用 EIT 定位接触位置，四个密封气动垫估计受力大小，使灵敏度不均匀性的变异系数从 0.31 降至 0.14。原型尺寸达 280×280 mm，可安装在人形机器人胸部，有望让机器人更安全、更精细地与环境交互。
英国朴茨茅斯大学网络安全讲师 Saminda Wattuhewa 撰文指出，建筑工地是 GPS 最不可靠的场景之一，但自主机器人正被期望在此精确作业。SLAM（同步定位与建图）技术让机器人通过摄像头或激光雷达实时构建环境地图，而非依赖预先加载的地图或外部定位信号。由于工地每天都在变化，地图必须是「活的」，这也对机器人的自主导航提出了更高要求。
arXiv 新论文提出 ADEPT，一个大规模强化学习框架，用于学习可 sim-to-real 迁移的灵巧操作。该方法先在通用物体重摆任务上预训练策略，再将其作为先验对下游任务进行后训练，并引入行为克隆蒸馏、critic 热身与保守 on-policy 更新稳定迁移。最终在 23 DoF Kuka-Allegro 与 29 DoF Flexiv-Sharpa 上零样本 sim-to-real 部署，能以接近人类速度完成长程任务。
研究者提出首个面向人形机器人全身控制的行为世界模型 GigaBrain-WBC-0.5。与传统仅做反应式跟踪的策略不同，该方法训练因果 Transformer 联合预测下一步动作、状态与潜在行为指令分布，使机器人能在线检测不可行指令并回退到已学习行为。在四种测试场景中，地形交互成功率达 81.3%（是最强基线的 4.3 倍），跌倒恢复率达 99.3%（是基线的 16.8 倍），且 Unitree G1 模型经简单微调可迁移到 Maker L01。