作者按：“具身智能”概念自2022年左右興起以來(lái)，迅速成為機(jī)器人研究領(lǐng)域的前沿方向。它強(qiáng)調(diào)機(jī)器人系統(tǒng)在物理世界中的感知、決策與操作能力的統(tǒng)一，融合空間智能、強(qiáng)化學(xué)習(xí)、擴(kuò)散策略（Diffusion Policy）以及視覺語(yǔ)言動(dòng)作（Vision-Language-Action, VLA）范式，使機(jī)器人能夠在復(fù)雜環(huán)境下完成高維度操作規(guī)劃。隨著這一概念的普及，具身智能研究在頂級(jí)學(xué)術(shù)會(huì)議上頻頻出現(xiàn)創(chuàng)新成果。

PNP機(jī)器人展示的具身智能遙操作平臺(tái)

Franka機(jī)器人憑借其獨(dú)特硬件設(shè)計(jì)、力控能力以及廣泛的科研生態(tài)，成為了全球科研機(jī)構(gòu)、工業(yè)實(shí)驗(yàn)室以及AI公司首選的平臺(tái)。無(wú)論是谷歌DeepMind、META，還是斯坦福大學(xué)、伯克利大學(xué)，F(xiàn)ranka機(jī)器人都被用來(lái)驗(yàn)證最前沿的研究成果，為具身智能的發(fā)展提供了堅(jiān)實(shí)的硬件基礎(chǔ)。本文代表PNP機(jī)器人將系統(tǒng)梳理Franka機(jī)器人在具身智能方向的核心優(yōu)勢(shì)、關(guān)鍵科研案例及全球應(yīng)用生態(tài)，分析其成為首選平臺(tái)的原因。

1. Franka機(jī)器人面向具身智能方向的基因

Franka機(jī)器人自2016年問世以來(lái)，其設(shè)計(jì)理念就與具身智能研究的核心需求高度契合，體現(xiàn)了在高自由度操作、力控能力以及科研生態(tài)方面的獨(dú)特優(yōu)勢(shì)。

7自由度設(shè)計(jì)為具身智能高維操作提供了關(guān)鍵條件

在2020年前，市面上大多數(shù)工業(yè)機(jī)器人仍是六軸設(shè)計(jì)，而七軸的引入為逆運(yùn)動(dòng)學(xué)求解提供了無(wú)限解，使機(jī)器人能夠在執(zhí)行復(fù)雜動(dòng)作時(shí)靈活調(diào)整末端姿態(tài)。對(duì)于當(dāng)前火熱的VLA方向而言，這意味著使用Franka等7軸機(jī)器人，可以通過高維度規(guī)劃末端姿態(tài)，機(jī)器人內(nèi)部逆運(yùn)動(dòng)學(xué)解算，7自由度避免陷入奇異解和復(fù)雜修正的困境，從而大幅提升高維度任務(wù)規(guī)劃的效率。七軸設(shè)計(jì)不僅增強(qiáng)了操作靈活性，也為多機(jī)器人協(xié)作提供了更多策略空間，使其在科研實(shí)驗(yàn)和工業(yè)應(yīng)用中都具有顯著優(yōu)勢(shì)。

Franka七軸FR3結(jié)構(gòu)鏈

筆者在學(xué)生時(shí)代是學(xué)機(jī)器人方向，根據(jù)目前我了解的情況絕大多數(shù)VLA模型（如RT-1、RT-2、Pi0.5、Diffusion Policy等）傾向輸出末端位姿、位移、速度、力輸出或接觸意圖，而不是直接輸出關(guān)節(jié)角度。這個(gè)具體原因我來(lái)總結(jié)為

• 末端位姿與人類指令、視覺感知語(yǔ)義更一致
• 維度更低，易于大模型學(xué)習(xí)
• 機(jī)器人逆運(yùn)動(dòng)學(xué)（IK）或控制器可將其轉(zhuǎn)換為關(guān)節(jié)角度
• 更容易泛化到不同結(jié)構(gòu)的機(jī)器人

