标题：VLAs on the Horizon for Scalable Robotic Manipulation

简介：李弘扬，香港大学数据科学研究院助理教授，OpenDriveLab团队（opendrivelab.com）联合创始人。研究方向为端到端智能系统在机器人、自动驾驶的应用。他主导的端到端自动驾驶方案UniAD于2022年提出，获IEEE CVPR 2023最佳论文奖。UniAD等系列工作产生了明显的社会经济效益，包括特斯拉于2023年推出的端到端FSD。他构造的超大规模具身智能训练场Agibot World, 是业界首个百万真机、千万仿真数据集，系统研究具身Scaling Law方法论。他提出的俯视图感知方法BEVFormer，获2022年百强影响力人工智能论文榜单，成为业界广泛使用的纯视觉检测基准。他多次担任CVPR、NeurIPS、ICLR、ICCV、ICML、RSS等国际会议领域主席（AC），其中获得NeurIPS 2023 Notable AC。他是《自然·通讯》的审稿人、期刊《Automotive Innovations》客座编委。IEEE、CCF、CSIG高级会员、IEEE汽车委员会自动驾驶国际标准工作组组长。荣获2024年中国吴文俊人工智能青年科技奖、2023年上海市东方英才计划领军项目。

摘要：A generalist robot should perform effectively across various environments. However, most existing approaches heavily rely on scaling action-annotated data to enhance their capabilities. Consequently, they are often limited to single physical specification and struggle to learn transferable knowledge across different embodiments and environments. To confront these limitations, we propose UniVLA, a new framework for learning cross-embodiment vision-language-action (VLA) policies. Our key innovation is to derive task-centric action representations from videos with a latent action model. This enables us to exploit extensive data across a wide spectrum of embodiments and perspectives. To mitigate the effect of task-irrelevant dynamics, we incorporate language instructions and establish a latent action model within the DINO feature space. Learned from internet-scale videos, the generalist policy can be deployed to various robots through efficient latent action decoding. We obtain state-of-the-art results across multiple manipulation and navigation benchmarks, as well as real-robot deployments. UniVLA achieves superior performance over OpenVLA with less than 1/20 of pretraining compute and 1/10 of downstream data. Continuous performance improvements are observed as heterogeneous data, even including human videos, are incorporated into the training pipeline. The results underscore UniVLA's potential to facilitate scalable and efficient robot policy learning.

标题：开放世界具身智能多模态大模型

简介：仉尚航，北京大学计算机学院研究员、助理教授、博士生导师、国家海外高层次青年人才。致力于具身智能多模态大模型方向的研究，在人工智能顶级期刊和会议上发表论文120余篇，Google Scholar引用数1.5万余次，荣获世界人工智能顶级会议AAAI最佳论文奖 。由Springer Nature出版《Deep Reinforcement Learning》 ， 至今电子版全球下载量近三十万次，入选中国作者年度高影响力研究精选。入选美国“EECS Rising Star” 、 “全球 AI 华人女性青年学者榜” 、 “中国科协青年百人会” 、 “AI100 青年先锋” （麻省理工科技评论） 。 曾获多项国际竞赛前三名， 中关村仿生机器人大赛优胜奖， 入选2024具身智能科技前沿热点工作。 曾多次在国际顶级会议 NeurIPS、 ICML 上组织Workshop， 担任AAAI 2022&2023&2024高级程序委员。 博士毕业于美国卡内基梅隆大学， 并于加州大学伯克利分校从事博士后研究。

摘要：近年来，大模型和具身智能的研究取得一系列进展，而现实世界中的具身智能体往往面对开放环境中跨本体、跨场景、跨任务等泛化性挑战。本次报告将介绍一系列188体育投注：具身多模态基础模型的研究工作，并重点介绍具身智能大脑大模型、端到端大模型等基础模型的相关研究，最后介绍具身智能大规模数据集的构建。

标题：构建AI和物理世界桥梁，引领具身智能感知革命

简介：许晋诚，帕西尼感知科技创始人及CEO，日本早稻田大学工学博士，师从人形机器人业界权威——菅野重树教授，曾担任日本国家级项目核心成员；多年从事高精度触觉传感器、机器人灵巧手研发及拥有相关产业化经验，在触觉传感器及机器人研究领域，发表多篇国际学术论文，获得相关中外专利70余项。带领团队，以多维触觉技术为核心，基于前沿的人工智能和视触觉多模态感知技术，实现人形机器人触觉模组软硬件核心关键技术零部件的全线自研和生产，其出货量及市占率稳居行业之首。

