空间音频 vs 具身智能：一份读博选方向的两块研究地图

选方向最难受的状态不是「什么都不会」，而是「两边都动过手，但没有地图」——知道双耳渲染能跑通，也知道仿真器加模仿学习能跑通，可是不知道这两个方向各自还剩哪些活、谁在做、值不值得押上三年。

这篇不重讲 HRTF 是什么、行为克隆是什么。它做的是另一件事：把两个方向的研究版图各画一张，标出近两年真正活跃的格子、每个格子的代表工作与已知失败模式，再落到「谁在做、能不能先跑一段代码试试、最后怎么选」。

一、戴上耳机听到邻居上楼、机器人去厨房拿杯子：两个方向各自在解决什么问题

空间音频的问题可以压成一句话：只有左右两个耳道口的信号，怎么让人听出「声音从哪个方向来、这是个什么样的空间」。深度学习进来之后，这件事分岔成了两条并行的范式。一条是显式 HRTF 滤波——先用网络预测出这个人的个性化 HRTF，再走传统的 HRIR 卷积渲染；另一条是端到端双耳合成——跳过显式的 HRTF，直接把单声道音频（外加可选的视觉、文本或空间参数）映射成双耳信号，让网络自己隐式学空间线索。

图注：双耳音频重建的两条主范式对照：(a) 基于 HRTF 的滤波，(b) 端到端双耳合成。图只画到「范式」这一层，不代表任何具体网络结构。双耳个性化综述

这张图适合当空间音频这一侧的坐标原点：数据驱动拟合方向感的那套做法落在左边 (a) 这一支，右边 (b) 是近几年新长出来的地盘。有一点必须先说清楚——这篇综述的覆盖窗口严格截至 2025-09，它把 HRTF 个性化的输入按形态学特征、环境线索、稀疏测量分成三类，并且明确诊断了一个贯穿全场的问题：信号级客观指标与人耳实际听感的相关性很差。后文会提到的 HRTFformer（2025-10）和 MERL 的神经场教程（2025-11）都在它的覆盖范围之外 双耳个性化综述。

具身智能这边同样可以压成一句话：让智能体在真实物理世界里把「看见—听懂—决策—动手」这个闭环跑完。这个方向近年被组织得最清楚的一张分类图来自视觉-语言-动作（VLA）模型综述。

图注：VLA 模型的分类树，根节点向下分出四个并列的一级分类——Components of VLA、Control Policies、Task Planners、Datasets & Benchmarks，每类下再分 6–9 个二级子项。四个分类是平行的四摊活，不是流水线上的四道工序。VLA 综述

这张图的实用价值在于把「哪一摊活值得挑」摊开了：仿真器加模仿学习跑通的东西，落在 Control Policies 这一支的入门层；再往上走是 Transformer 化的控制策略，最上层才是那些建在大模型之上的 Large VLA。值得注意的是这篇综述对 VLA 采取了宽定义——任何把视觉与语言输入接到机器人动作上的模型都算，不必自己训一个 7B 的多模态大模型才有资格进场 VLA 综述。

接下来两章，就是把这两张坐标图上「近两年真正有人在做」的格子逐个标出来。

二、空间音频这块地图：个性化 HRTF、神经声场、视觉条件三条线各自还剩什么活

这一章按三条子方向切，每条给同样的三栏：机制是什么 → 拿什么评测 → 已知在哪儿失败。

2.1 个性化 HRTF：数据稀缺被「检索」接住了

这条线最活跃的推进来自 RANF。它的机制是把两条原本各走各路的思路缝在一起：神经场（把 HRTF 当作声源方向的连续函数来拟合）和被试检索（从数据库里挑一个听起来最像的人）。

换个场景就很好懂：手上只有一个学生的三次作业，却要判断他整个学期的学习曲线——硬从这三次里推，多半是过拟合；换个做法，先从往届档案里挑出这三次表现最接近的五个人，把他们完整的学期曲线一并摆到桌面上，再去推这个新学生。RANF 干的正是这件事——按 ITD 误差检索出 K=5 个最相近的被试，把这些人在目标方向上的 HRTF 幅度和 ITD 一并喂给神经场当上下文，而不是逼模型把一切都塞进自己的参数里。对应关系是严丝合缝的：三次作业 = 3 个稀疏测点，往届档案 = SONICOM 数据库，挑五个人 = K=5 检索，摆上桌面 = 检索结果作为网络输入。

