4 月 4 日是一个规模不大但主题连贯的机器人日。最强的工作都在收紧观测、动作和安全之间的闭环：保留动作标签的合成示范、满足控制时间约束的行为切换检测，以及记录对齐多模态数据、用于闭环学习的结肠镜平台。
今天的机器人学习论文更关注更好的动作落地，而不是更大的通用模型。CRAFT 是最清楚的例子。它把模拟器轨迹和带 Canny 引导的视频扩散流程结合起来，生成保留动作标签的逼真示范。这一点对双臂任务很重要，因为接触和协同错误会很快破坏迁移效果。跨具身测试的提升很大：从 UR5 到 Franka，CRAFT 在 Lift Pot 上报告 82.6%，在 Place Cans 上报告 89.3%，在 Stack Bowls 上报告 86.0%，且没有目标机器人示范。在从 xArm7 到 Franka 的真实测试中，它在三个任务上分别达到 17/20、15/20 和 16/20 次成功。这个方法还能在同一流程里支持视角、光照、背景和具身变化。
安全研究开始更明确地讨论控制器应该在什么时候响应。UA-ToM 在一个冻结的 7B 视觉-语言-动作模型上加入了一个 992K 的信念模块，用来跟踪协作者是否在任务中途改变了行为。论文认为，宽松的检测窗口会掩盖运行风险。更强的结果出现在更紧的 ±3 步窗口，也就是 50 ms 控制环里的大约 150 ms，在这里 UA-ToM 在 1,200 个 episode 上达到 85.7% 的硬检测率。对部署更重要的是，切换检测把切换后的碰撞从每个 episode 2.34 次降到 1.11 次，减少 52%，额外推理开销是 7.4 ms。
医疗机器人带来的是基础设施，而不是新的策略结果。OpenRC 打包了一套低成本的机器人结肠镜系统，记录同步视频、操作者命令、执行状态和 6-DoF 末端尖端位姿。实际价值在于为闭环学习提供对齐数据。去掉 EM 跟踪器后，这套系统的搭建成本低于 5,000 美元，数据集包含 1,894 个 episode，总时长约 19 小时，覆盖 10 种任务变化。它还包含 142 个失败 episode 和 141 个恢复 episode，为后续研究提供了导航失误、壁面接触和腔道丢失等有据可查的案例。对齐后，动作到执行的残余延迟是 55.6 ms，执行到尖端位姿的延迟中心在 0.0 ms。