机器人 / SLAM / 控制 / AI Coding 技术深度简报｜2026-09-30

摘要

截至 2026-09-30 早间（Asia/Shanghai），arXiv Robotics 最新常规公开批次为 2026-09-29，共 243 条，Software Engineering 同日也刷新了最新批次。本期先检查最近 24 小时公开与更新内容，再从最近 7 天补足高价值且尚未进入覆盖索引的工作；所有候选均按规范化标题、arXiv ID、DOI、GitHub 仓库与项目页和历史索引做强制去重。

今天 SLAM 方向有两件事尤其值得关注。World SLAM Model 不再把 SLAM 只当成给导航提供 pose / map 的前置模块，而把“增量状态更新、持久记忆、后端纠错”本身放进世界模型，让未来视觉预测、相机运动、稠密几何和动作生成共享同一个持续更新的 world state。ForVis 则给了一个很务实的反例提醒：森林 VIO 里，换一颗相机带来的误差变化，可能比换七套算法之间的差异还大。它用 D435i 和 OAK-D Pro Wide 同步采集 12 次真实 UAV 飞行，七套开源 VI-SLAM 共跑 504 次，所有算法在 OAK-D Pro 上的 median error 都更低。

规划侧，CollisionSplatting 直接在标准 3DGS 上构造 GPU 加速、可调保守度的碰撞距离度量，再同时接入 MPPI 和 RRT。这个方向很关键，因为 3DGS 如果只能“看起来逼真”，却还要另外维护 ESDF / mesh 才能规划，地图栈仍然是分裂的。

控制侧今天呈现出一个共同趋势：算力和安全余量都开始按需分配。 Fast-TD-MPC 在快速 policy execution 和昂贵 test-time planning 之间动态路由，103 个连续控制任务中最高获得约 4× 推理加速，受到外部扰动时再回退到规划。Adaptive RACF 则冻结原 ACC policy，只根据已完成 transition 的 residual 做 conformal calibration，把 residual quantile 变成 action projection 的安全 margin。

多机器人方面，Denoising Multi-Robot Trajectories / D4orm 把 diffusion denoising 当作采样优化器，而不是生成一个“看起来像轨迹”的模型。论文展示 10 架真机 quadrotor、100 个仿真机器人和 6 台完全 onboard 的地面机器人长期运行。官方代码当前已经发布 D4orm-D，可直接和 MPPI / CEM 做同环境对照。

AI Coding 今天有两条非常实际。第一，OpenAI 于 9 月 29 日发布 GPT-6.1 Sol：API 仍是 Sol 价格区间——每百万输入 token 2 美元、缓存输入 0.10 美元、输出 10 美元——但官方报告它在 DeepSWE、AutomationBench 和 computer-use 上显著接近 Astra。第二，最新修订的 MCP error-message 研究指出：很多 MCP server 把“给人类开发者看的修复步骤”原样喂给只能调用工具的 Agent，反而会误导更强模型。真正有效的修复方式是让错误信息明确指出 Agent 可以调用的恢复工具。

1. World SLAM Model：让世界模型本身按 SLAM 的方式维护状态

时间回补：v1 提交于 2026-09-26 13:44 UTC。

为什么重要

很多机器人基础模型的长期记忆仍然更像“把过去若干帧、token 或 latent 塞进 context”。经典 SLAM 则会持续加入新观测，并在后端发现回环或累计误差后反过来修正旧状态。World SLAM Model（WSM）的核心价值，是把这种增量状态、持久记忆和后端修正机制真正拿进 world model，而不只是把 SLAM 生成的 pose / depth 当外部条件。

算法模块

RGB observation + navigation goal
        ↓
generation expert
→ goal-conditioned future visual states
        ↓
SLAM expert
→ camera motion
→ dense geometry
→ persistent spatial world state
        ↓
incremental update + backend refinement
        ↓
action generation / closed-loop navigation

真实观测帧与 dreamed future 都进入同一空间状态估计过程，模型维护的是持续演化的 world state，而不是每个 planning step 都重新从上下文猜地图。

传感器、实时性与鲁棒性

项目目前强调 RGB-only start-goal navigation。它同时预测相机运动与稠密几何，但这不等于已经替代真实机器人上的 IMU / LiDAR metric estimator。项目页在 InternVLA-N1 benchmark 上报告较高的 SR / SPL，同时保留 SLAM 能力；当前没有适合直接外推到嵌入式机器人的统一控制频率。