穩(wěn)定性持續(xù)保持輸出——機(jī)器人關(guān)注的是末端姿態(tài)

一些更底層的控制任務(wù)中，模型會(huì)直接輸出joint position / joint torque / joint velocity多見于：DeepMind動(dòng)力學(xué)一致性實(shí)驗(yàn)、某些強(qiáng)化學(xué)習(xí)RL + VLA混合框架， 但缺點(diǎn)明顯：

• 不同機(jī)器人無(wú)法共享（不可跨平臺(tái)）
• 學(xué)習(xí)難度大、可泛化性差

未來(lái)通用人工智能的方向應(yīng)該是端位姿主導(dǎo)，關(guān)節(jié)角度由底層控制器負(fù)責(zé)，VLA模型更像“高層策略”，關(guān)注的是：“機(jī)器人應(yīng)該做什么動(dòng)作”，而不是“每個(gè)關(guān)節(jié)如何動(dòng)”。

從這個(gè)角度來(lái)講，未來(lái)7軸機(jī)器人是具身智能方向的標(biāo)配。對(duì)此感興趣的讀者，可以參考我另外一篇文章《未來(lái)七軸機(jī)器人會(huì)占據(jù)主流？深度解析具身智能方向當(dāng)前六軸機(jī)器人和七軸機(jī)器人的區(qū)別，七軸力控機(jī)器人發(fā)展會(huì)加快嗎

Franka的多模態(tài)力控能力在具身智能研究中發(fā)揮了重要作用。

每個(gè)關(guān)節(jié)均配備高精度力傳感器，實(shí)現(xiàn)0.05N的感知靈敏度。這種能力為機(jī)器人提供實(shí)時(shí)力反饋，使其能夠在操作過程中精確感知環(huán)境變化，從而支持柔性抓取、微操作、力敏感任務(wù)等高難度操作。Franka機(jī)器人力控技術(shù)的積累來(lái)源于德國(guó)航空航天中心（DLR）的長(zhǎng)期研究，使其在科研和工業(yè)場(chǎng)景中都具備可靠性和高精度優(yōu)勢(shì)。這種高精度力控結(jié)合七軸設(shè)計(jì)，使Franka機(jī)器人在執(zhí)行復(fù)雜操作任務(wù)時(shí)具備前所未有的穩(wěn)定性和靈活性。

FR3的每個(gè)關(guān)節(jié)力矩實(shí)現(xiàn)主動(dòng)（initiative）精密力控

Franka在科研和工業(yè)界形成了具身智能行業(yè)的成熟生態(tài)

從2016年面世以來(lái)，其面向科研和教育市場(chǎng)，提供1000Hz快速響應(yīng)的FCI接口，支持高頻率控制和數(shù)據(jù)采集，使研究者能夠快速驗(yàn)證新算法和控制策略。基于Franka機(jī)器人的論文每年超過1000篇，累計(jì)超過10000篇，并且大多數(shù)開源。

每年超過上千篇具身論文使用FRANKA

科研人員可以在已有算法基礎(chǔ)上進(jìn)行迭代，而無(wú)需從零開始開發(fā)控制系統(tǒng)和硬件接口。這種全球性開源生態(tài)不僅加速了科研進(jìn)程，也鞏固了Franka機(jī)器人在具身智能領(lǐng)域的領(lǐng)先地位。PNP機(jī)器人也基于Franka開發(fā)了大量實(shí)驗(yàn)方案，為科研機(jī)構(gòu)和企業(yè)提供了可快速部署的實(shí)驗(yàn)平臺(tái)，進(jìn)一步增強(qiáng)了Franka在高自由度操作和VLA任務(wù)驗(yàn)證中的核心優(yōu)勢(shì)。

PNP問題思考：具身智能時(shí)代7軸機(jī)器人和力控誰(shuí)更重要？

2. 谷歌DeepMind、豐田研究院、META等全球頂尖AI機(jī)構(gòu)的引領(lǐng)

