技术深度简报
机器人 / SLAM / 控制 / AI Coding 技术深度简报｜2026-10-06
机器人 / SLAM / 控制 / AI Coding 技术深度简报｜2026-10-06
摘要
截至 2026-10-06 09:00（Asia/Shanghai），arXiv Robotics 最新常规公开批次为 2026-10-05，共 80 条；Software Engineering 同日为 15 条。今天先检查最新批次，再与覆盖索引按规范化标题、arXiv ID、DOI、GitHub 仓库和项目主页联合去重。由于本期入选论文的 v1 都实际提交于 2026-10-02 UTC，距本次生成已超过 24 小时，因此统一标为“时间回补”，不把周一公开批次日期包装成论文原始提交日期。
今天 SLAM / VIO 最值得看的是 HexVIO。它没有再从算法结构上追求更复杂的前端，而是把立体视觉前端搬到手机和 XR 设备普遍存在的 Qualcomm Hexagon DSP，后端仍留在主 CPU。作者报告在普通智能手机上可实现 30 fps、0.83 W 的长期跟踪，对应测试设备约 18 小时持续 VIO。这类硬件协同优化对真正全天运行的机器人，比单纯把 ATE 再压低一点更有产品意义。
控制侧有三条清晰路线。LLA-MPC 在嵌入式 F1TENTH 上同时评估数千个候选模型，在线识别轮胎参数，而不需要先训练一个系统辨识网络；DR-IPC 将 LiDAR 导航、扰动估计与 NMPC 合成一条 100 Hz onboard 链路，在风、悬挂载荷、窄通道和外部撞击下仍直接输出角速度与推力；SafeStreamingFlow 则把流式生成规划的采样动力学与机器人真实执行动力学对齐，只对真正要执行的当前一步使用高阶 CBF 做安全约束。
人形方向，KungfuAthleteBot 针对从武术视频学习高动态动作时最棘手的“视频没有力学信息”问题，先修复腾空 / 落地轨迹，再使用 pseudo-low-kinetic-energy 初始化把策略从物理可行状态启动，并把扰动拒绝和跌倒恢复直接训练进同一个动作跟踪策略。作者报告任意跌倒后约 0.7 秒恢复，不需要单独 recovery reference 或手工状态机切换。
操作感知方面，EyeRobot 2.0 很有工程启发：它不继续往机械臂上堆 wrist camera，而是让一对主动转动的双目“眼睛”主动固定视线、选择观察目标，并把更多视觉 token 分配给真正需要精细操作的区域。真实任务中，被动双目方案从带 wrist camera 的 52% 成功率掉到 27%，而主动凝视把差距基本补回来；当抓取物遮挡腕部相机时，它还明显优于 ego+wrist 方案。
VLA 安全方面，Detect and Suppress 说明“运行时防御”不一定要重训整个策略。作者用 sparse autoencoder 找到与 adversarial patch 高相关的内部特征，再用线性 probe 判断攻击是否存在，仅在检测到攻击时抑制这组特征。持续无条件抑制反而会损伤正常策略，这个结果再次说明：安全干预必须是条件化的，而不是永久修改策略表征。
AI Coding 主动态 GTDD 则把测试从固定验收集变成持续对抗。Coding Agent 每次提交候选实现后，独立 testing agent 都重新生成新的输入；可信 evaluator 返回最小化 counterexample 并将其沉淀为 regression。它瞄准的是当前 Agent 很容易对已知 tests 过拟合的问题，而不是简单生成更多单元测试。
近期通用旗舰模型方面，本轮重新核验 OpenAI、Anthropic、Google 与 xAI 的公开发布入口，没有发现 2026-10-05 至 10-06 需要新增覆盖的通用旗舰正式发布。Google 当前最新公开 frontier model 仍是 9 月 30 日的 Gemini 4 Argon；此前已覆盖的 GPT-6.1 Sol、Claude Sonnet 5.5 与 Grok 4.7 本期不重复。
最新列表：arXiv Robotics · arXiv Software Engineering
1. HexVIO：把 VIO 前端搬进 DSP，目标从“实时”推进到“全天运行”
时间回补：v1 提交于 2026-10-02 13:26 UTC。
为什么重要
视觉惯性里程计在移动机器人、AR/XR 和无人机上已经很成熟，但“能实时跑”不等于“能一直开着”。在手机级 SoC 上，CPU 持续做双目视觉前端会带来明显功耗、温升和频率降级，长时间运行时真正限制系统的可能不是算法精度，而是能量预算。
HexVIO 把 stereo-inertial VIO 的视觉前端移到 Qualcomm Hexagon DSP，主 CPU 继续承担后端状态估计。也就是说，它没有为了省电把整个 estimator 重写成黑盒网络，而是重新分配经典 VIO pipeline 的计算位置。
算法模块