可复现性与风险

项目页已提供论文与代码入口。真正值得复现的是架构原则：长期 world state 应该是显式、可被后续观测修正的对象。

后端修旧状态后，上层历史 action / semantic memory 如何重绑定是关键风险。建议 world-state element 至少保存 state_id、pose_revision、observation_sources、confidence、last_refined_at、semantic_links。

适合谁关注

视觉 SLAM、语义导航、VLA / world model、长期机器人记忆，以及希望把建图和规划从松耦合接口推进到联合模型的团队。

工程落地启发

已有 FAST-LIO / LIO-SAM 不必立即更换。更实际的是让 learned world-model memory node 绑定稳定 map/submap ID，并允许 pose graph 更新时重新投影 memory，先实现 SLAM-style persistent memory。

论文 · 项目页

2. ForVis：森林 VIO 中，传感器选择可能比算法选择更影响误差

时间回补：v1 提交于 2026-09-28 15:57 UTC。

为什么重要

真实森林 UAV 会面对重复枝叶纹理、大动态范围、飞行振动、高速姿态变化、近距离植被遮挡，以及草地、冠层上方、林下三种差异明显的视觉条件。ForVis 同时安装两套常见视觉惯性设备，让算法误差和硬件误差能被分开观察。

数据与评测

12 flights
563.8 s
1096.8 m trajectory

Sensors simultaneously:
- Intel RealSense D435i
- OAK-D Pro Wide
- IMU
- flight-controller data

作者对七套开源 VI-SLAM 系统执行 504 次完整评测。最值得记住的结果不是哪套算法第一，而是所有七种方法在 OAK-D Pro 上的 median trajectory error 都低于 D435i；传感器选择造成的影响，大于算法之间的整体 spread。

传感器假设、实时性与风险

这说明 VIO 选型前应先确认 exposure control、motion blur、FOV、rolling/global shutter、IMU noise、camera-IMU time sync、振动安装是否已经成为更大的误差源。某一相机在该 benchmark 更好也不能直接外推到所有机器人；镜头、曝光、IR、飞行高度和森林类型都会改变结果。

可复现性

论文给出了真实 UAV 数据与七套开源 VI-SLAM 的系统化对照。当前 arXiv 页面未稳定提供官方数据主页，因此本期只引用原论文。

适合谁关注

室外 UAV、森林巡检、单目 / 双目 VIO、相机与 IMU 硬件选型、狭窄环境高速视觉定位。

工程落地启发

固定同一轨迹同步录多套 sensor，然后做两组实验：algorithm fixed, sensor changes；sensor fixed, algorithm changes。先拆分硬件和算法的真实贡献，再决定优化投入。

论文

3. CollisionSplatting：3DGS 开始直接承担实时碰撞查询

时间回补：v1 提交于 2026-09-28 16:57 UTC。

为什么重要

3DGS 很适合做高保真地图，但规划器真正需要的是 collision、distance-to-obstacle、gradient / cost。如果 3DGS 最后还必须转换成 mesh / voxel / ESDF，系统仍然需要第二套几何地图和额外显存。

CollisionSplatting 直接在标准 3DGS scene 上构造 GPU 加速、probability-inspired 的距离度量，并允许显式调节 conservatism。

算法模块

standard 3D Gaussian scene
        ↓
probability-inspired collision distance
        ↓
tunable conservatism
        ↓
geometric collision + image-conditioned objectives
        ↓
GPU MPPI / RRT

传感器假设与结果

方法假设已经得到质量足够的 3DGS map。论文报告 collision classification 达到或超过代表性 baseline，同时显著提高 collision-checking throughput、降低 VRAM，并集成 GPU MPPI 与 RRT，展示真实视觉引导导航和操作任务。

鲁棒性与工程风险

定位误差、Gaussian 尺寸错误和动态物体都会直接进入 collision metric，因此“渲染逼真”不等于“几何安全”。可调 conservatism 很有工程价值，但下一步最好让 localization covariance、map age 和 Gaussian uncertainty 共同决定 margin。

可复现性

当前论文没有稳定公开正式代码地址。最容易做的工程复现是把现有 3DGS 与 ESDF / mesh ground truth 做 collision-query benchmark，比较 throughput、VRAM、false-safe 与 false-block。