全球頂尖人工智能機(jī)構(gòu)普遍選擇Franka機(jī)器人作為具身智能研究平臺(tái)，這不僅體現(xiàn)了其硬件能力，也顯示了其科研生態(tài)的成熟性。

谷歌DeepMind-GERMINI平臺(tái)

谷歌DeepMind為例，其GERMINI平臺(tái)基于Franka機(jī)器人結(jié)合大語(yǔ)言模型（LLM）和視覺語(yǔ)言動(dòng)作范式，搭建了覆蓋多模態(tài)感知、策略規(guī)劃和動(dòng)作執(zhí)行的綜合研究體系

GERMINI ROBOTICS平臺(tái)

在該平臺(tái)上，DeepMind探索了高維任務(wù)規(guī)劃、多任務(wù)遷移及多模態(tài)操作策略，為復(fù)雜環(huán)境下的智能操作提供實(shí)驗(yàn)驗(yàn)證。

基于Germini的雙臂 FRANKA機(jī)器人操作

谷歌DeepMind-ROBOBALLET發(fā)表于《Science Robotics》

DeepMind還開展了多機(jī)器人任務(wù)協(xié)作研究，例如ROBOBALLET項(xiàng)目，探索了多臺(tái)機(jī)器人之間的動(dòng)作同步、物理空間交互和策略優(yōu)化，成果發(fā)表于《Science Robotics》。Franka機(jī)器人的高自由度設(shè)計(jì)和精密力控使其能夠承載復(fù)雜多機(jī)器人實(shí)驗(yàn)，同時(shí)保證實(shí)驗(yàn)結(jié)果的可重復(fù)性。

2025年9月《Science Robotics》封面文章ROBOBALLET

豐田研究院、哥倫比亞大學(xué)Diffusion policy策略

田研究院、哥倫比亞大學(xué)等則基于Franka機(jī)器人開展擴(kuò)散策略研究，通過生成高維動(dòng)作序列，實(shí)現(xiàn)對(duì)復(fù)雜操作任務(wù)的策略優(yōu)化。其研究成果成為后續(xù)多篇擴(kuò)散策略論文的基礎(chǔ)，并推動(dòng)了相關(guān)算法在工業(yè)和科研中的落地。

豐田研究院改進(jìn)型擴(kuò)散策略

(4)META視觸覺傳感以及VR遙操作

META也在其實(shí)驗(yàn)中廣泛采用Franka機(jī)器人，提出視觸覺感知等先進(jìn)方案，驗(yàn)證VLA范式和高自由度操作策略，為跨公司、跨實(shí)驗(yàn)室的科研合作提供了共同基礎(chǔ)?；贛ETA VR的研究，用于Franka機(jī)器人數(shù)據(jù)采集和操作訓(xùn)練，也極大方便了科研工作者對(duì)于機(jī)器人的操作。

基于META VR的研究

PNP機(jī)器人團(tuán)隊(duì)曾在ROS中國(guó)區(qū)大會(huì)和中國(guó)具身智能大會(huì)上展示相關(guān)成果，說(shuō)明Franka機(jī)器人在國(guó)內(nèi)外科研社區(qū)均有重要影響力。這些全球頂尖機(jī)構(gòu)的選擇，體現(xiàn)了Franka機(jī)器人在硬件靈活性、力控精度和生態(tài)完善性上的優(yōu)勢(shì)，使其成為具身智能研究的首選平臺(tái)。

PNP機(jī)器人在ROS大會(huì)分享協(xié)作機(jī)器人到具身智能萌芽

(5)PNP問題思考：你認(rèn)為將來(lái)先進(jìn)的具身智能成果是來(lái)自于人工智能大廠還是高校的實(shí)驗(yàn)室？

根據(jù)公開資料谷歌DeepMind團(tuán)隊(duì)大約有5,000人，主要是工程師和博士研究員，國(guó)內(nèi)哪個(gè)大廠具有類似規(guī)模？另外根據(jù)目前現(xiàn)狀，你認(rèn)為將來(lái)先進(jìn)的具身智能成果是來(lái)自于人工智能大廠還是高校的實(shí)驗(yàn)室？