数据流可概括为：双目图像进入 Hexagon DSP，DSP 执行视觉前端与针对架构优化的数据处理；前端结果回到主 CPU；CPU 继续完成惯性融合与后端估计，最终输出连续 stereo-inertial odometry。
这种设计的价值在于视觉算子很适合专用 SIMD / DSP，而后端矩阵求解和状态管理仍留在通用 CPU，系统边界清晰。
传感器与硬件假设
方法依赖同步双目相机、IMU，以及具有 Hexagon DSP 的 Qualcomm 平台。对 x86 工控机、Jetson 或 RK3588，具体优化不能直接复制；真正可迁移的是“先拆清楚哪一段最耗电，再把前端搬到合适协处理器”的硬件协同思路。
实时性与结果
作者报告在普通智能手机上，相比 CPU-only 执行可实现 67% 的功耗降低，或者 86% 的吞吐提升；长期模式可持续 30 fps 跟踪，功耗约 0.83 W，对应测试设备约 18 小时持续运行。
鲁棒性与工程风险
硬件 offload 之后，新的风险主要来自 DSP / CPU 间数据复制与同步、两个计算域的时间戳一致性、为适配 DSP 产生的数值精度变化，以及不同 Qualcomm SoC 的 SDK 差异。
产品化最好同时记录 camera timestamp、DSP queue latency、CPU backend latency、frame drop 与 power / thermal state，而不是只看最终 ATE。
可复现性
当前公开入口以论文为主，没有看到成熟的一键复现仓库。对非 Qualcomm 平台，最值得复现的是 profiling 方法：把现有 VIO 拆成图像前端、IMU propagation、优化后端三部分，测每部分的功耗和延迟，再决定是否值得迁移到 DSP / NPU / GPU。
适合谁关注
全天运行 VIO、手机 / XR 机器人、低功耗无人机、边缘视觉定位，以及希望把视觉算法真正做成长期常驻服务的团队。
工程落地启发
在 RK3588 / 手机 SoC 上，不要默认所有 SLAM 都跑大核 CPU。先找出图像金字塔、patch / feature、stereo matching 等高度并行前端，再尝试 DSP / NPU / GPU；后端仍保留在 CPU，通常更容易调试和验证。
2. LLA-MPC：嵌入式控制器每个周期并行试数千个模型，在线找出当前轮胎状态
时间回补：v1 提交于 2026-10-02 17:13 UTC。
为什么重要
Sim2Real 控制很容易陷入两个极端：固定 nominal model 算得快，但遇到摩擦、载荷和轮胎变化就失效；learned dynamics 可以适应，却又需要训练数据、网络推理和分布外泛化。
LLA-MPC 选择“经典控制 + 并行计算”：保持模型族和物理结构显式，在更新周期中直接评估大量候选参数，判断哪个模型最符合刚刚发生的真实响应。
算法模块
Look-Back 根据最近真实状态 / 控制历史评估候选模型；并行 model bank 在嵌入式计算机上同时运行数千组候选参数；online parameter selection 找出当前最能解释真实系统的模型；Look-Ahead 将它立即交给 MPC 预测和控制。
论文将原始 LLA-MPC 扩展成模块化 dynamics / integrator 实现，并在 F1TENTH 上做真实实验。
动力学与传感器假设
它假设真实系统可以被预定义模型族覆盖。比如轮胎参数变化可在线找，但如果出现模型结构未包含的故障、悬架变化或传感器偏置，数千个错误模型里找“最像”的一个仍然是错误答案。
状态估计噪声也会影响 Look-Back 模型评分，因此在线辨识和 estimator 不能完全独立调试。
实时性与真机结果
作者在受限计算和有噪状态估计的嵌入式 F1TENTH 上，实时评估数千个候选模型进行轮胎参数辨识。在低摩擦轮胎、变化路面实验中，LLA-MPC 能完成固定 nominal model 失败的高速 tracking task。
鲁棒性与工程风险
产品化建议同时记录 selected parameter / model ID、model-score gap、recent prediction residual、MPC constraint margin 和 candidate-bank coverage。若第一名和第二名得分接近，说明当前辨识本身不确定，上层控制就不应以“参数已知”为前提极限运行。
可复现性
论文声明提供代码和视频入口，但本次核验项目页访问不稳定，因此归档只使用 arXiv 原论文作为稳定来源。算法适合自研：先把参数维度压到 1–3 个关键量，再测试并行 model bank 是否能满足控制周期。
适合谁关注
F1TENTH、车辆 MPC、移动机器人、参数漂移明显但不希望引入神经网络 system identification 的团队。
工程落地启发
“算力换辨识”在现代嵌入式 GPU / 多核 CPU 上值得重新评估。过去不敢实时枚举的参数空间，现在可能已经足够便宜；显式 model bank 的 failure mode 也通常比 learned dynamics 更容易排查。