图注：RANF 的四步流程。① 从数据库检索 K 个被试；② 算出这些被试在目标方向 d 上的 HRTF 幅度与 ITD；③ 选取被试专属参数；④ 神经场综合以上信息，输出目标被试在方向 d 上的 HRTF 幅度与 ITD。图是架构无关的抽象示意，不代表某种具体网络（如 Transformer）。RANF

评测：SONICOM 数据集、3/5/19/100 四档稀疏度，指标是 LSD / ILD / ITD。在 3 个测点下，RANF 的 LSD 为 4.4 dB、ITD 为 20.5 μs，优于纯神经场路线（NIIRF 的 LoRA 方案在同档位 ITD 劣化到 28.6 μs——被试专属参数太多、数据太少，直接过拟合）。已知失败模式：优势在密集采样时消失——100 个测点下 NIIRF 的 ITD 反而更好（9.1 μs vs 10.0 μs），因为数据够多时纯神经场的容量已经够用，检索这层结构不再带来额外信息 RANF。

同一个子问题上还有一条完全不同的技术路线在并行推进：HRTFformer 不走神经场，而是把 HRTF 转到球谐（SH）域，用 Transformer 做上采样。

图注：HRTFformer 的上采样流程：低分辨率 HRTF 先转到球谐域得到 SH 系数作为输入，编码器抽取全局与局部空间特征并压缩为潜表示，解码器据此外推与内插出更高阶的 SH 系数，最后反变换回高分辨率 HRTF；同一模型在四档稀疏度下评估。这不是端到端的波形级网络。HRTFformer

它真正有意思的地方是动机：作者发现客观 LSD 和人的感知经常对不齐，稀疏时模型倾向于输出一个「平均脑袋」的 HRTF，指标好看但个性化没了。为此他们加了 neighbour dissimilarity loss，显式约束相邻方向之间的空间连续性。已知边界要一起记下来：它的感知评估用的是贝叶斯听觉定位模型的预测，不是真人听音实验；论文仍是预印本、期刊未定，也没有公开仓库。另外，作者把 SH 编码再解码本身当作误差下限量了一次——ITD 误差里 30%、LSD 里 26% 来自有限 SH 阶数本身 HRTFformer。

2.2 神经声场：从「一个人一个模型」到「一个模型管多个房间」

把上面这条线拉远一点看，会发现它属于一个更大的谱系：用神经场统一表示空间音频里的物理量。MERL 的教程把这条线的演进画成了一张二维地图。

图注：HRTF 神经场方法的二维分类坐标：纵轴是显式 / 隐式（带可微解码器），横轴是单被试 / 多被试；图中标出 HRTF Field、HRTF auto-encoder、RANF、NIIRF、SuDaField 的相对位置，虚线框与蓝色注释强调 SuDaField 处理「不同录音装置差异」的定位。图中只有位置关系，没有任何性能数据。MERL 神经场教程

演进的主线很清楚：早期是每个被试单独训一个神经场；接着是跨被试共享主干、用被试向量做条件化；再往后条件化方式越做越省参数（FiLM、LoRA、BitFit 这类从大模型迁移过来的高效微调思路）；然后是 NIIRF 让神经场去预测可微 IIR 滤波器的参数；SuDaField 再把「数据集专属参数」和「被试专属参数」解耦，于是换个数据集参数就相当于在不同录音装置之间转换 HRTF；最后才是 RANF 的检索增强。RIR（房间冲激响应）那条平行线走的是同样的路径，但跨房间泛化明显比跨被试更难——这是这条子方向公认还没啃下来的硬骨头，也是最值得挑的题目之一。教程自己列的三条剩余挑战是：数据集规模有限、多模态融合尚在早期、训练与推理算力对实时 AR/VR 仍是障碍 MERL 神经场教程。

2.3 视觉条件：让模型从图像和几何里一起学声音

第三条线是「多模态融合」这条挑战的正面回应：给一段声音加上目标环境的视觉输入，合成出听起来像在那个环境里录的声音。任务在 2022 年由 Visual Acoustic Matching 正式定义，动机写得很直白——真实空间与虚拟重现空间声学不一致时，人会出现「房间不一致效应」，沉浸感直接崩掉。之后的演进链是：纯声学的 NAF / INRAS → 把 NeRF 渲出的 RGB 与深度当独立输入的 AV-NeRF → 联合训练辐射场与声学场的 NeRAF → 显式建模墙体遮挡的 SOAF。