3.成熟生態(tài)下數(shù)據(jù)采集與人工智能工廠的首選

在工業(yè)和科研結(jié)合的場(chǎng)景中，人工智能數(shù)據(jù)工廠對(duì)機(jī)器人平臺(tái)的選擇尤為嚴(yán)格。Franka機(jī)器人憑借其生態(tài)優(yōu)勢(shì)、部署便利性和高性能驗(yàn)證能力，成為首選方案。首先，F(xiàn)ranka生態(tài)系統(tǒng)完善，涵蓋控制接口、開源算法庫(kù)以及大量科研成果，為數(shù)據(jù)工廠快速建立智能采集系統(tǒng)提供基礎(chǔ)支撐。其高自由度設(shè)計(jì)和精密力控保證了操作任務(wù)的穩(wěn)定性和安全性，即使在長(zhǎng)時(shí)間、高頻次操作中仍能保持可靠性能。

(1)德國(guó)慕尼黑工業(yè)大學(xué)（TUM）AI工廠

以德國(guó)慕尼黑工業(yè)大學(xué)（TUM）AI工廠為例，超過100臺(tái)Franka機(jī)器人廣泛用于工業(yè)數(shù)據(jù)采集、智能裝配和高維操作任務(wù)驗(yàn)證。其7軸設(shè)計(jì)和精密傳感器，使研究團(tuán)隊(duì)能夠在抓取、組裝和復(fù)雜操作任務(wù)中進(jìn)行高效實(shí)驗(yàn)，成為歐洲最大的人工智能機(jī)器人訓(xùn)練中心。

位于歐洲慕尼黑的AI FACTORY

(2)北京人形機(jī)器人創(chuàng)新中心ROBOMIND數(shù)據(jù)集

同時(shí)，北京人形機(jī)器人創(chuàng)新中心搭建了大量基于Franka、天工等機(jī)器人平臺(tái)，用于驗(yàn)證高復(fù)雜度的智能操作算法。PNP機(jī)器人團(tuán)隊(duì)也協(xié)助提供機(jī)器人開發(fā)和底層通信等支持，使實(shí)驗(yàn)和工業(yè)場(chǎng)景能夠快速部署。

北京人形機(jī)器人創(chuàng)新中心發(fā)布的RoboMIND開源數(shù)據(jù)集

RoboMIND開源數(shù)據(jù)集機(jī)器人本體分布

(3)谷歌DeepMind牽頭開源數(shù)據(jù)集OpenX-Embodiment

谷歌DeepMind 牽頭推出的開源數(shù)據(jù)集OpenX-Embodiment是面向具身智能和機(jī)器人學(xué)習(xí)的重要資源，旨在為研究者提供大規(guī)模、高質(zhì)量的多模態(tài)操作數(shù)據(jù)，加速算法開發(fā)和真實(shí)世界遷移。在該數(shù)據(jù)集中，Franka 機(jī)器人貢獻(xiàn)了主要部分的數(shù)據(jù)，涵蓋高自由度操作、力控交互和復(fù)雜任務(wù)序列。

谷歌 DeepMind牽頭的OpenX-Embodiment 開源數(shù)據(jù)集FRANKA最多

(4)PI公司開源的PI0.5模型

此外，PI公司開源的PI0.5模型充分利用Franka機(jī)器人進(jìn)行快速驗(yàn)證，展示了Franka在算法迭代和策略測(cè)試中的高效率。Franka機(jī)器人標(biāo)準(zhǔn)化接口和成熟的軟件開發(fā)工具包（SDK）使其在研究實(shí)驗(yàn)室和工業(yè)環(huán)境中都能快速上手，并保持長(zhǎng)期穩(wěn)定運(yùn)行。這種可重復(fù)性和部署便利性，使Franka機(jī)器人成為數(shù)據(jù)采集和人工智能工廠首選平臺(tái)，加速了算法從實(shí)驗(yàn)室到工業(yè)應(yīng)用的轉(zhuǎn)化過程。