摘要：人工智能正从虚拟算法迈向实体交互的新纪元。通过构建AI与物理世界的桥梁，VTLA具身智能模型得以突破传统限制，实现多模态感知与自主决策。借助先进的传感器、机器人技术和边缘计算，AI不仅能“理解”环境，更能“体验”并适应真实场景。这一革命性突破将重塑智能制造等领域，推动人机协作迈向更高维度。未来，VTLA具身智能将深度融合认知与行动，成为连接数字与物理世界的核心纽带，开启智能时代的新范式。

标题：合成大数据赋能的具身端到端VLA大模型

简介：王鹤博士是北京大学计算机学院前沿计算研究中心的助理教授和博士生导师。他同时是北京银河通用机器人公司的创始人和CTO，智源学者。他的研究目标是通过研究具身多模态大模型和人形机器人技能学习来推进通用机器人的发展。他获得蚂蚁InTech科技奖，麻省理工科技评论科技创新35 under 35（中国区），2024年北京大学-中国光谷科技成果转化奖，英特尔中国学术英才计划荣誉学者等称号。他的论文获得ICCV2023最佳论文候选，ICRA2023最佳操纵论文候选，2022年世界人工智能大会青年优秀论文（WAICYOP）奖，Eurographics 2019最佳论文提名奖。他担任CVPR和ICCV的领域主席。在加入北京大学之前，他于2021年从斯坦福大学获得博士学位，师从美国三院院士Leonidas. J Guibas教授，于2014年从清华大学获得学士学位。

摘要：具身数据的昂贵和不足目前是具身智能的重要瓶颈，而高质量的合成大数据为具身端到端大模型的泛化提供了一个低成本方案。本报告以端到端操作模型GraspVLA 和 端到端导航Uni-NaVid 等系列工作为例，探讨视觉-语言-动作（VLA）大模型系统的技术突破及其泛化能力的实现。

标题：兼顾高精度和高泛化性的灵巧手和灵巧操作

简介：李翔，清华大学自动化系副教授、博士生导师，入选国家海外高层次人才计划青年项目，长期从事机器人灵巧操作和人机交互方向的研究。他近年来主持香港创新科技署项目、香港研究资助局项目、深圳科创委基础研究重点项目、国家自然科学基金项目（面上、国际合作、联合重点）、科技创新2030 -“脑科学与类脑研究”重大项目课题。他出版了一本由Springer发行的专著，共发表机器人领域高水平期刊与会议论文100余篇。他获得了机器人学旗舰会议2017 IROS最佳应用论文入围奖、2024 ICRA最佳医疗机器人论文入围奖、2025 IEEE RAL杰出编委奖。他带领团队获得了机器人学旗舰会议2024 ICRA机器人抓取操作挑战赛-手内操作赛道的冠军以及全部赛道唯一“最优雅解决方案”、2025 ICRA机器人抓取操作挑战赛-杂乱抓取赛道的冠军。他同时担任了机器人学两大旗舰期刊The International Journal of Robotics Research（IJRR）和IEEE Transactions on Robotics（TRO）的编委。

摘要：机器人灵巧操作通过多指手动态建立与脱离接触来实现对于被抓取物体的精细操作。相较于基于学习的灵巧操作方法，基于模型的方法无需针对每项任务进行大量数据收集，提供了一种高效高精度的解决方案。然而，由于物理接触的复杂性，现有基于模型的方法在高效在线规划和处理建模误差方面面临挑战，限制了其实际应用。为解决现有方法的不足，本报告提出一种新型的层次化灵巧操作框架，通过运动-接触联合建模实现了动作与接触的协同优化。大量实验表明，所提出的方法能够兼顾灵巧操作的高精度和高泛化性。

标题：从类人视觉感知到机器人学习的探索与进展

简介：宋然，山东大学控制科学与工程学院教授、博士生导师，国家万人计划青年拔尖人才，IEEE高级会员，英国高等教育学会会士，曾获英制高级讲师终身教职。近年来主持国家自然科学基金联合基金重点项目、面上项目、GF重点项目等。主要研究方向为三维视觉感知、机器人视觉、机器人学习等，在IEEE TPAMI、TRO、IJCV、CVPR、RSS等人工智能、机器人领域的国际顶级期刊和会议上发表论文100余篇，获山东省技术发明二等奖、中国自动化学学会科技进步二等奖、山东省人工智能优秀论文奖以及4次最佳论文等国际会议学术奖励。

摘要：一方面，人类获取的80%的信息来自于视觉系统，模仿人类视觉感知一直是人工智能领域的核心问题之一。另一方面，感知是行为的前提，基于人工智能的机器感知与人类视觉系统对同一物体或场景的主观感知高度一致，是机器人的行为方式与人类相似的重要前提。本报告将汇报课题组在类人视觉感知和机器人学习方面的研究进展，介绍基于视觉显著性、人类演示、大模型等类人视觉感知机制的机器人学习方法，展示这些方法在不同机器人平台上的应用，最后分析该领域所面临的挑战并展望相关研究方向的未来发展。