结构化执行与纠错
本周的论文继续在动作循环内部加入显式结构。记忆、子任务规划、理由监督、干预信号和恢复逻辑都被当作一等控制要素。重点很实际：更长程的任务需要策略能够暴露状态、接受纠正，并在出错后恢复执行。
趋势
本周机器人研究聚焦于能够恢复、适应并保持贴近真实执行的控制
概览
本周的机器人研究集中在真实任务压力下的执行质量。最强的一批论文把控制状态显式化，在接触时刻加入物理反馈，并用以动作为基础的评估来判断进展。与最近几周相比，这份简报对部署条件写得更具体：恢复、干预、安全和小数据适应都被当作核心方法选择，而不是附带分析。
研究发现
接触时刻控制与物理反馈
高接触操作是一个明确的重心。多篇论文将更好的结果与触觉、力矩或视觉-触觉反馈联系起来，还有一篇报告称，加入物理反馈后，接触密集任务的平均成功率接近翻倍。另一篇把接近阶段和接触阶段拆成两个独立的行为阶段，这说明精细控制正在围绕接触发生的时刻来组织。
资料来源
以执行为基础的评估与安全
评估现在更贴近可执行行为。世界模型的判断标准不再只是预测质量，还看它们是否保留与任务相关的结构、是否能帮助真实动作执行。同一周里，安全范围也写得更明确：物理安全测试、基准局限性以及一篇广泛的 VLA 安全综述，与新的控制方法一起出现。
资料来源
面向部署的训练与适应
训练与适应类论文面向部署条件。反复出现的判断是：当训练数据更像真实机器人的经验、并且后训练能在小数据预算下保住指令跟随能力时，机器人性能会更好。跨 embodiment 迁移和在线适应仍然活跃，但更强的信号是，作者正把这些提升与真实机器人或部署式测试直接挂钩。