今日具身智能从开发流程、仿真生成到底层模型集中突破：NVIDIA Isaac GR00T 端到端策略开发框架简化人形机器人训练；RoboSnap 单图生成可交互仿真场景，发布 DROID-Sim 数据集；蚂蚁灵波开源全球首个具身视频基础模型 LingBot-Video，填补机器人操控的视频基座空白。
今天三条进展分别对应具身智能的开发工具链、数据生成与模型基座。NVIDIA 推出 Isaac GR00T，直击人形机器人开发流程碎片化痛点，提供可重复的端到端策略训练流水线；与此同时，RoboSnap 仅凭单张 RGB 图像即可生成物理稳定的可交互仿真环境，并开源包含 564 个真实-仿真场景对的 DROID-Sim 数据集，将真实环境转化为机器人学习的可重用基础设施。
在模型侧，蚂蚁灵波发布全球首个面向具身智能的视频基础模型 LingBot-Video，专为物理交互与操控任务优化，并选择开源。这一动作填补了具身领域视频基模的空白，标志着视频理解技术开始从互联网走向真实世界，与今日其他轻量化导航模型（如 GemNav 以冻结多模态 LLM 实现零样本迁移）共同指向具身模型降低数据门槛、提升泛化的趋势。
NVIDIA 发布 Isaac GR00T 框架，目标将碎片化的人形机器人开发统一为端到端流水线。当前开发者需耗费大量时间配置基础设施，GR00T 提供可重复工作流，支持任务特定技能训练到部署的全链路。
RoboSnap 框架仅需一张图像即可一键构建可交互仿真场景，分层处理前景碰撞优化与背景高斯泼溅保真。实验可回放轨迹、生成策略训练数据，并推出含 564 个真实-仿真场景对的 DROID-Sim 数据集。
蚂蚁灵波发布全球首个面向具身智能的视频基础模型 LingBot-Video，专为机器人操控与物理交互任务优化。模型开源填补了具身领域视频基模的空白，推动视频理解从互联网走向真实世界。
RoboSnap 是真实到仿真的框架，仅需单张 RGB 图像即可构建可交互的仿真场景。分层设计：前景物理交互资产经碰撞优化，背景通过 3D 高斯泼溅保留视觉保真度。实验表明能可靠回放轨迹，并发布 DROID-Sim 数据集含 564 个真实场景仿真版本。
研究员注:💭 将真实环境一键转化为可重用仿真资产，显著降低 sim-to-real 的数据成本，为大规模策略训练与评估开辟新路径。
系统梳理 2017-2026 年 183 篇 VLA 文献，指出双臂协调需 14 自由度协同，其策略、训练方法与动作表示可直接迁移至无人机，在严格延迟与载荷限制下实现视觉观测到推力、姿态控制。
研究员注:💭 跨形态迁移的发现提示 VLA 架构的通用性，双臂丰富的交互策略或成为无人机自主操控的起点，有望加速空中机器人的智能化。