武大团队连发重磅成果！人形机器人多模态推理、安全防御、灵巧操作全面突破

在人形机器人向实际场景落地的过程中，泛化操作能力不足、安全防御存在漏洞、精细操作感知受限、柔性示教效率低下等问题，一直是行业亟待突破的技术瓶颈。

武汉大学李淼团队近期在AAAI 2026、ICRA等顶级国际会议及相关研究中接连取得重大突破，从多模态推理框架、安全防御体系、视触觉融合感知、柔性操作示教四个核心维度，为人形机器人的智能化、安全性、灵巧化发展奠定了关键技术基础，多项成果达到行业领先水平。

突破泛化瓶颈：RGMP 框架让机器人学会 “举一反三”

人形机器人要真正走进生产生活，能否在有限示教下实现异构场景的泛化操作是核心关键。当前主流方法过度依赖海量训练数据，几何推理能力缺失，导致机器人操作 “死板”，难以应对未知场景。

针对这一难题，团队在 AAAI 2026 发表重磅成果，提出RGMP（Recurrent Geometric-prior Multimodal Policy）端到端泛化操作框架，将几何先验与多模态推理深度融合，打造了几何推理 + 数据高效控制的双核心架构。

• 几何先验技能选择器（GSS）
  
  仅用 20 条规则约束，就能将几何常识轻量级注入多模态大模型，动态适配技能选择，解决未知场景的技能模糊问题；
• 自适应递归高斯网络（ARGN）
  
  结合旋转位置编码与自适应衰减机制，通过高斯混合模型对 6 自由度操作轨迹分层建模，让机器人在少量演示数据下也能实现灵巧操作

严苛的真机与仿真测试印证了 RGMP 的超强性能：仅用 40 条 “芬达罐抓取” 演示数据训练，模型在可乐罐、喷雾瓶、人手等全新对象抓取任务中平均成功率达87%，较主流 Diffusion Policy 提升 17 个百分点；数据效率直接提升 5 倍，仅需五分之一样本就能达到同等甚至更优性能。在推椅子、插充电器、开柜门等复杂任务中，RGMP 也展现出最优的跨任务迁移能力，其技术可广泛应用于工业装配、物流分拣、家庭服务、医疗辅助等场景。目前，RGMP 相关代码已正式开源，为领域研究提供重要参考。

筑牢安全防线：Bera 框架与对抗研究破解具身智能安全隐患

随着视觉 - 语言 - 动作（VLA）模型在机器人领域的广泛应用，模型的后门攻击风险、物理对抗攻击脆弱性成为机器人安全部署的重大挑战 —— 后门攻击可通过有毒数据植入隐蔽 “陷阱”，特定条件下触发机器人执行有害行为；物理世界的对抗物体则能直接干扰机器人感知与决策，导致任务彻底失败。

李淼团队双管齐下，既提出防御方案，也深入剖析攻击机理，为具身智能安全筑牢防线：

1. Bera 后门擦除框架：团队首次揭示后门攻击的 “深层注意力劫持” 机制，基于此提出的 Bera 框架，无需重训练模型、更改训练流程，通过潜空间定位检测异常注意力 Token，掩码可疑区域并重构无触发器图像，直接打破 “触发器 - 不安全动作” 的映射关系。实验证明，Bera 在完全保留模型原有性能的同时，能显著降低后门攻击成功率，为机器人系统提供了高效、落地性强的防御机制。

2. 通用对抗物体研究：团队构建了表面经特殊纹理优化的通用对抗物体，仅需置于机器人视野，就能从轨迹规划、任务执行、动作控制三个维度协同破坏 VLA 模型操作流程。测试显示，该对抗物体使 Pi0、RDT 等前沿 VLA 模型平均任务成功率下降 31.2% 至 39.9%，复杂场景下成功率近乎归零。这一发现深刻揭示了当前具身智能系统的物理安全漏洞，为后续防御研究指明了方向。

赋予敏锐触觉：GTMF 框架解决视觉单模态感知痛点

在精细抓取任务中，单一视觉感知存在固有物理盲区，且易受手部位姿、接触力分配误差影响，导致机器人闭环控制频繁失败，这成为制约人形机器人灵巧操作的重要难题。

团队提出引导式触觉多模态大模型框架（GTMF），打造了端到端的视触觉融合解决方案，首次实现仅通过 RGB 图像解码生成触觉信号并应用于实时抓取姿态调整。该框架创新设计穿戴式视触觉同构数据采集模块，实现人手触觉、执行器末端视觉与位姿数据的跨具身一体化采集；算法层面，通过掩码引导式注意力模块过滤纹理色彩干扰，完成高精度位姿校准，再经视触觉对齐解耦模块构建联合特征空间，能根据 RGB 图像生成场景自适应触觉阈值，并结合指尖触觉传感器实时反馈，驱动灵巧手动态调整抓取角度，实现精准闭环伺服控制。真机实验验证，即便仅依赖视觉输入，GTMF 的抓取精度与稳定性也远超主流基线方法，为 VLA 框架下的灵巧抓取开辟了全新技术路径。

破解示教难题：DexSo-UMI 开启柔性操作模仿学习新范式

高质量示教数据是机器人模仿学习落地的核心，但多自由度灵巧柔性操作的示教数据采集，长期面临具身一致性不足、环境适应性有限、对动态背景敏感等问题，成为算法落地的重要瓶颈。

团队提出DexSo-UMI 软硬件协同接口系统，构建了从多模态数据采集到智能策略生成的全流程解决方案，彻底打破数据与算法瓶颈：

• 硬件端
  
  设计集成柔性灵巧手、惯性测量单元（IMU）与广角相机的便携式手持示教装置，以极低成本实现多模态数据同步采集，保证绝对的具身视角一致性；
• 算法端
  
  引入运动感知视觉 Transformer（MV-ViT），融合时间残差信息，增强动态背景下的目标聚焦能力；设计抓取感知网络（Grasping Net），精细提取手 - 物交互与关节状态特征，与全局场景嵌入共同调节扩散策略，精准生成复杂抓取状态。

在 UR5 机械臂、双臂机器人的编钟演奏等任务测试中，DexSo-UMI 系统在各类抓取任务中平均成功率达82.4%，较传统 Diffusion Policy 提升 6.44%，在未知场景中展现出卓越的鲁棒性，以高性价比和视觉驱动的智能策略生成能力，为灵巧柔性操作的规模化普及提供了新思路。