跳到正文
  1. arXiv · 机器人与计算机视觉85

    面向人形机器人的视频模仿学习中的直接动态重定向方法

    针对单目视频演示到人形机器人运动迁移的形态失配问题,本文提出直接动态重定向(DDR)方法。该方法在物理仿真器中利用基于采样的模型预测控制求解器,直接在任务空间追踪人体关键点,无需接触标注或中间几何重定向步骤。

    推荐理由:提出直接动态重定向方法,在仿真中实现零样本迁移至不同尺寸实体机器人,并开源代码与数据集。

  2. arXiv · 机器人与计算机视觉83

    RiDEx:一种用于扩散强化学习的奖励感知方向性探索方法

    论文提出 RiDEx 方法,旨在解决基于奖励的扩散模型后训练中的探索效率问题。该方法将局部探索集中在去噪速度场中与奖励相关的子空间内,利用条件残差或可微奖励梯度确定子空间,并通过同状态下的等量反向扰动测量终端奖励响应。

    推荐理由:针对高维潜在空间探索效率低的问题,提出奖励感知的方向性探索方法,在四个对齐任务上实现最高峰值奖励并显著加速目标达成。

  3. arXiv · 机器人与计算机视觉82

    权重空间编程:大语言模型原生编写神经网络权重以控制真实拖拉机

    该论文提出“权重空间编程”概念,即大语言模型依据自然语言规范直接读写神经网络权重,无需优化器或梯度下降。研究将 GPT-6 Astra 和 Claude Fable 5.1/5.2 应用于自动拖拉机引导任务,在仿真中修复了为另一台拖拉机训练的 253 参数网络,并从零权重编写出控制器;两者均能正确分析闭环控制理论。

    推荐理由:研究展示了大语言模型直接读写神经网络权重的方法,成功在真实拖拉机控制器中实现路径引导。

  4. arXiv · 机器人与计算机视觉82

    随机多样性窗口:诊断机器人扩散采样中的噪声影响

    该论文针对机器人控制中扩散模型的随机性作用研究不足的问题,引入每步反事实诊断以测试采样噪声对最终输出的影响。研究发现不同配置下噪声诱导的偏差在下游可能放大、收缩或衰减,据此定义“随机多样性窗口”并应用针对性干预策略。实验显示,利用低影响区域替换 DDPM 步骤为 DDIM 跳步,可将网络评估减少最多 40-60%,时钟时间减少最多 85%,且在保持可行性、成本和多样性方面未发现一致变化。

    推荐理由:提出随机多样性窗口诊断方法,揭示去噪过程中噪声影响的时间敏感性,并通过采样干预实现推理加速。

  5. arXiv · 机器人与计算机视觉83

    Body Schema Policy:基于身体图式的视觉 - 动作接口用于高效机器人位姿操作

    论文介绍 Body Schema Policy (BSP),一种将身体图式构建为视觉与动作接口的模仿学习策略,其潜在身体图式在机器人运动学树上放置关节和连杆 token,利用学习到的螺旋运动传递特征。

    推荐理由:提出将身体图式作为视觉与动作接口的模仿学习策略,在仿真及真实机器人上以极少参数实现高效全身位姿控制。

  6. arXiv · 机器人与计算机视觉83

    InteractVLA:将视觉语言动作模型转化为机器人操作的可交互工具

    现有代理操作系统将预训练的视觉语言动作策略视为不透明的语言原语,在指令或场景扰动下无法调整行为。本文提出 InteractVLA 框架,通过双向几何接口使预训练流式 VLA 成为可被几何引导和检查的工具:正向利用测试时几何引导将末端执行器目标转化为输入梯度,反向暴露动作片段与相机重投影以诊断空间差异并修正后续调用。

    推荐理由:提出 InteractVLA 框架,通过双向几何接口将预训练 VLA 转化为可交互工具,实现测试时几何引导与递归自我改进。

  7. arXiv · 机器人与计算机视觉82

    Progress Predicts Policy:一种基于语言条件标量场的混合机器人策略方法

    论文介绍 Progress Predicts Policy (PPP),该方法通过学习语言条件的标量场并利用其微分诱导命令,结合共享世界模型读取动作梯度以生成连续或离散动作控制。实验表明,在无需额外标注的情况下,仅拟合演示进度值即可实现优于行为克隆的策略性能,适用于仿真与真实机器人操作任务。