(5)PNP問題思考：一種本體的數(shù)據(jù)采集之后，跨平臺(tái)遷移是否容易？

在大量數(shù)據(jù)采集完成后，為什么像Franka這樣的機(jī)器人平臺(tái)更容易實(shí)現(xiàn)算法的真實(shí)世界遷移？這種“可遷移性”究竟由哪些關(guān)鍵特性決定：是高一致性的硬件表現(xiàn)、標(biāo)準(zhǔn)化接口，還是其生態(tài)系統(tǒng)對(duì)研究范式的塑造？

4.具身智能方向領(lǐng)先的學(xué)術(shù)機(jī)構(gòu)的科研引領(lǐng)

Franka機(jī)器人以其高精度、7自由度機(jī)械臂和易編程特性，被斯坦福、伯克利、卡內(nèi)基梅隆、清華、北大等頂尖學(xué)術(shù)機(jī)構(gòu)廣泛采用。它支持從感知、控制到人機(jī)交互的全鏈路研究，推動(dòng)具身智能算法在實(shí)際操作中的驗(yàn)證與優(yōu)化，加速了智能機(jī)器人在復(fù)雜環(huán)境下自主決策與精細(xì)操作的前沿發(fā)展

(1)斯坦福大學(xué)空間智能

斯坦福大學(xué)李飛飛團(tuán)隊(duì)在空間智能研究中使用Franka機(jī)器人進(jìn)行實(shí)驗(yàn)，通過精確控制和多模態(tài)傳感，實(shí)現(xiàn)機(jī)器人在復(fù)雜環(huán)境下的空間理解和操作策略優(yōu)化。

斯坦福大學(xué)空間智能

(2)斯坦福大學(xué)長(zhǎng)序列操作實(shí)驗(yàn)PTPBEST PAPER @RSS2025

斯坦福大學(xué)Marcel Torne,Chelsea Finn等，利用Franka機(jī)器人開展長(zhǎng)序列操作實(shí)驗(yàn)（PTP, Pick-Then-Place），通過高自由度和精密力控驗(yàn)證復(fù)雜任務(wù)的可行性，為具身智能任務(wù)規(guī)劃提供實(shí)證基礎(chǔ)。論文在RSSConference on Robot Learning2025RSS獲得最佳論文.(Best Paper Award at the Robot Representations Workshop atRSS）

斯坦福大學(xué)長(zhǎng)序列操作實(shí)驗(yàn)PTP

(3)卡內(nèi)基梅隆大學(xué)（CMU）提出的Neural MP-Best Student Paper@IROS2025

在2025年IROS大會(huì)上，卡內(nèi)基梅隆大學(xué)（CMU）提出的Neural MP通用神經(jīng)規(guī)劃器基于Franka機(jī)器人進(jìn)行實(shí)驗(yàn)，實(shí)現(xiàn)了跨環(huán)境和跨任務(wù)的高效規(guī)劃。該論文獲得IROS 2025 Best Student Paper Award Winner。

卡內(nèi)基梅隆大學(xué)（CMU）提出的Neural MP

(4)加州大學(xué)伯克利DSRLBest Paper@CORL 2025

CORL 2025最佳論文DSRL來(lái)自加州伯克利大學(xué)，驗(yàn)證深度強(qiáng)化學(xué)習(xí)策略在復(fù)雜操作任務(wù)中的泛化能力，也依賴Franka平臺(tái)。

加州大學(xué)伯克利DSRL

(5)麻省理工學(xué)院FABRICABest Paper@CORL 2025

CORL 2025最佳論文來(lái)自麻省理工學(xué)院FABRICA項(xiàng)目使用Franka機(jī)器人進(jìn)行裝配任務(wù)研究，展示其在精密操作和協(xié)作場(chǎng)景中的優(yōu)勢(shì)。

麻省理工學(xué)院FABRICA

這些學(xué)術(shù)實(shí)踐表明，Franka機(jī)器人不僅為復(fù)雜操作任務(wù)提供穩(wěn)定硬件支持，也促進(jìn)了全球?qū)W術(shù)界在具身智能領(lǐng)域的協(xié)同研究。研究者能夠在共享硬件平臺(tái)和開源算法的基礎(chǔ)上快速迭代實(shí)驗(yàn)成果，加速科學(xué)發(fā)現(xiàn)和技術(shù)落地。