3. DR-IPC：LiDAR 四旋翼把规划、扰动估计与控制压进同一个 100 Hz NMPC
时间回补：v1 提交于 2026-10-02 16:16 UTC。
为什么重要
传统自主无人机常见流水线是路径规划 → 轨迹优化 → tracking controller → disturbance compensation。模块清楚，但每层都会引入延迟和参考不一致。遇到突然的风、吊载摆动、撞击或动态障碍时，planner 仍可能在给旧轨迹，而 controller 只能在末端补救。
DR-IPC 将路径引导、扰动估计和 nonlinear MPC 直接合并，让优化器在当前状态和 disturbance estimate 下直接输出 angular velocity 与 thrust。
算法模块
系统包括轻量 path guidance、interconnected EKF、nonlinear disturbance observer 和 NMPC。NMPC 联合考虑非线性 quadrotor dynamics、actuator constraint 与 local safe-flight-corridor residual，不再单独跑完整轨迹优化器。
传感器与动力学假设
核心感知是 LiDAR + 状态估计。NMPC 依赖 quadrotor model 和 disturbance estimate；如果推力模型、时延或 mass / payload 变化超过观测器可补偿范围，integrated architecture 同样会失效。
实时性与结果
作者在 Gazebo、MARSIM 和室内 / 室外真机中测试风、悬挂载荷、窄通道、球体撞击及动态障碍反应避让。
在带扰动的 multi-goal mission 中，Gazebo 完成任务数从基线的 1/10 提升到 9/10；真机 altitude RMSE 从 0.34 m 降到 0.01 m。完整系统 onboard 运行频率为 100 Hz。
鲁棒性与工程风险
集成式架构最大的优势也是风险：planner 与 controller 不再容易单独甩锅。建议分开记录 estimator innovation、disturbance estimate、NMPC solve time / feasibility、safe-corridor residual、actuator saturation 和 planned-vs-actual acceleration。
可复现性
作者提供补充项目页并说明源代码将发布，但当前还不能按完整开源项目评价。现阶段更适合先复现系统结构和 telemetry。
适合谁关注
狭窄走廊无人机、PX4 外部控制、LiDAR 导航、MPPI / NMPC、需要处理持续外扰的机载自主系统。
工程落地启发
如果已有 PX4 姿态内环，可以先让高层 NMPC 输出 body-rate + thrust，并把 disturbance observer 接进 prediction model；比“planner 产轨迹、PX4 再追轨迹”的链路更适合高扰动狭窄场景。
4. SafeStreamingFlow：生成式规划只保证“马上要执行的这一步”安全
时间回补：v1 提交于 2026-10-02 10:52 UTC；CoRL 2026。
为什么重要
很多 flow / diffusion planner 先生成整条 trajectory，再对中间状态加噪、去噪和修正。生成过程中的“采样动力学”并不等于机器人真正执行时的动力学，容易制造 distribution shift；对整条预测轨迹每一步都强制安全约束又很贵。
SafeStreamingFlow 改成按执行方向向前滚动：顺序积分 learned state vector field，并使用 hierarchical state prediction。最关键的是，硬安全只施加在本周期真正要执行的第一步。
算法模块
当前状态与目标进入 goal-conditioned flow planner；learned state vector field 顺序积分；hierarchical prediction 提供更远未来引导；当前 executed step 通过 high-order CBF；执行一步后使用新观测重新规划。
动力学假设
安全层依赖真实执行动力学和 barrier function 可以正确构造。如果模型遗漏 actuator saturation、接触切换或时延，CBF 的数学安全性不会自动覆盖这些未建模因素。
实时性与结果
论文在 navigation、racing 和 locomotion benchmark 中报告，相比已有方法降低规划延迟并改善安全，同时保持有竞争力的 goal-reaching success。
鲁棒性与工程风险