图注：NeRAF 的双流流程：NeRF 分支把 3D 坐标与方向映射到密度和颜色，grid sampler 查询辐射场填出场景体素网格；神经声学场分支把声源-麦克风位姿与方向映射到 STFT，并以抽取出的场景特征为条件；预测出的 RIR 与源音频卷积即得到与场景匹配的空间化音频。两条分支是独立的，通过共享的场景特征耦合，不是同一个 MLP 同时输出视觉与声学。NeRAF

SOAF 在此之上又加了两个组件：把场景的距离衰减与墙体遮挡透射相乘构成全局声学场先验，再用方向感知注意力分别生成左右耳特征。它给出的数字是可以直接引用的——在 RWAVS 上 MAG 指标比 AV-NeRF 降 7.2%、比 ViGAS 降 23.7%，在 SoundSpaces 上 T60 误差比 AV-NeRF 降 7.3%、比 INRAS 降 27.1%。已知边界同样清楚：作者自述仍是场景专属、静态声源，先验也只覆盖几何维度（距离、遮挡、方向），没碰混响与飞行时间 SOAF。这条线的真实评测底线由 Real Acoustic Fields 撑着——目前唯一公开的真实密集 3D 音视频数据集，但它只有两个物理场景，作者自己也提醒它对跨房间泛化的研究用途有限。

三、具身智能这块地图：仿真到真机、模仿学习+扩散、基础模型/VLA

这一章严格按「原理 → 实战范式 → 演进终点」的顺序走。

3.1 仿真到真机：把「gap」拆成四族原子

sim-to-real 最容易被当成一个模糊的整体名词。2025-10 的 Reality Gap 综述做的第一件事就是把它拆开。

图注：左侧是四足、人形、机械臂、竞速无人机等真实机器人应用场景照片，右侧是对应的仿真渲染；图顶把 reality gap 分解为 dynamics、perception & sensing、actuation & control、system design 四个维度。这是真机与仿真的视觉对照，不是任何具体算法的架构图。Reality Gap 综述

这四族值得背下来：动力学（刚体假设、接触力学、参数化误差、数值积分误差）、感知（传感器模型与噪声、环境表示、碰撞检测代理体）、驱动（执行器高阶特性、被厂商藏起来的底层控制器、功率电子的量化与保护逻辑）、系统设计（通信延迟、安全机制、控制频率不一致）。有了这四个抽屉，后面读到的任何一次真机失败，都能立刻被归档到某一族里。

方法这一侧同样被切成了两半。

图注：sim-to-real 迁移方法的分类，左半是「缩小 gap」（改善仿真器 / 选择模态与表征 / 系统设计选择），右半是「越过 gap」（域泛化与域适应 / 数据选择与探索 / 策略架构与正则化）；彩色方块标注每种方法针对哪一族 gap。方块与具体 gap 的逐一颜色对应不宜当作强证据结论。Reality Gap 综述

综述还给了一个很有用的评测双轨：一轨评估 gap 本身（仿真-真实成功率的 Pearson 相关系数 SRCC、开环回放误差、视觉保真度），一轨评估迁移表现（成功率、累积回报、任务专属指标）。它点出的判断点很锋利——如果 SRCC 很低但真实平均成功率不低，说明仿真已经不能再当作高效的代理评测器了。开放问题也说得很实在：接触密集、可形变、高精度的任务依然在失败；世界模型与可微仿真器是接下来两三年最被看好的路径 Reality Gap 综述。

3.2 模仿学习 + 扩散：把动作序列当成去噪过程

Diffusion Policy 是这条线的奠基节点，它的一句话核心是：把视觉运动策略表示成在机器人动作上的条件去噪扩散过程——不输出单个动作，而是把一段高斯噪声迭代地精修成一整条连贯的多步动作序列，条件是最近一小段观测。

图注：三类策略表示对照：(a) 显式策略直接由观测输出动作；(b) 隐式策略学一个同时以动作与观测为条件的能量函数，再去找能量最低的动作；(c) 扩散策略通过学到的梯度场把噪声精修成动作，训练稳定、能准确刻画多模态动作分布、也容纳高维动作序列。三个面板不对应 LSTM-GMM / IBC / BET 等具体方法。Diffusion Policy

