人形机器人干活前，先记住刚才发生了什么

让人形机器人去桌上搬一个杯子，它转身走了两步，杯子被挡住或出了视野——这时候只看当前画面的策略基本就懵了。10 月 22 日的一篇预印本给出的解法朴素得很：动手之前发生过什么，先记下来。

一、发生了什么

论文先点破一个性质：动态场景里的人形移动操作不是马尔可夫问题，线索会随物体变化、被遮挡或移出视野而消失，而现有的全身视觉语言动作策略只看见「现在」。作者提出的方案叫 WholeBodyMem，是一种以目标物为线索的感知记忆：先让分割跟踪模型盯住任务物体，物体上发生过的事件按因果规则挑选关键帧，帧数预算自适应；动作模块再通过交叉注意力读这些帧，配套的物体标记携带外观、几何和时间信息。团队还贡献了一个评测集 HuMeGo，包含六个仿真任务和六个基于宇树 G1 真机的任务。结果在摘要里给得很具体：比起没有记忆和均匀存帧两种基线，新方法把底座策略的成功率在仿真里从 29.1% 提到 72.6%，真机上从 36.7% 提到 88.3%；在通行的标准任务集上也从 70.2% 提到 86.9%。作者强调关键在于「留对帧」，不是「留更多帧」。据论文页面说明，这项工作投稿至 IEEE Robotics and Automation Letters。

补一段背景：视觉语言动作模型是这两年人形机器人的主流技术路线，让模型直接从画面和指令推出全身动作；但它天生只处理当前帧，时序信息基本丢失，各家补法不一，有的堆历史帧，有的加外部状态估计——这段是背景，不是论文结论。这篇论文的立场是历史帧要按物体事件挑，不分轻重地堆帧反而稀释关键线索。

二、跟你有什么关系

做人形机器人落地的人：仓储、巡检这类场景里遮挡和走动是常态，纯反应式策略的上限可能就卡在记忆这一层，评估时要专门设遮挡用例。买机器人方案的人：评估供应商时可以问一句「物体出视野了怎么办」，看对方有没有类似机制，答不上来的演示大概率是剪过片的。关注行业的人：这提示下一轮竞争点不在「看得更清」，而在「记得更对」，记忆模块可能成为动作模型之外的新卖点。

三、怎么判断

1. 拿一段物体被遮挡的任务视频看演示：好的系统应该在遮挡期间仍朝记忆中的位置行动，而不是停在原地。
2. 问清基线对比里有没有「均匀存帧」这一档。没有记忆和乱存记忆是两种失败，分开看才知道增益来自哪。
3. 真机数字比仿真数字更值钱。这篇论文两者都报了，差距还在，选型时以真机口径为准。

四、三个别信的说法

多存几帧就是加记忆。 摘要的原话是留对帧胜过留更多帧。均匀存帧的基线提升有限，挑帧的事件因果规则才是增益来源。

这类数字可以跨论文直接比。 六加六个任务的评测集是团队自建的，任务难度没有统一标尺，跨论文比成功率没有意义。

加了记忆就全能了。 真机 88.3% 离满分还有距离，长时序、多物体叠加的场景摘要没有覆盖，别外推。

五、一句话结论

机器人记不住三十秒前发生了什么，再强的动作模型也会在转个身的工夫翻车。

信息来源

• arXiv 预印本摘要页：人形移动操作的历史记忆，2026-10-22 提交

功能与价格以官方公告为准。本文写于 2026 年 10 月 26 日。