“只保当前一步安全”不表示远期计划可以完全不管约束。若 learned flow 一直把系统带向未来无解区域，第一步每次都局部安全，最终仍可能进入死胡同。
产品中最好同时监控 current barrier margin、predicted terminal feasibility、repeated intervention count、no-progress detector 与 fallback planner trigger。
可复现性
作者公开项目页。当前最值得复现的是把已有 flow / diffusion planner 改成 receding-horizon streaming execution，再比较全轨迹约束与 first-step CBF 的 latency / safety 取舍。
适合谁关注
生成式运动规划、机器人高频 replanning、MPPI / diffusion / flow policy、安全控制。
工程落地启发
机器人真正执行的是第一步，不是模型想象的完整未来。高成本安全验证优先围绕马上会产生物理副作用的动作做硬约束，远期保留可行性与风险预估，是很实用的计算预算分层。
5. KungfuAthleteBot：从武术视频学高动态人形动作，恢复策略不再是另一个模式
时间回补：v1 提交于 2026-10-02 14:37 UTC。
为什么重要
从视频学习人形动作时，视频只告诉你“看起来怎么动”，没有地面反力、关节力矩和真实接触。腾空、转体和落地动作直接追踪 3D 重建参考，很容易出现悬空、穿地、高频抖动，甚至把策略初始化在物理上根本无法恢复的状态。
KungfuAthleteBot 的重点不只是动作更炫，而是正面处理 video-to-physics 不一致。
算法模块
physics-guided parabolic trajectory correction 修正腾空与落地阶段的根轨迹，减少 height floating、ground penetration 与 jitter；pseudo-low-kinetic-energy sampling 不再让训练反复从高速腾空参考直接初始化，而把初始状态偏向动力学更可行的低动能邻域；disturbance rejection 与 fall recovery 直接训练进同一个 tracking policy，不需要额外 recovery reference 和人工模式切换。
动力学假设
方法高度依赖 simulator 的 contact、mass、joint limit 与 actuator model。如果视频修复后的参考轨迹在仿真里可行、真机接触却差异很大，统一策略仍可能失效。
结果
作者使用国家级武术运动员视频数据训练高动态动作。论文报告 humanoid 在任意跌倒后约 0.7 秒恢复，并称这是统一 tracking + recovery policy 中最快的已报告恢复速度。
鲁棒性与工程风险
把 tracking 与 recovery 合并可以消除模式切换，但也让策略内部状态更难解释。真机产品仍应保留外部 supervisor，监控 fall probability、contact anomaly、head / hand impact risk、torque / velocity saturation、recovery timeout 和 emergency protective stop。
可复现性
当前主要公开论文，未看到成熟代码入口。最值得先复现的是 pseudo-LKE initialization：比较“从参考帧随机初始化”和“偏向可行低动能状态初始化”对高动态 imitation 稳定性的影响。
适合谁关注
Unitree G1 类人形、高动态 imitation learning、视频动作迁移、跌倒恢复与强化学习控制。
工程落地启发
Sim2Real 里真正该修的不一定是 policy，而可能是 reference distribution。若训练数据本身包含物理不可能状态，继续加网络容量只会让控制器更努力地追错目标。
6. EyeRobot 2.0：精细操作不一定需要腕部相机，主动看哪里同样可以解决遮挡
时间回补：v1 提交于 2026-10-02 17:57 UTC。
为什么重要
wrist camera 很常见，因为离操作区近、分辨率高，但它也会随着机械臂运动产生大视角变化，并且抓起物体后容易被物体本身遮挡。
EyeRobot 2.0 选择另一条路线：机械臂上方只有一对可主动旋转的 stereo camera，通过主动 fixation 保持重要目标在高质量视区内，同时把模型更多视觉 token 分配给 fixation 附近。
算法模块
系统包含 low-level gaze servo、target selector、foveated token allocation、fixation-relative SE(3) canonicalization，以及与 gaze target selection 联合训练的 manipulation policy。