为什么这个表示比行为克隆更值钱？三条性质：朗之万动力学能在多个模态之间穿行，所以多模态动作分布不会被平均掉；它天然适配高维输出，于是可以一次预测整段序列；训练目标是分数匹配，绕开了能量模型里那个难算的归一化常数——隐式策略（IBC）正是因为要靠负采样估计这个常数，评估成功率才会来回震荡。

图注：Diffusion Policy 概览：(a) 通用形式，策略吃最近 T_o 步观测、吐出 T_a 步动作；(b) CNN 版本用 FiLM 把观测特征逐通道调制进每个卷积层，从高斯噪声出发反复减去噪声预测网络的输出，重复 K 次得到去噪后的动作序列；(c) Transformer 版本把观测嵌入送进每个解码器块的多头交叉注意力，动作嵌入之间用因果掩码只看自己和更早的动作。图中不含具体通道数、K 值或注意力头数。Diffusion Policy

真正让它能上真机的是三个工程决定，其中最值得单说的是滚动时域控制：预测 T_p 步、只执行前 T_a 步，然后重新规划。这个「预测得长、执行得短、执行完再看新观测重来」的结构，和一堂课的备与讲是同一个形状——备课是把一整段内容的推进顺序全想好，上讲台却只讲前面几分钟，讲完看学生的反应，再回头调整后面那一段。两边的取舍也一样：想得太长而不回头看，动作会僵在过时的判断上；每一步都推倒重想，前后又会失去连贯。论文给出的默认值是 T_a = 8 在多数任务上最合适。另外两个决定是视觉条件的注入方式（CNN 用 FiLM、Transformer 用交叉注意力，视觉编码器每次推理只跑一遍），以及时序扩散 Transformer——它修掉了 1D 时序卷积主干在高频速度控制任务上过度平滑的毛病。

成绩：期刊版在 4 个基准共 15 个任务上平均提升 46.9% 成功率（会议版报告的是 12 个任务、同一数字，是版本差异不是矛盾）；长时程多模态任务上的提升更夸张——Block Push 的 p2 指标 +32%，Franka Kitchen 的 p4 指标 +213%。用 DDIM（训练 100 步、推理 10 步）后单卡 3080 上推理延迟约 0.1 秒 Diffusion Policy。

3.3 基础模型 / VLA：Octo 是这条线上能上手的那个开源代表

再往上一层，是把互联网规模预训练的多模态模型接到机器人动作头。这条线的工作大多闭源，Octo 是少见的例外——完整开源的通用机器人策略。

图注：Octo 的模型架构。左：任务描述（绿）用预训练语言模型、输入观测（蓝）用轻量 CNN 分别切成 token。上：Transformer 主干处理任务与观测 token 序列，产出 readout token（紫）交给输出头生成动作。下：分块注意力结构使得微调时可以增删输入输出——例如加入新观测（蓝虚线）或新动作空间（紫虚线）而不修改任何预训练参数。图中不含参数量、训练时长或数据集组成信息。Octo

它的三件套是：Transformer 主干 + 扩散动作头（直接继承上一节的动作分块与 DDPM 目标）+ 模块化 token。第三件是它区别于 RT-2、ViNT 那类架构的关键——那些架构加一路图像输入或换个任务，就得重新初始化大半个模型。训练数据是从 Open X-Embodiment 里人工筛出的 25 个子集、约 80 万条轨迹（作对比，RT-1-X / RT-2-X 用的是 35 万条的子集）。发布了 27M 和 93M 两个权重。成绩：6 个新域微调平均成功率 72%，而同样超参下「ResNet+Transformer 从头训」只有 20%；零样本比 RT-1-X 高 29%，与当时不开源的 55B 参数 RT-2-X 相当 Octo。

把三层关系钉一下：sim-to-real 是「策略怎么才能上真机」这个基础问题；扩散是「视觉运动策略用什么表示」；VLA 是「怎么把通用预训练接到动作头」。三者是叠加的，不是互相替代的。

四、谁在做、跟组能拿到什么

选方向到最后其实是选组。下面这张表只列在本文引用的工作里有直接证据的团队，风格标签基于它们各自产出的东西（做工具与平台的记为系统派，做任务定义与理论框架的记为理论派，做落地产品线的记为应用派）。

有两点要单独提醒。第一，双耳个性化综述的作者地图与 MERL、Meta、Adobe 这些美国音频大厂完全没有重叠——它们是互补的两套生态，不是同一批人；把综述当成「这个领域谁在做」的名单会漏掉一半。第二，招生名额与实习岗位这类信息时效性极强，上面任何一行都该去实验室主页自己核一遍再动手写邮件。