适合谁关注

3DGS SLAM、视觉导航、机械臂规划、MPPI、RRT，以及希望减少渲染地图和规划地图双份存储的团队。

工程落地启发

3DGS 产品除了 PSNR / SSIM，至少还应 benchmark collision query throughput、false-safe rate、false-block rate、VRAM、map update latency 和 localization-error sensitivity。

论文

4. Fast-TD-MPC：不是每个控制周期都值得启动完整 Planner

时间回补：v1 提交于 2026-09-26 13:10 UTC。

为什么重要

Data-driven MPC 每一步都 rollout 大量 trajectory 会拖慢控制频率；纯 policy inference 虽快，却在 disturbance / OOD state 下缺少在线修正。Fast-TD-MPC 把问题改成：当前这个状态是否值得支付一次完整 test-time planning 的算力成本。

算法模块

current state
     ↓
adaptive router
  ┌──┴───────────────┐
  ↓                  ↓
fast policy       planner
execution         deliberation
  └──────┬───────────┘
         ↓
       action

正常、熟悉状态走快速 policy；需要更强 deliberation 时才调用规划。

结果与实时性

论文在 103 个 continuous-control task 上保持竞争力表现，同时 inference 最高约 4× 更快。受到外部 disturbance 时，系统会选择性回退到 planning，鲁棒性接近原始每步规划器。

动力学假设与工程风险

真正危险的是 router false negative：本应 planning 却走 fast policy。因此实际机器人上 router 不应只读取 policy confidence，还应输入 constraint margin、model residual、tracking error、contact event。

部署建议记录 planning_trigger_rate、P50/P95 latency、planner_burst_duration、deadline_miss 和 disturbance_recovery_time。

可复现性

当前没有稳定代码入口。已有 TD-MPC / sampling MPC 的系统可以先做 rule-based baseline：tracking residual 或 safety margin 越界才触发 planner，其余时刻走 policy，先验证选择性规划能省多少算力。

适合谁关注

学习式 MPC、MPPI、四足 / 无人机高频控制、端侧算力有限但希望保留在线 planning robustness 的团队。

工程落地启发

easy corridor 可以走 local policy / velocity controller；uncertainty 上升、constraint margin 下降或出现 unexpected obstacle 时再触发 expensive planner。算力应该跟任务难度动态分配。

论文

5. Adaptive RACF：冻结 ACC Policy，只在线校准“模型到底错了多少”

时间回补：v1 提交于 2026-09-28 15:29 UTC。

为什么重要

真实部署后，轮胎、载荷、延迟和环境都会变化。重新训练 policy 成本高，固定 worst-case margin 又容易过度保守。Residual-Aware Conformal Filtering（RACF）不改 policy 和 nominal predictor，只用真实 transition residual 估计当前误差分布，再把 conformal quantile 转成 action projection margin。

算法模块

frozen policy
      ↓
candidate action
      ↓
fixed nominal predictor
      ↓
finite-model action projection
      ↑
conformal residual quantile
      ↑
completed real transitions

结果与权衡

在 2,400 个 controller-trial unit 的注册对比中，Adaptive RACF：

episode safety 为 94.3%；
相对评测中的 nominal CBF-QP 提高 19.9 个百分点；
projection frequency 从 8.11% 降到 6.63%。

单独控制实验中 residual-margin injection 带来 4.54 个百分点提升。

硬件 matched evaluation 也显示重要 trade-off：相对 Robust CBF-QP，平均 amortized rollout time 降低 21.2%，安全 episode 是 161/180，而对方是 170/180。计算更省不等于所有安全指标都更好。

鲁棒性与工程风险

Conformal coverage 依赖 residual 分布和 calibration 条件；严重 regime shift 后，过去 residual quantile 可能不再代表当前风险。应监控 residual_quantile、calibration_window_age、coverage_violation、projection_rate 与 policy_action_vs_applied_action，离群时进入 hard fallback。

可复现性

论文目前未公开成熟代码入口。最小实验是在现有 CBF / action shield 上增加滚动 residual quantile，与 fixed margin 做同任务 A/B。

适合谁关注

安全 MPC / CBF、RL safety filter、车辆控制、希望不重训已有 policy 就适应 Sim2Real / deployment drift 的团队。