(6)PNP問題思考：具身智能策略訓(xùn)練慮成本vs時(shí)間？

具身智能科研成果更新頻率越來(lái)越快的情況下，你會(huì)為考慮成本而犧牲時(shí)間做大量底層重復(fù)的開發(fā)嗎？還是沿用成熟生態(tài)在此基礎(chǔ)上更新迭代？

5. 全球頂尖人工智能與機(jī)器人實(shí)驗(yàn)室的主流平臺(tái)

不僅在個(gè)別科研機(jī)構(gòu)，全球多個(gè)有影響力的人工智能和機(jī)器人實(shí)驗(yàn)室也將Franka機(jī)器人作為具身研究的主要平臺(tái)。

(1)加拿大多倫多大學(xué)機(jī)器人研究所

例如，加拿大多倫多大學(xué)機(jī)器人研究所是該國(guó)最大的機(jī)器人研究機(jī)構(gòu)，其廣泛采用Franka機(jī)器人開展高自由度操作、力感知控制和VLA實(shí)驗(yàn)。Franka的穩(wěn)定性和可重復(fù)性，使多組研究團(tuán)隊(duì)能夠在同一平臺(tái)上協(xié)作實(shí)驗(yàn)，提高科研效率。

多倫多大學(xué)機(jī)器人研究所

(2)慕尼黑工業(yè)大學(xué)和AI FACTORY

在歐洲，慕尼黑工業(yè)大學(xué)和AI FACTORY也將Franka作為核心實(shí)驗(yàn)平臺(tái)，進(jìn)行高精度操作、機(jī)器人協(xié)作和力控研究，支持復(fù)雜任務(wù)的快速迭代與驗(yàn)證。

慕尼黑工大AI FACTORY

(3)卡內(nèi)基梅隆大學(xué)機(jī)器人研究所

美國(guó)卡內(nèi)基梅隆大學(xué)機(jī)器人研究所長(zhǎng)期使用Franka機(jī)器人進(jìn)行跨任務(wù)規(guī)劃、通用神經(jīng)規(guī)劃器和多機(jī)器人協(xié)作研究，其高自由度和靈敏力控提供了可靠實(shí)驗(yàn)基礎(chǔ)。這種系統(tǒng)化和長(zhǎng)期化應(yīng)用，使Franka機(jī)器人在全球頂級(jí)實(shí)驗(yàn)室形成標(biāo)準(zhǔn)化具身智能研究平臺(tái)。

PNP問題思考：工具具身方向vs學(xué)術(shù)研究的異同？

在各大知名機(jī)器人研究機(jī)構(gòu)中，對(duì)于機(jī)器人的選擇和現(xiàn)實(shí)工業(yè)界的需求一樣嗎，有什么不同？

▍結(jié)束語(yǔ)

Franka機(jī)器人在具身智能領(lǐng)域發(fā)揮著引領(lǐng)作用，其優(yōu)勢(shì)體現(xiàn)在硬件設(shè)計(jì)、力控精度、科研生態(tài)及全球應(yīng)用等多個(gè)方面。七軸結(jié)構(gòu)、多模態(tài)力控和高頻接口為復(fù)雜操作提供基礎(chǔ)，高度開放的科研生態(tài)使研究者能夠快速驗(yàn)證和迭代算法成果。全球頂尖科研機(jī)構(gòu)和工業(yè)實(shí)驗(yàn)室的廣泛采用，使Franka機(jī)器人成為具身智能研究的標(biāo)準(zhǔn)平臺(tái)。PNP機(jī)器人作為Franka機(jī)器人負(fù)責(zé)方，持續(xù)推動(dòng)其在數(shù)據(jù)采集、操作策略驗(yàn)證和應(yīng)用場(chǎng)景搭建中的落地，為具身智能的發(fā)展提供了可靠支撐。Franka機(jī)器人通過提供高自由度、高精度、可重復(fù)的實(shí)驗(yàn)環(huán)境，使研究者能夠站在前人成果的基礎(chǔ)上進(jìn)行創(chuàng)新，顯著縮短了科研周期，成為具身智能研究不可或缺的平臺(tái)。