跨方向的那个交叉点也值得单独看一眼——SoundSpaces 把空间音频的渲染和具身智能的导航焊在了同一个仿真器里。

图注：SoundSpaces 2.0 在多房间多层 HM3D 场景中的渲染示意：客厅里男孩在看电视，楼下厨房里妈妈叫他吃饭；系统对两个声源到听者的传播建模直达声、反射、混响、透射、衍射与空气吸收等频率相关的声学现象，基于以场景几何与物体材质为输入的双向路径追踪算法，接收到的声音再用 HRTF 空间化为双耳信号——于是视觉与听觉观测具有空间与声学上的对应关系。这是 2.0 的能力，1.0 没有路径追踪渲染。SoundSpaces

五、用一段代码验证兴趣：跑声学导航，或者跑扩散策略

「我是真想做这个，还是只是觉得它看着酷」——这个问题不该靠读论文回答，该靠一个周末回答。两个方向各给一条最低成本路径。

空间音频侧：SoundSpaces 2.0 的声学导航。 平台的分水岭要先搞清楚：1.0 分发的是预渲染的双耳 RIR 数据集（867GB），agent 和声源都只能待在导航图的离散节点上；2.0 换成了在线的双向路径追踪渲染，agent 与声源可以在任意连续坐标上，还能换 mesh、换 HRTF、换材质。两者的 IR 数据互不兼容，复现 1.0 的论文必须用 1.0 的数据。

图注：任务示意——女孩在客厅，她的手机在餐厅响起，她让机器人把手机拿过来。机器人用双耳麦克风接到音频信号后需要搞清两件事：她在说什么（远场语音识别），以及怎么走到她和手机那里（视听导航）。下层是机器人接收到的左右耳波形示意。SoundSpaces

最小链路是：装好 Habitat-Sim 与 SoundSpaces → 跑 examples/soundspaces2_quick_tutorial.ipynb 把「设声源位置、取传感器观测、拿到冲激响应」这条 API 走一遍 → 用 ss_baselines/av_nav/run.py 配 audiogoal_depth.yaml 训练 → 开 VIDEO_OPTION 导出 demo 视频。一个必须先知道的事实：这个仓库在 2024-11-01 被标记为归档只读，代码仍可访问和 fork，但社区维护状态得自己确认；另外数据集受 Matterport3D 与 Replica 各自的许可约束，商用与再分发要小心 SoundSpaces。

具身侧两条梯度。 门槛低的那条是 Diffusion Policy：仓库提供两个 Colab notebook（一个状态输入的，一个视觉输入的 Push-T），本地跑就是建好 conda 环境后一句 train.py 配 image_pusht_diffusion_policy_cnn.yaml。它的代码结构本身值得看——Dataset / Policy / Workspace / EnvRunner 四层加 Hydra 配置，加一个新任务或新方法的成本是 O(N+M) 而不是 O(N·M)。

门槛高一点的那条是 Octo 微调。

图注：Octo 在跨 4 个机构的 9 个真实机器人 setup 上评估，覆盖多样的物体交互（WidowX BridgeV2）、长时程任务（Stanford Coffee）与精细操作（Berkeley Peg Insertion）；同时测试了微调到新观测（力矩输入）、新动作空间（关节位置控制）与新机器人本体的能力。照片本身不反映各 setup 的具体成功率。Octo

官方给的微调配方是约 100 条示教、5 万步、单卡 A5000（24GB）约 5 小时。也就是说，即使没有真机，用公开数据把「微调到一个新动作空间」这条路径走通，也在一台工作站的预算之内。

跑通之后，真正的问题才来：要不要为它 commit 三年？

六、把地图收成一张决策表：问题品味、算力门槛、组里资源、出口

先看一个信号。

图注：VLA 模型 2020 至 2025 年的时间线。左侧是按发表论文数排序的机构榜（最上方清华 71 篇），右侧是按时间排布的模型节点（虚线框为 Generalized VLA，实线框为 Large VLA），底部蓝条是逐年论文数：2020–2021 合计 4 篇、2022 年 9 篇、2023 年 21 篇、2024 年 55 篇、2025 年 276 篇。截至 2025-12；机构榜只是论文发表数，不宜解读为实力排名。VLA 综述