工程落地启发

如果已有稳定策略，优先让 safety margin 在线适配，而不是重新打开整个 policy 继续训练，failure domain 更容易定位和回滚。

论文

6. Denoising Multi-Robot Trajectories：把 Diffusion 变成多机器人在线轨迹优化器

时间回补：v1 提交于 2026-09-28 17:18 UTC；已接受 IEEE Transactions on Robotics。

为什么重要

多机器人 trajectory planning 同时高维、非凸、多模态并带动力学约束。D4orm 不把 diffusion 当作离线生成模型，而把 diffusion-style denoising 本身当成采样优化过程，持续 deformation 候选 control trajectory。

算法模块

D4orm
→ massively parallel samples
→ denoise / deform control trajectories
→ kinodynamic feasibility
→ conflict-free trajectories

variants:
1. decoupled planner
2. online receding-horizon + feedback
3. distributed planner

实时性与扩展性

论文覆盖 differential-drive、holonomic、2D / 3D 环境，并与 MPPI 和 learned diffusion planner 对比。规模验证包括：

10 架真实 quadrotor 零样本部署；
100 个仿真机器人 deconfliction；
6 台地面机器人完全 onboard、distributed、lifelong operation。

可复现性

官方仓库已开放，当前 release 包含 D4orm-D：

python -m venv .venv
source .venv/bin/activate
python -m pip install -e .

d4orm --method d4orm-d --env-name multi2dholo --num-agents 16 --save-images

仓库也提供 MPPI 和 CEM 便于同环境比较。README 说明其他 D4orm variant 会逐步开放，因此目前不能把论文所有 planner 都当成已完整发布。

工程风险

采样并行不等于通信和感知问题消失。真实 distributed 系统仍需处理邻居 state latency、packet loss、localization error 和独立 emergency collision layer。

适合谁关注

多 UAV、多 AGV、仓储 fleet、多机器人 MPC / trajectory optimization，以及希望利用 GPU 做大规模并行候选搜索的团队。

工程落地启发

先用 D4orm-D 做 4 / 8 / 16 / 32 robot shadow benchmark，记录 planning time、success、minimum separation、control smoothness、GPU memory，再决定是否接入在线系统。

论文 · 官方代码

7. GPT-6.1 Sol：更值得关注的是“同预算可以跑更多 Agent 任务”

最新发布：OpenAI 于 2026-09-29 正式发布。

突破性工程价值

GPT-6.1 Sol 是 GPT-6 Sol 的升级，官方定位集中在 agentic coding、computer use 和 professional work，同时保持 Sol 级 API 定价：

Input         $2 / 1M tokens
Cached input  $0.10 / 1M tokens
Output        $10 / 1M tokens

API model id 为 gpt-6.1-sol。

官方结果怎么读

OpenAI 报告 DeepSWE v1.1 表现接近 / 匹配 Astra，成本约其五分之一，并比 GPT-6 Sol 最佳结果高 6.4 个百分点；AutomationBench 在 medium reasoning 下比 Opus 5.5 高 2.2 个百分点，约三分之一成本；OSWorld 2.0 在最大 reasoning 下比 GPT-6 Sol 高 7 个百分点；Terminal-Bench Science 提升明显，但最难科学任务 Astra 仍更强。

这些属于厂商评测，应视为“值得进入内部 regression set”的信号，而不是直接替换所有模型的依据。

是否适合真实研发流程

固定 same task、same repo SHA、same tools、same timeout、same reasoning budget，然后比较 success、wall-clock、input/output token、tool-call count、test reruns 和 human correction。真正优化的是每个成功任务成本。

权限 / 安全 / 可验证性

官方安全评估报告 GPT-6.1 Sol 在 broken-tool transparency、显式限制遵循和 unauthorized outcomes 等方面比 GPT-6 Sol 更好，但模型更强不应该自动获得更高权限。A/B 必须保持 same sandbox、network policy、write approvals、merge/release gate 和 idempotency contract。

可用性

发布时已进入 API、ChatGPT Work 和 Codex；GitHub 于 9 月 29 日宣布开始在 Copilot 各客户端滚动开放。

适合谁关注

Codex、GitHub Copilot、多模型 Coding Agent router、长任务自动化、大规模 API Agent 工作负载。

工程落地启发

routine code task 可以优先试 6.1 Sol；hard unresolved task 再 fallback 到 Astra；critical release 则坚持 model + independent verifier。不要默认“最强模型永远常驻”。