作者簡(jiǎn)介：

包文濤，PNP機(jī)器人，創(chuàng)始人/CEO，畢業(yè)于哈爾濱工業(yè)大學(xué)機(jī)器人技術(shù)與系統(tǒng)全國(guó)重點(diǎn)實(shí)驗(yàn)室，機(jī)器人方向；2006-2015年間，在傳統(tǒng)工業(yè)機(jī)器人巨頭ABB工作于美國(guó)、加拿大等北美地區(qū)，高級(jí)管理職位；2015-2020年，在全球協(xié)作機(jī)器人先驅(qū)Universal Robots（優(yōu)傲機(jī)器人）任職，中國(guó)區(qū)負(fù)責(zé)人之一，從0到1推廣了“協(xié)作機(jī)器人”概念。2021年至今-創(chuàng)始人，集智聯(lián)機(jī)器人/PNP機(jī)器人，面向具身智能機(jī)器人方向，聚焦即插即用（“PLUG&PLAY”）機(jī)器人技術(shù)和應(yīng)用。PNP機(jī)器人負(fù)責(zé)Franka機(jī)器人技術(shù)支持、市場(chǎng)、渠道等,提供具身智能機(jī)器人解決方案。

參考資料：

(1)RoboMIND: Benchmark on Multi-embodiment Intelligence Normative Data for Robot Manipulation Beijing Innovation Center of Humanoid Robotics, State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University,Beijing Academy of Artificial Intelligence. arXiv:2412.13877v3.27 May 2025

(2)Cheng Chi, Siyuan Feng, Yilun Du, Zhenjia Xu, Eric Cousineau, Benjamin Burchfiel, and Shuran Song.Diffusion policy: Visuomotor policy learning via action diffusion.RSS, 2023.

(3)Songming Liu, Lingxuan Wu, Bangguo Li, Hengkai Tan, Huayu Chen, Zhengyi Wang, Ke Xu, Hang Su, and Jun Zhu.RDT-1b: a diffusion foundation model for bimanual manipulation.In The Thirteenth International Conference on Learning Representations, 2025.

(4)Sami Haddadin; Sven Parusel; Lars Johannsmeier; Saskia Golz; Simon Gabl; Florian Walch. The Franka Emika Robot: A Reference Platform for Robotics Research and Education. IEEE Robotics & Automation Magazine PP(99):2-14.December 2024

(5)Octo Model Team, Dibya Ghosh, Homer Walke, Karl Pertsch, Kevin Black, Oier Mees, Sudeep Dasari, Joey Hejna, Tobias Kreiman, Charles Xu, et al.Octo: An open-source generalist robot policy.In Proceedings of Robotics: Science and Systems, 2024.

(6)Murtaza Dalal Jiahui Yang Russell Mendonca Youssef Khaky Ruslan Salakhutdinov Deepak Pathak . Neural MP: A Generalist Neural Motion Planner IROS 2025 Best Student Paper Award Winner. arXiv:2409.05864v1 [cs.RO] 09 Sep 2024

(7)Andrew Wagenmaker.Steering Your Diffusion Policy with Latent Space Reinforcement Learning. arXiv:2506.15799v2 [cs.RO] 25 Jun 2025

(8)Yunsheng Tian, Joshua Jacob et. Fabrica: Dual-Arm Assembly of General Multi-Part Objects via Integrated Planning and Learning.arXiv:2506.05168. 5 Jun 2025

(9)K. Black, N. Brown, D. Driess, A. Esmail, M. Equi, C. Finn, N. Fusai, L. Groom, K. Hausman,B. Ichter, et al. π0: A vision-language-action flow model for general robot control. arXivpreprint arXiv:2410.24164, 2024.