    推荐理由:该工作提出通过语言条件标量场学习混合策略,无需独立动作头或迭代搜索,在仿真与真实机器人操作中优于行为克隆。

  8. arXiv · 机器人与计算机视觉83

    Heave-Ho:去中心化长程多个人形协作框架

    论文介绍 Heave-Ho 框架,旨在解决人形机器人长程协作中的全身交互、长期规划与同步难题。该框架在底层利用多智能体后训练适配物理耦合交互,在高层训练视觉语言规划器并设计基于语音的领导者 - 跟随者协调机制,实现无需网络通信的去中心化执行。

    推荐理由:提出去中心化多个人形协作框架,通过视觉语言规划与语音协调机制实现无需网络通信的长程协同。

  9. arXiv · 机器人与计算机视觉83

    ReLAP:基于 JEPA 空间的循环视频预测进行潜在动作预训练

    论文介绍 ReLAP 框架,该框架在冻结的 JEPA 表示空间内耦合局部逆动力学学习与循环多步预测。共享逆动力学模型从相邻观测推断紧凑连续潜在动作,而潜在世界模型递归预测未来 JEPA 特征以鼓励时间连贯的动态。

    推荐理由:该工作提出在冻结 JEPA 空间内结合局部逆动力学与循环多步预测的潜在动作预训练框架,并在 LIBERO 基准上取得 SOTA 表现。

  10. arXiv · 机器人与计算机视觉78

    DreamFAR:一种支持实时与长视界交互的多样化物体世界模型

    论文提出了 DreamFAR 世界模型,其动力学模型完全基于大规模机器人遥操作数据从头训练,未使用互联网视频预训练。该架构专为机器人原生数据设计,体积显著小于高性能视频生成模型,在商业 GPU 上运行速度达 10 FPS。实验表明,DreamFAR 在预测长视界未来及理解接触与因果关系方面优于现有模型,并展示了策略评估与混合数据协同训练等应用潜力。

    推荐理由:该工作提出无需互联网预训练的机器人原生世界模型,在长时序接触预测上优于现有方法。

  11. arXiv · 机器人与计算机视觉78

    FlowRRT:基于蒸馏 MPPI 策略的单足复杂地形敏捷跳跃运动规划

    论文提出了 FlowRRT,这是一种针对离散地形单足跳跃的激动力学规划器。该方法将多起点 MPPI 专家离线收集的可行动作集通过条件流匹配蒸馏为生成采样器,以解决传统方法在狭窄不连通动作空间中的局限性。

    推荐理由:提出将 MPPI 专家蒸馏为生成采样器的 FlowRRT,在单足跳跃任务上实现更短规划时间与更高成功率。

  1. arXiv · 机器人与计算机视觉82

    MorphQuad:具备超人机动性、操作性与鲁棒性的可变形态四旋翼飞行器

    论文介绍 MorphQuad 一种可变形态四旋翼飞行器,通过独立关节化的转子系统与新型控制推力分配算法,实现任意方向最大推力矢量输出与几乎全域稳定性。硬件保留平面结构并消除控制奇点,支持连续多圈旋转、阀门转动、抓握按压等超人手力级操作及抗风恢复能力。材料为预印本论文,未报告真实场景部署结果或商业化状态。

    推荐理由:提出可变形四旋翼架构与闭环控制算法,实现任意姿态飞行、超人手力级操作及抗风恢复能力。

  2. arXiv · 机器人与计算机视觉82

    DSSP:具备全历史编码的扩散状态空间策略

    针对现有机器人模仿学习策略仅依赖当前或短时观测、难以解决长时程任务中历史依赖性模糊的问题,本文提出 DSSP 方法。该方法利用状态空间模型(SSM)的连续序列建模特性构建历史编码器,将完整观测流压缩为紧凑上下文表示,并通过动力学感知辅助目标优化以保留未来状态演化关键信息。