OpenAI 官方发布 · GitHub Copilot 上线说明

8. MCP Error Messages：给人看的“修复提示”，可能恰恰是 Agent 的毒药

最新更新：v2 于 2026-09-29 03:56 UTC 修订。

突破性工程价值

MCP server 经常把传统 Web API 的错误提示直接返回给 Agent，例如 Run this CLI command、Edit your config、Open this page、Wait and retry。对人类有用，但 tool-only Agent 可能根本没有 terminal、browser 或 config-edit 权限。

论文检查 150 个常用 MCP server，3,001 条 error message 中有 949 条明确告诉 caller 下一步做什么，而其中约一半步骤依赖 server 无法知道的 caller capability。

结果

credential error 中，62/67 个步骤要求 terminal command、配置修改或网页；rate-limit error 中 20/30 只说等待重试，却没有指出应重试哪个 tool call。

在 BFCL-style tool-only 测试中，expired credential 场景保留终端指令后只有 45% recovery；影响从 GPT-5.5 的 18 个百分点扩大到 GPT-6 Astra 的 69 个百分点。GitHub 风格的 “Wait before retrying.” 在对应 rate-limit 实验中只剩 6% recovery。

真正有效的修复

错误信息直接命名 server 可调用的 login tool 后，credential recovery 到 84%；明确指出应重复的 call 后，rate-limit recovery 到 88%。如果暂时无法改 server，Agent-side compatibility layer 删除不可执行的人类步骤并换成 capability-aware 提示，expired credential recovery 到 82%。

权限与安全风险

解决方案不是给 Agent 更多权限。更合理的 error contract 应包含：

error_code
retryable
recovery_tool
retry_after
required_capability
operation_id

Agent 只在已经授权的能力内恢复。

可复现性

代码和数据已公开，复现分析可运行：

python survey/make_tables.py
python experiment/code/analyze.py
python experiment/code/plot_figures.py

适合谁关注

自研 MCP server、Coding Agent tool runtime、企业 connector，以及需要自动恢复 credential / permission / rate-limit 故障的 Agent 平台。

工程落地启发

内部 MCP error lint 可以立刻要求：如果错误文字包含 shell / browser / config / wait 指令，就必须同时声明 recovery_tool、required_capability、retryable 与 operation_id；没有 Agent 可执行恢复路径时，明确返回 human_action_required。

论文 · 代码与数据

AI Coding 实战技巧精选

技巧 1｜给 Coding Agent 安装 OpenAI 官方 Developers Plugin / Docs MCP

来源：OpenAI Developers 官方文档。
一句话结论：不要让 Coding Agent 只靠训练记忆猜最新 API、model ID 和 Agents SDK 用法；让它直接查询官方当前文档。
具体怎么做：
1. Codex CLI 中启动 codex，执行 /plugins，搜索 OpenAI Developers 并安装。
2. Claude Code 中执行：
```
/plugin marketplace add openai/openai-developers-for-claude
/plugin install openai-developers@openai-developers
```
3. 安装后新开 session，再处理 OpenAI API、Agents SDK、model migration 或错误排查。
4. 对关键 API 调用要求 Agent 明确最终使用的 model ID / API surface。
适合什么场景：Codex、Claude Code、Cursor 中开发 OpenAI API / Agents SDK / MCP / plugin 项目。
注意：官方 Docs MCP 能降低记忆过期，但不能替代 integration test，也不代表当前账号已经拥有相应 model / feature 权限。

技巧 2｜自托管 Coding Agent 时，把业务 API Key 留在 Sandbox 外

来源：OpenAI Agents API 官方文档。
一句话结论：不要把主 OPENAI_API_KEY、云凭据和其他 workload 文件一起塞进 Agent 容器；每个用户 / workload 独立环境，sandbox 内只放受限 executor key。
具体怎么做：
1. 每个用户或 workload 建独立 workspace；共享环境意味着 Agent 可以访问同一批文件、凭据和资源。
2. sandbox 内安装 Codex：
```
mkdir -p /workspace
npm install -g @openai/codex@alpha
```
3. 创建单独 environment key，把其他权限全部设为 None；业务 OPENAI_API_KEY 留在 sandbox 外，只把 environment key 作为 CODEX_API_KEY 传入。
4. 启动 executor：
```
codex exec-server \
  --remote "<session.environment.remote_url>" \
  --environment-id "<session.environment.id>"
```
适合什么场景：公司内部 Coding Agent、GPU / ARM 自托管 runner、需要访问私有仓库或本地构建链的 Agents API worker。
注意：Agent 生成的代码仍能读取 environment key，所以它必须只能连接 environment，不能拥有普通 API / 数据权限；也不要写进 image、源码或日志。