作者的 gaze servo 与 target selector 使用真实数据上的 RL，gripper policy 使用 behavior cloning。
传感器假设
方法依赖主动双目相机机构、可靠眼部标定与低时延控制。相机在动意味着 extrinsics / timestamp 管理比固定相机复杂，机械 backlash、servo latency 与 stereo synchronization 都会影响几何。
实时性与真机结果
作者覆盖 7 个真实任务、6 个仿真任务，执行超过 1000 次真实和 1800 次仿真实验。
相同训练数据下，去掉 wrist camera、只用被动 stereo 时，真实成功率从 52% 降到 27%。EyeRobot 2.0 只使用 stereo 就大幅补回差距：wrist view 清晰时，它与 ego+wrist 方案相当（69% vs 64%）；抓取物遮挡 wrist camera 时为 48% vs 22%。
鲁棒性与工程风险
主动感知引入新的 closed-loop：任务策略依赖 gaze，gaze 又依赖任务意图。如果 selector 选错目标，camera 会主动把错误区域放到最高分辨率。工程上应保留 fixation confidence、target ID、gaze tracking error、stereo depth quality 与 manipulation uncertainty。
可复现性
项目页已经公开大量实验和方法细节；完整训练代码以项目后续公开状态为准。
适合谁关注
机械臂主动视觉、低相机数量机器人、容易出现 wrist occlusion 的抓取 / 插接任务，以及希望减少腕部线缆和相机硬件的团队。
工程落地启发
视觉系统的预算不只有“再加一颗相机”。当场景只在局部需要高精度时，主动改变传感器朝向 + 动态分配视觉 token，可能比长期处理多路全分辨率视频更便宜。
7. Detect and Suppress：VLA 遇到对抗贴纸时，只在检测到攻击后抑制相关内部特征
时间回补：v1 提交于 2026-10-02 15:57 UTC。
为什么重要
VLA 的视觉入口会受到 adversarial patch 攻击。传统防御通常需要重新训练、增加输入预处理，或者一直对模型表征做强干预，容易降低正常任务性能。
Detect and Suppress 通过 mechanistic interpretability 先回答：模型内部是否存在和 patch 攻击高度相关、又足够局部的表征？
算法模块
使用 sparse autoencoder 分解 VLA 内部激活；找到与 adversarial patch 出现高度相关的 feature；用轻量 linear probe 判断当前是否遭受攻击；只有 probe 命中时才在推理阶段抑制该 feature；base VLA 权重不做 finetune。
结果与关键结论
LIBERO-10 的 adversarial patch 实验中，conditional intervention 可以提高间歇攻击下的任务成功率；如果不管是否攻击都持续抑制同一内部特征，正常 policy 表现会明显下降。
所以“找到了攻击特征”还不够，真正关键的是什么时候干预。
安全与工程风险
这种方法不能被理解成通用 VLA 安全证明。主要风险包括 adaptive attacker 绕过 probe、新型 patch 不激活同一 feature、probe false positive 伤害正常任务，以及内部 feature 随模型版本变化而漂移。
产品里应版本化 SAE / probe，并保留 attack score、intervention event、normal-task regression 与 unseen-attack suite。
可复现性
当前论文给出方法与 LIBERO-10 评估，但未看到成熟官方代码入口。可以先离线做 activation logging，再验证 attack feature 是否稳定跨 seed / task / patch。
适合谁关注
VLA 安全、机器人视觉攻击、模型可解释性、希望不重训 base policy 就增加运行时防御的团队。
工程落地启发
安全 feature suppression 与 CBF / safety shield 很像：干预应该尽量小、条件明确、可记录、可回滚。永久改变模型行为，往往会把防御变成另一种分布偏移。
8. GTDD：Coding Agent 每改完一版，测试 Agent 都重新出一套“它没见过”的题
时间回补：v1 提交于 2026-10-02 07:45 UTC。
突破性工程价值
AI Coding 很容易对固定测试集过拟合。Agent 看到了 failure，就能针对那几个 example 修改实现；测试全部通过，却不代表 behavioral contract 真正成立。
GTDD（Generative Test-Driven Development）把 testing agent 与 coding agent 分开，而且每轮都在候选实现已经固定以后再生成新的测试输入。