一年 276 篇是个双面信号：问题足够热，出口足够多，但也意味着增量创新的窗口被挤得很薄、审稿人见过的东西比三年前多得多。空间音频那边是另一种曲线——参与者少、单篇的份量重、公开数据集与评测协议相对稳定（SONICOM 的四档稀疏度、LAP 挑战赛的三项指标），一个想法做扎实了很容易被看见。

把前五章收成四列：

这张表的用法建议是反着来的——不要从「哪个方向更热」开始，先做一段。第五章那两条路径的意义就在这儿：跑通之后你会对着自己的反应做一次诚实判断——是在调 HRTF 频响曲线时觉得有意思，还是在看机器人第一次把杯子抓起来时觉得有意思。这个手感和「读论文时的想象」之间的差距，往往比任何一张对照表都更能定方向。

然后是三个可以立刻执行的动作：读一篇——RANF、Diffusion Policy、Octo 三选一，按上面那次手感选；跑一个——SoundSpaces 2.0、Diffusion Policy、Octo 三选一，跑到能导出一段 demo 为止；联系一个组——按第四章那张表筛，邮件里附上你跑通的那段东西，而不是附上你读过的论文清单。

最后留一个提醒。本文两条主线的时间线终点分别是 2025-11 与 2025-12（VLA 综述的统计截至 2025-12），实验室的招生动向、仓库的维护状态、预印本的接收情况都会变。地图能省掉的是「不知道有哪些格子」的时间，省不掉的是走过去看一眼。

参考文献

1. Masuyama, Y. et al. Retrieval-Augmented Neural Field for HRTF Upsampling and Personalization (RANF). arXiv:2501.13017, ICASSP 2025；扩展版 RANF+ 发表于 IEEE OJSP 2025。https://arxiv.org/abs/2501.13017 （代码：https://github.com/merlresearch/ranf-hrtf ）
2. Hu, X. et al. HRTFformer: A Spatially-Aware Transformer for Individual HRTF Upsampling in Immersive Audio Rendering. arXiv:2510.01891（预印本，已投 IEEE，期刊未定）。https://arxiv.org/abs/2510.01891
3. Lu, X. et al. Deep Learning for Personalized Binaural Audio Reproduction — A Survey. arXiv:2509.00400（2025-08-30 提交，覆盖窗口截至 2025-09）。https://arxiv.org/abs/2509.00400
4. Masuyama, Y. Neural Fields for Spatial Audio Modeling. MERL Tech Report TR2025-171，SANE 2025 workshop（2025-11-07）。https://www.merl.com/publications/docs/TR2025-171.pdf
5. Chen, C. et al. Visual Acoustic Matching. CVPR 2022 oral，https://arxiv.org/abs/2202.06875 ；Brunetto, A. et al. NeRAF: 3D Scene Infused Neural Radiance and Acoustic Fields. ICLR 2025，https://arxiv.org/abs/2405.18213 ；Gao, H. et al. SOAF: Scene Occlusion-aware Neural Acoustic Field. WACV 2026，https://arxiv.org/abs/2407.02264 ；Chen, Z. et al. Real Acoustic Fields. CVPR 2024 Highlight，https://arxiv.org/abs/2403.18821
6. Chen, C. et al. SoundSpaces: Audio-Visual Navigation in 3D Environments（ECCV 2020）与 SoundSpaces 2.0: A Simulation Platform for Visual-Acoustic Learning（NeurIPS 2022 Datasets & Benchmarks Track）。官方仓库：https://github.com/facebookresearch/sound-spaces （2024-11-01 归档为只读）
7. Chi, C. et al. Diffusion Policy: Visuomotor Policy Learning via Action Diffusion. arXiv:2303.04137，RSS 2023 / IJRR 2024。https://arxiv.org/abs/2303.04137 （代码：https://github.com/real-stanford/diffusion_policy ）
8. Octo Model Team. Octo: An Open-Source Generalist Robot Policy. arXiv:2405.12213，RSS 2024。https://arxiv.org/abs/2405.12213 （项目页：https://octo-models.github.io ）
9. Ma, Y. et al. A Survey on Vision-Language-Action Models for Embodied AI. arXiv:2405.14093，IEEE TNNLS 2026（DOI 10.1109/TNNLS.2025.3650584）。https://arxiv.org/abs/2405.14093
10. Aljalbout, E. et al. The Reality Gap in Robotics: Challenges, Solutions, and Best Practices. arXiv:2510.20808，目标刊发于 2026 Annual Review of Control, Robotics, and Autonomous Systems。https://arxiv.org/abs/2510.20808