经典论文回顾

GPMP2：把连续时间运动规划改写成因子图上的概率推断

Mustafa Mukadam、Jing Dong、Xinyan Yan、Frank Dellaert 与 Byron Boots 的 Continuous-Time Gaussian Process Motion Planning via Probabilistic Inference 是 GPMP / GPMP2 路线的代表工作：GPMP2 论文发表于 RSS 2016，完整连续时间版本发表于 IJRR 2018。

核心问题

传统 trajectory optimization 往往在固定离散时间点保存大量状态。如果时间分辨率低，两个 knot 之间可能撞障碍；如果分辨率高，变量数量和优化成本迅速膨胀。GPMP2 把整条连续轨迹视为 Gaussian Process，只优化少量 support states，任意中间时刻通过 GP interpolation 高效恢复。

关键数学思想

运动规划被写成 MAP inference：

trajectory prior
→ GP smoothness factors

obstacles
→ obstacle likelihood factors

start / goal
→ boundary factors

joint limits / task constraints
→ constraint factors

all factors
        ↓
factor graph optimization
        ↓
continuous-time trajectory

这样可以直接利用 GTSAM 的稀疏结构和数值优化。

当年为什么重要

它把 SLAM 社区成熟的 factor-graph machinery 带进 motion planning，并给出统一连续时间视角：trajectory smoothness 是 GP prior，collision 是 likelihood，planning 是 posterior inference。

今天仍在使用的思想

最没有过时的三点是：

连续时间轨迹不等于必须高密度离散化。
规划约束可以像 SLAM factor 一样模块化组合。
只在少量 support state 优化，中间状态按需插值。

今天 CollisionSplatting 正好可以和它组合理解：3DGS 提供新的 collision distance query，GPMP2 提供 continuous-time factor-graph trajectory representation。

已被后续扩展的部分

现代 GPU sampling MPC、MPPI、diffusion planning 更善于并行探索多模态 / 非凸候选；GPMP2 属于局部 gradient-based optimization，初始化不好仍可能陷入局部最优。后续还有 iGPMP2、Lie-group GP trajectory、differentiable GPMP2、学习式 cost factor 等路线。

传感器 / 动力学假设

GPMP2 本身不是定位算法，不决定传感器；它需要 planner 能查询机器人状态、平滑/动力学先验和障碍代价。环境地图可以来自 occupancy / SDF，也可以是今天的 3DGS collision field。

公开代码与可复现性

官方仓库为 borglab/gpmp2，核心 C++，提供 Python / MATLAB toolbox，依赖 GTSAM。

git clone https://github.com/borglab/gtsam.git
# build / install GTSAM

git clone https://github.com/borglab/gpmp2.git
cd gpmp2
mkdir build && cd build
cmake ..
make -j4 check
sudo make install

对当前工程项目的重新解读

真正值得借鉴的是“轨迹表示”和“地图查询”解耦：

trajectory representation
→ GP / spline / controls

collision backend
→ ESDF / point cloud / 3DGS

state estimation
→ LIO / VIO

optimizer
→ factor graph / MPPI / diffusion

这样未来更换 CollisionSplatting、ESDF 或新地图表示时，不需要同时重写整个 planner。

GPMP2 官方代码 · arXiv · DOI

今日结论

今天最清晰的趋势不是“所有模块都被一个大模型吞掉”，反而是 状态、算力、安全和工具能力正在被显式化。

World SLAM Model 把 persistent state 与 backend refinement 拉进世界模型；ForVis 提醒我们，真实状态估计里 sensor 本身仍可能比算法名字更重要。CollisionSplatting 让视觉地图开始拥有规划接口，说明未来地图会越来越像“可查询的统一世界状态”。

控制侧，Fast-TD-MPC 和 Adaptive RACF 可以放在一起看：一个动态分配 计算预算，另一个动态估计 安全预算。前者只在值得的时候付规划成本；后者根据真实 residual 扩张或收缩 action margin。