流程
人类 behavioral contract → Coding Agent 生成候选实现 → 候选被冻结 → 独立 Testing Agent 生成新输入 → Trusted Evaluator 执行判断 → 最小化 Counterexample → 回给 Coding Agent并加入 Regression Set。
作者还从 finite-population 角度分析 adaptive candidate selection 下的 false acceptance，并指出 candidate commit 之后再做 fresh random audit，可以控制多轮开发中的错误接受风险。
实验结论
在 stateful key-value store 的 paired experiment 中，两种“开发过程中持续重生成测试”的策略最终 mean failure rate 都低于“只生成一次测试集”的策略。
允许 tester 看到候选源码，没有检测到额外提升。这提示真正重要的也许不是让第二个 Agent 读更多代码，而是确保它能持续生成实现尚未适配的新行为输入。
是否适合真实研发流程
特别适合 API / parser / protocol、state machine、序列化 / 兼容性和有明确 behavioral contract 的后端模块；不适合把所有 UI、性能和业务偏好都强行转成自动生成测试。
权限 / 安全 / 可验证性风险
trusted evaluator 必须比 tester 和 coder 更可信。如果 tester 能直接修改程序、evaluator 与 coder 共用状态，整个对抗结构就失去意义。
建议隔离 coder workspace、tester generation、evaluator execution sandbox 与 regression artifact store。
可复现性
当前论文提供完整方法描述。即使不用作者实现，也可以在现有 Codex / Claude Code harness 中把“生成测试”从编码 Agent 的同一上下文移到独立 Agent，并规定测试只在 candidate commit / snapshot 后生成。
适合谁关注
Codex、Claude Code、自研 Coding Agent、自动 PR、长期 Agent harness、测试驱动开发。
工程落地启发
固定 hidden tests 是必要底线，但还不够。长期自主 Agent 更适合“历史 regression + 每轮新 adversarial inputs + 独立最终 audit”，让 Agent 没法只记住昨天的考试答案。
AI Coding 实战技巧精选
技巧 1｜先用 ReviewBench 给 AI Code Reviewer 做离线基线，再决定是否进 CI
- 来源：GitHub，2026-10-05，ReviewBench 官方发布。
- 一句话结论：不要只拿少量“感觉有 bug”的 PR 评价代码审查 Agent。ReviewBench 已公开 219 个来自 187 个开源仓库、覆盖 19 种语言的 PR，并把 finding 按严重度、类别和 precision / recall 拆开，可以先做统一离线基线。
- 具体怎么做：
- 从 ReviewBench 获取公开数据、judge 配置与 self-serve runner。
- 用固定 reviewer 版本完整跑一遍，保存 grounded / augmented precision、recall、F1。
- 不只看总分；至少分别检查 Critical / Medium 以及 Correctness / Security / Reliability / Testing 切片。
- 再补公司自己的私有 PR holdout。只有公共 benchmark 与内部 holdout 都不回退，再调整生产 reviewer。
- 适合什么场景：Copilot Code Review、自研 PR Reviewer、多模型 Review Agent、准备把 AI review 接入 merge gate 的团队。
- 注意：ReviewBench 的 senior-engineer 重标一致率为 96.6%，但它仍然不是你的业务仓库。公共 benchmark 用于可比性，内部 holdout 才能覆盖公司特有框架与风险。
技巧 2｜Unix Host 远程启动 Windows MCP Executor 时，Codex 至少升级到 0.160.1
- 来源：OpenAI Codex，2026-10-05，0.160.1 官方 Release。
- 一句话结论：如果 Codex 从 Unix host 通过 remote stdio MCP 启动 Windows executor，并显式配置 remote environment variables，0.160.1 修复了 SYSTEMROOT、TEMP、TMP 被覆盖 / 丢失的问题。