(10)Carolina Higuera, Akash Sharma,Chaithanya Krishna Bodduluri,Sparsh: Self-supervised touch representations for vision-based tactile sensing.arXiv:2410.24090v1 [cs.RO] 31 Oct 2024

(11)William Yang and Michael Posa.Dynamic On-Palm Manipulation via ControlledSliding. Robotics: Science and Systems. Delft, Netherlands, July 15-July 19, 2024

(12)Kevin Black, Noah Brown, Danny Driess, Adnan Esmail, Michael Equi, Chelsea Finn, NiccoloFusai, Lachy Groom, Karol Hausman, Brian Ichter, et al. pi0: A vision-language-action flowmodel for general robot control. arXiv preprint arXiv:2410.24164, 2024.

(13)Johan Bjorck, Fernando Castaneda, Nikita Cherniadev, Xingye Da, Runyu Ding, Linxi Fan, Yu Fang, Dieter Fox, Fengyuan Hu, Spencer Huang, et al. Gr00t n1: An open foundation modelfor generalist humanoid robots. arXiv preprint arXiv:2503.14734, 2025.

(14)Steven Morad, Ryan Kortvelesy, Matteo Bettini, Stephan Liwicki, and Amanda Prorok. POPGym:Benchmarking partially observable reinforcement learning. In The Eleventh International Conference on Learning Representations, 2023. URLhttps://openreview.net/forum?id=chDrutUTs0K.

(15)Soroush Nasiriany, Sean Kirmani, Tianli Ding, Laura Smith, Yuke Zhu, Danny Driess, Dorsa Sadigh, and Ted Xiao.Rt-affordance: Affordances are versatile intermediate representations for robot manipulation, 2024a.URLhttps://arxiv.org/abs/2411.02704.

(16)Feng Siyuan, Burchfiel Ben, Albina Toffee, and Tedrake Russ. 2023. TRI’s Robots Learn New Manipulation Skills in an Afternoon. Here’s How.Accessed: May 20, 2024.

(17)Physical Intelligence (π)https://www.physicalintelligence.company/

(18)Open X-Embodiment: Robotic Learning Datasets and RT-X Models,Open X-Embodiment Collaboration, arXiv:2310.08864v9 [cs.RO] 14 May 2025,robotics-transformer-x.github.io

(19)Meta. 2024. Meta XR Interaction SDK OVR Samples. Accessed: May 26, 2024.

(20)Alexander Khazatskyetc.,Droid: A large-scale in-the-wild robot manipulation dataset.In Proceedings of Robotics: Science and Systems, 2024.

(21)Visualizing Hand Force with Wearable Muscle Sensing for Enhanced Mixed.Reality Remote Collaboration. IEEE Transactions on Visualization and Computer Graphics 2023.

(22)Yiming Liu, Raz Leib, and David W Franklin. 2023. Follow the force: Haptic communication enhances coordination in physical Human-Robot.interaction when humans are followers. IEEE Robotics and Automation Letters 2023.

(23)New Solutions for the Industry of the Future.Digital Twins and Cybersecurity Strategies for the Modern World of Workhttps://www.research-in-bavaria.de/industry-of-the-future/

(24)Germany’s Hub for Robotics and AI Excellence https://robotics-institute-germany.de/

(25)Jiahao Chen, D. Antony Chacon, Muhammad Bilal, Qiushi Zhou, Wafa JohalAuthors Info & Claims.Mr.LfD: A Mixed Reality Interface for Robot Learning from Demonstration.OzCHI '24: Proceedings of the 36th Australasian Conference on Human-Computer Interaction. 29 September 2025

(26)University of Toronto’s hub for multidisciplinary robotics research and innovationhttps://robotics.utoronto.ca/

(27)The Robotics Institute at Carnegie Mellon Universityhttps://www.ri.cmu.edu/

(28)Franka Robotics GmbH.Franka robotics, 2025.URL https://franka.de/.

(29)PNP Robotics CO.Ltd. PNP ROBOTS, 2025.URL,https://www.pnprobotics.com