    推荐理由:提出全历史编码的扩散状态空间策略,在仿真与真实操作中实现更小模型尺寸下的最先进性能。

  3. arXiv · 机器人与计算机视觉78

    用单子表示微分包含:一种用于组合式控制器合成的框架

    该论文针对混合与非光滑机器人系统的控制器安全认证问题,构建了基于 Filippov 正则微分包含的轨迹单子框架。其核心贡献是将控制屏障函数(CBF)认证转化为子单子结构,证明联合安全性仅需满足一个代数条件,解释了为何平滑交集支持安全合成而分阶段强制则不然。

    推荐理由:提出轨迹单子框架将混合系统控制器合成简化为代数条件,并推导失效率模型与验证结果。

  4. arXiv · 机器人与计算机视觉78

    基于任意阶空间矩的机器人集群分布式塑形方法

    该论文提出一种通过控制空间矩来将机器人集群塑造成目标图案(如图像中的图形)的方法。不同于几何编队控制指定特定代理的距离或方位,该方法针对整个集群,利用协方差归一化坐标编码高阶形状信息。

    推荐理由:论文提出通过任意阶空间矩控制机器人集群整体形状,无需分配具体位置,支持分布式实现与层级收敛。

  5. arXiv · 机器人与计算机视觉83

    Bring Back Language to Actions:通过参数合并恢复 VLA 模型中的 VLM 能力

    Vision-Language-Action (VLA) 模型在微调后常出现灾难性遗忘,导致原有视觉与语义理解能力下降。本文提出一种无需重训的参数合并方法,提取任务向量并通过奇异值分解控制保留的适应程度,实验表明该方法能同时保持动作预测和视觉语言能力,且表现优于现有基线。

    推荐理由:提出通过奇异值分解合并 VLM 与 VLA 参数,在不重训情况下恢复视觉语言能力并优于现有基线。

  6. arXiv · 机器人与计算机视觉80

    ScaleVLA:将视觉语言动作模型扩展至 5520 亿参数

    该研究提出 ScaleVLA,通过将 552B 参数的 DeepSeek-V4.1-Flash 骨干连接可训练的动作 DiT,系统对比了从 2B 到 552B 不同规模 VLM 在机器人基础模型中的表现。

    推荐理由:该报告系统验证了将前沿大模型作为 VLA 骨干的可行性,展示了在样本效率、泛化能力及灵巧操作上的显著优势。

  7. arXiv · 机器人与计算机视觉78

    WinDEX:面向灵巧遥操作与策略学习的野外度量级三维手部运动重建

    论文提出了 WinDEX 框架,整合了几何时序优化、视觉惯性 SLAM 及端到端鱼眼原生网络,构建了包含 1000 小时标注的 WinDEX-Hand 数据集。

    推荐理由:提出 WinDEX 方法,结合几何优化与视觉惯性 SLAM 实现野外高精度手部重建,数据集支持强化学习与遥操作。

  8. arXiv · 机器人与计算机视觉78

    ReuseMem:单一记忆应对多目标的机器人操作任务

    论文提出 ReuseMem 方法,旨在让协作机器人利用已观察到的视觉经验来支持新的操作请求,即使这些具体用途在观察时未知。该方法独立记录视觉特征,检索互补证据并结合当前场景,通过轻量级动作接口实现复用。实验涵盖四个仿真任务和两个物理场景,结果显示该方法在基准任务上的联合目标完成率比均匀记忆策略提升 24.5 个百分点。

    推荐理由:该工作提出一种通用视觉记忆机制,支持同一记忆服务于多种后续操作目标。

  9. arXiv · 机器人与计算机视觉78

    GRAZE:基于人类注视的未见物体无文本抓取合成

    GRAZE 是一种从人类注视而非物体名称或部位名称中生成手 - 物抓取运动的方法。该方法通过几何感知注视编码将注视射线映射为物体几何线索,并利用交叉注意力条件化扩散 Transformer。

    推荐理由:GRAZE 方法利用人类注视生成未见物体的抓取动作,在无需微调的情况下实现了优于文本基线的抓取成功率与泛化能力。