D4orm 展示 GPU 时代另一条路线：过去因为组合爆炸而必须强剪枝的问题，可以重新问——如果一次并行生成 / 修正上千条候选，能否用更简单的统一采样优化解决？

AI Coding 侧同样如此。GPT-6.1 Sol 说明更强模型继续降低单位任务成本；MCP error-message 研究则说明，模型越强，错误的接口语义也可能被执行得越认真。Agent 工程不能只升级模型，tool contract 必须同步升级。

可靠智能系统的竞争点，越来越不是“模型知道多少”，而是系统能否明确维护世界状态、分配计算预算、量化安全余量，并给 Agent 提供真正可执行的接口。

最值得深入研究或尝试复现的方向

SLAM-style World Memory Sidecar：保留现有 LIO / VIO，为 world-model memory node 增加稳定 map ID 与 pose revision。
双相机同轨迹 A/B：复制 ForVis 思路，同一机器人同步录两套传感器，算法完全固定，先测硬件贡献。
3DGS Collision Benchmark：同一 scene 比较 3DGS direct collision、ESDF 与 mesh/FCL 的吞吐、显存和 false-safe rate。
Selective Planning Router：现有 MPPI / MPC 不动，先增加 rule-based planner trigger，再与 learned router 比较。
Residual-Calibrated Safety Margin：在 CBF / action projection 外加滚动 residual quantile，先 shadow mode。
D4orm-D vs MPPI：固定 4/8/16/32 robot 场景比较 latency、success、minimum separation 与 GPU memory。
MCP Error Contract Lint：凡错误信息出现 shell / browser / config / wait 指令，就要求 recovery_tool、required_capability、retryable、operation_id。
GPT-6.1 Sol 固定任务回归：固定 repo、工具和预算，记录每成功任务成本和 tool steps，再决定 router。

机器人 / SLAM / 控制 / AI Coding 技术深度简报｜2026-09-30

摘要

1. World SLAM Model：让世界模型本身按 SLAM 的方式维护状态

为什么重要

算法模块

传感器、实时性与鲁棒性

可复现性与风险

适合谁关注

工程落地启发

2. ForVis：森林 VIO 中，传感器选择可能比算法选择更影响误差

为什么重要

数据与评测

传感器假设、实时性与风险

可复现性

适合谁关注

工程落地启发

3. CollisionSplatting：3DGS 开始直接承担实时碰撞查询

为什么重要

算法模块

传感器假设与结果

鲁棒性与工程风险

可复现性

适合谁关注

工程落地启发

4. Fast-TD-MPC：不是每个控制周期都值得启动完整 Planner

为什么重要

算法模块

结果与实时性

动力学假设与工程风险

可复现性

适合谁关注

工程落地启发

5. Adaptive RACF：冻结 ACC Policy，只在线校准“模型到底错了多少”

为什么重要

算法模块

结果与权衡

鲁棒性与工程风险

可复现性

适合谁关注

工程落地启发

6. Denoising Multi-Robot Trajectories：把 Diffusion 变成多机器人在线轨迹优化器

为什么重要

算法模块

实时性与扩展性

可复现性

工程风险

适合谁关注

工程落地启发

7. GPT-6.1 Sol：更值得关注的是“同预算可以跑更多 Agent 任务”

突破性工程价值

官方结果怎么读

是否适合真实研发流程

权限 / 安全 / 可验证性

可用性

适合谁关注

工程落地启发

8. MCP Error Messages：给人看的“修复提示”，可能恰恰是 Agent 的毒药

突破性工程价值

结果

真正有效的修复

权限与安全风险

可复现性

适合谁关注

工程落地启发

AI Coding 实战技巧精选

技巧 1｜给 Coding Agent 安装 OpenAI 官方 Developers Plugin / Docs MCP

技巧 2｜自托管 Coding Agent 时，把业务 API Key 留在 Sandbox 外

经典论文回顾

GPMP2：把连续时间运动规划改写成因子图上的概率推断

核心问题

关键数学思想

当年为什么重要

今天仍在使用的思想

已被后续扩展的部分

传感器 / 动力学假设

公开代码与可复现性

对当前工程项目的重新解读

今日结论

最值得深入研究或尝试复现的方向

参考资料