- 具体怎么做：
- 执行 codex –version，确认稳定版不低于 0.160.1。
- 保持现有 remote MCP 配置不变，做一次跨 Unix → Windows 的真实启动回归。
- 在 Windows executor 中检查 SYSTEMROOT、TEMP、TMP 是否存在，并实际跑一次依赖系统路径和临时目录的工具。
- 把这三个变量和 MCP process startup 加入 remote-executor regression，避免以后升级时再次静默失效。
- 适合什么场景：Codex CLI、远程 MCP、Linux / macOS 调度 Windows 构建机、混合平台 CI。
- 注意：这个修复针对 remote stdio MCP 启动环境，不等于应该把 host 的所有环境变量透传给远端。Secrets 仍应显式、最小权限注入。
经典论文回顾
ROVIO：把图像 patch 的光度误差直接送进 EKF，而不是先做完整特征匹配
Michael Bloesch、Sammy Omari、Marco Hutter 与 Roland Siegwart 等人的 Robust Visual Inertial Odometry Using a Direct EKF-Based Approach 发表于 IROS 2015，是 direct visual-inertial odometry 与 robocentric filtering 路线的代表工作之一。后续 ROVIO 系统又发展出更完整的 IJRR 版本，并长期作为 ETH ASL 多种飞行平台和 maplab / ROVIOLI 前端使用。
核心问题
传统 feature-based VIO 常见链路是特征检测 → 描述 / 匹配 → 几何 residual → filter / optimizer。快速运动和 motion blur 下，descriptor / matching 可能先失败。
ROVIO 选择直接保留 image patch，把多层图像 patch 的 pixel-intensity error 作为 EKF update 的 innovation。
关键数学与状态表示
ROVIO 的经典设计包括 direct photometric update、tightly coupled EKF、robocentric state，以及 bearing vector + distance 类 landmark 参数化。
它的目标很明确：尽可能做到真正的“power-up-and-go”实时 VIO。
传感器 / 动力学假设
ROVIO 原始工作面向同步相机 + IMU，可使用单目或后续代码中的 stereo 配置。direct method 依赖局部光度一致性，因此曝光快速变化、严重 rolling shutter、强反射同样会造成问题；camera-IMU calibration 和 timestamp 也非常关键。
当年为什么重要
ROVIO 证明 direct photometric residual 不只是纯视觉 VO 的路线，也能与 IMU 状态在 EKF 中紧耦合。它在保持实时性的同时，对 motion blur 具有与传统二进制描述子不同的鲁棒性特征。
更重要的是，它代表了一个长期有效的工程思路：前端不一定要产出“已经决定好的视觉测量”；原始、低层的视觉误差也可以直接进入状态估计器。
今天仍在使用的思想
今天的 learned frontend、event camera VIO、direct sparse tracking 虽然实现不同，仍不断重复几个原则：尽量保留低层观测信息；相机与 IMU 越早联合越好；状态参数化要尊重不可观方向；实时 estimator 必须考虑计算和数据搬运，而不只是数学形式。
今天的 HexVIO 可以从另一侧理解这一历史：ROVIO 时代重点是“怎样把视觉与 IMU 紧耦合得轻而稳”，HexVIO 则继续问“在现代 SoC 上，这些视觉计算应该具体跑在哪一块硅上”。
已被后续替代的部分
ROVIO 的 EKF、patch 管理和 ROS-era 工程栈今天已不是 VIO 的唯一最优解。优化式 VIO、滑窗因子图、预积分、强回环和现代 learned frontend 在精度、全局一致性和维护性上提供更多选择。
原始 ROVIO 本身不负责全局回环与长期地图；在 ROVIOLI / maplab 中，ROVIO 主要提供实时里程计，另一套 feature / mapping 模块负责可持久地图和 localization。
公开代码与可复现性
ETH ASL 的 ROVIO 官方仓库 仍公开，BSD License；仓库也链接 IROS 2015 和 IJRR 后续论文。它仍然是理解 direct EKF VIO 很好的参考，但依赖传统 ROS / catkin 和研究型配置，今天复现时最好固定依赖环境。
