机器人控制

机器人控制是研究如何让机器人在真实或仿真环境中自主完成动作规划与执行的领域，当前正处于从传统模型控制向结合强化学习、世界模型与大模型的混合范式过渡的关键阶段。近期研究呈现两条主线：一是用不确定性感知与记忆机制提升控制可靠性，二是探索视频生成式世界模型能否真正支撑机器人决策，两者之间的分歧成为该领域最受关注的争议点。

机器人控制近期进展

在工业场景的落地方面，MSC框架：不确定性感知NMPC结合强化学习，解决工业AMR万向轮控制偏移问题提出将模型预测控制与强化学习融合，利用不确定性感知机制处理工业自主移动机器人（AMR）中万向轮带来的控制偏移，体现了模型驱动与数据驱动方法结合的务实路线。探索效率方面，平衡数据饮食解决大规模机器人控制探索瓶颈针对大规模训练中探索数据分布失衡的问题，提出“平衡数据饮食”策略，以缓解大规模机器人控制的学习瓶颈。

记忆与上下文长度同样是重要变量。Long-WAM：扩展世界-动作模型上下文，实时机器人控制成功率提升至 78.7%报告了将世界-动作模型的上下文窗口扩展后，实时控制成功率提升至 78.7%，说明长时序历史信息对策略稳定性有直接影响。另有 URAI框架提升机器人控制成功率与 线性循环记忆足以提炼机器人空气曲棍球策略分别从框架设计与轻量化记忆结构入手改进策略性能，后者显示在高速对抗性任务中，简单的线性循环记忆即可完成策略蒸馏。

大模型与世界模型介入机器人控制

通用基础模型正加速向机器人控制渗透。Reka AI 发布 19B 参数全模态模型 Rho-1，覆盖文本图像视频与机器人控制展示了 19B 参数的单个全模态模型同时处理文本、图像、视频与机器人控制任务；GPT-6 Astra控制宇树G1收拾厨房则演示了大模型直接驱动宇树 G1 人形机器人整理厨房的家居场景。

与此同时，质疑声音也在增强。CVPR 2026研究：视频世界模型无法可靠控制机器人指出视频世界模型在闭环控制中并不可靠；TAPDreamer 论文：对抗补丁可将世界动作模型成功率降到 0进一步显示，仅需对抗补丁即可将世界动作模型的控制成功率降至 0，暴露出此类模型的鲁棒性短板。作为对照，Odyssey-3 生成式世界模型开放免费试用则表明生成式世界模型正通过免费开放加速生态建设，主要用于仿真与数据生成而非直接闭环控制。

当前焦点与观察点

综合来看，机器人控制的争论核心在于：生成式视频模型擅长“看起来合理”的预测，但距离可靠闭环控制仍有差距，因此近期更被看好的路径是世界模型仅承担仿真与数据生成，闭环策略仍依赖强化学习、模型预测控制与记忆机制。值得持续观察的方向包括：不确定性感知方法能否在更多工业场景复制 MSC 框架的效果、上下文长度与记忆结构带来的成功率提升是否具备泛化性，以及全模态基础模型能否在保证安全的前提下进入真实物理环境。