对当前工程项目的重新解读
现代嵌入式平台重读 ROVIO，不一定是为了重新选 EKF，而是为了重新思考计算边界：哪些视觉量必须在高性能 CPU 上算，哪些 patch / stereo / pyramid 操作可以进 DSP / GPU，哪些 residual 必须高频进入 estimator，哪些全局功能应该留给低频后端。
HexVIO 的 0.83 W / 30 fps 结果说明，VIO 下一轮优化很可能不只是算法竞赛，而是算法模块与 SoC 异构计算单元之间重新分工。
ETH 论文页 · IROS DOI · ROVIO 官方代码
今日结论
今天最值得带走的主线是：机器人系统开始把“高算力”换成“算力放对地方”，把“强策略”换成“只在真正必要的地方干预”。
HexVIO 不是继续增加 VIO 模型复杂度，而是让视觉前端去更适合它的 DSP；LLA-MPC 没有把 system identification 神经网络化，而是利用现代嵌入式并行算力每周期直接筛数千个显式模型；DR-IPC 则把过去串联的规划、扰动估计和 tracking 压进一个能在机载 100 Hz 运转的 NMPC。
SafeStreamingFlow 和 Detect and Suppress 又从“什么时候花安全成本”给出相同答案。前者只对真正要执行的下一步施加硬 CBF；后者只在 probe 检出攻击时抑制内部特征。永久、全局、无条件的干预不仅昂贵，还可能破坏 nominal behavior。
KungfuAthleteBot 的 pseudo-LKE sampling 也说明，训练失败不一定意味着模型容量不够。高动态 imitation 真正的问题可能是 reference / initialization 本身违反物理。先修数据分布，再让 policy 学动作，比不断加更复杂的 recovery network 更合理。
EyeRobot 2.0 则提醒感知系统：增加视觉能力不一定等于增加相机数量。主动凝视和 foveated computation 可以让少量传感器更聪明地使用有限视觉预算。
AI Coding 侧，GTDD、ReviewBench 与 Codex 的 remote-MCP 修复可以串成同一套工程哲学：Agent 的结果必须通过独立、持续变化的测试被验证；reviewer 本身需要可复现 benchmark；harness 的跨平台环境也应该像产品代码一样有回归测试。
如果把今天整期压成一句话：
更成熟的机器人和 Coding Agent，不是把所有模块都开到最大，而是把计算、感知、规划和安全干预集中在真正决定物理结果或软件行为的那一小部分。
最值得深入研究或尝试复现的方向
- RK3588 / 手机 SoC 的 VIO 异构 profiling：把现有 VIO 分成 image frontend、IMU propagation、backend optimization，测 CPU / GPU / NPU 可迁移算子和真实瓦特数。
- 并行模型库 MPC：从 1–2 个最敏感动力学参数开始，在嵌入式 GPU / 多核 CPU 实时评估 model bank，与 neural dynamics adapter 比 prediction residual、控制性能和故障可解释性。
- 无人机 Integrated NMPC Sidecar：保留 PX4 姿态内环，让上层直接输出 body-rate + thrust；将 disturbance observer 与 local safe corridor 一起放入 100 Hz prediction loop。
- Streaming Planner 的 First-Step Safety：对现有 MPPI / flow planner，只给 executed action 增加硬 CBF，再用 terminal feasibility / no-progress detector 约束远期风险。
- 高动态 imitation 的初始化审计：统计参考轨迹中腾空、落地、低动能 / 高动能状态的训练失败率，先修 reference / initial-state distribution，再改 policy。
- 主动视觉 A/B：不增加 camera 数量，让云台 / 双目主动 fixation，比较 passive multi-camera 与 active gaze 的遮挡成功率、视觉 token 和总功耗。
- VLA 条件化安全干预：所有 runtime defense 同时跑攻击 / 故障检测和正常任务 regression，监控 intervention false-positive，不允许安全模块永久改写 nominal policy。
- Agent Adversarial TDD：固定 coder 后才生成新测试，把每个 counterexample 自动缩小并保存为 regression；最终 acceptance 再使用独立 hidden / random audit。