跳到正文
11月3日周二
  1. arXiv · 机器人与计算机视觉78

    OpenHLM:一种全身人形机器人位姿操作的经验配方

    论文提出了 OpenHLM 这一开源方案,旨在构建将语言和图像直接映射到人形机器人所有自由度的全身原生视觉语言动作模型。研究通过分阶段实验发现,基于关节的全身遥操作接口优于部分暴露自由度的替代方案;在静态和轮式双臂平台上预训练的 VLA 模型能意外地良好迁移至人形机器人的全动作空间;与 HuMI(UMI 的人形类比)协同训练可拓展策略以处理新物体和指令。

    推荐理由:提出全身原生视觉语言动作模型构建路线图,在长周期任务中用更少演示时间优于现有基线。

  2. arXiv · 机器人与计算机视觉43

    时变马尔可夫决策过程下的遗憾引导更新调度:机器人何时重规划?

    针对非平稳环境中机器人在线预算受限问题,研究提出基于动态遗憾的自适应更新规则以优化状态估计与重规划时机。该方法在火星车导航仿真及室内障碍场中的 Crazyflie 四旋翼实验里,均优于其他有预算基线方案。相关代码与论文已公开于 arXiv。

  3. arXiv · 机器人与计算机视觉72

    迈向统一且免调优的助力:动力膝关节 - 踝关节假肢的端到端控制

    本文提出了一种基于时序卷积网络的实时端到端假肢控制器,通过车载传感器估计连续执行器信号,消除了对意图分类器和受试者特定调参的需求。该控制器在包含 18 名截肢者的多地形数据集上训练,并在四名参与者(三名健全人、一名截肢者)的平地、坡道升降及楼梯升降中进行了实时部署。

  4. arXiv · 机器人与计算机视觉78

    Any-ttach:快速末端执行器更换实现简单灵巧操作

    Any-ttach 是一种面向工具的机器人操作系统,利用机械模块化和自主末端执行器更换作为提升灵巧性的途径。该系统结合了低成本标准化被动自锁接口、统一的物体中心操作框架以及分层规划执行系统。

    推荐理由:该预印本提出通过低成本机械接口实现末端执行器自动更换,以工具模块化扩展操作能力。

  5. arXiv · 机器人与计算机视觉68

    GROVER:自适应地形轮齿的行星探测车轮设计与实验研究

    针对行星探测器在不同地形(如坡度、颗粒度)面临的移动性挑战,论文介绍了 GROVER 这一多模态车轮设计,其核心能力是连续调节轮齿高度以适应地形。固定高度性能测试涵盖乙烯基、粗岩石、豌豆砾石和沙子等多种表面;950 次试验表明最佳配置随地形变化,在颗粒状地形上打滑减少 34.6%--58.0%,行进时间和能耗提升最高达 77.4%。

  6. arXiv · 机器人与计算机视觉59

    GazeVLA:通过学习人类注视意图实现机器人操作

    该研究提出 GazeVLA 方法,利用人类行为中的注视线索同时编码高层任务语义并与低层动作协同耦合,构建中层表征以解决具身智能的载体差异挑战。实验表明,该方法使机器人能在无自身意图标注的情况下内化人类意图,结合推理范式执行长程与精细操作任务,在仿真及真实世界实验中均优于基线并具备泛化能力。

  7. arXiv · 机器人与计算机视觉82

    CoEnv:面向多臂操作的真实到仿真数字孪生代码驱动探索研究

    论文提出了 CoEnv(Code-driven Exploration)框架与 CoEx 方法,旨在解决通用编码代理缺乏安全练习场的问题。该方法通过 CoEnv 将多视角 RGBD 数据重建为物理仿真的数字孪生环境,使智能体能在可执行的数字孪生中编写、调试并优化完整的多臂协作程序。

    推荐理由:提出 CoEnv 框架,利用代码驱动代理在数字孪生中探索多臂协作程序,验证后转移至硬件,显著提升了无人类演示任务的成功率。

  8. arXiv · 机器人与计算机视觉42

    OmniGuide:通用空间引导场增强泛化机器人策略

    OmniGuide 提出利用任意来源的引导(如 3D 基础模型、语义推理 VLM)作为可微能量函数,显著提升 VLA 模型在复杂任务中的成功率与安全率。实验涵盖仿真与真实环境,证实该框架能匹配或超越此前针对特定引导源的方法,有效增强 $\pi_{0.5}$、GR00T N1.6 等最先进泛化策略的表现。论文已接受 CoRL 2026,项目页面提供相关代码与资源。

  9. arXiv · 机器人与计算机视觉78

    ArthroCut:面向膝关节置换的机器人骨骼切除自主策略学习

    针对手术机器人自主性不足的问题,作者提出了 ArthroCut 框架,将膝关节置换机器人从辅助执行升级为情境感知动作生成。该框架基于 Qwen-VL 骨干网络,在包含 21 例完整病例(共 23,205 对 RGB-D 数据)的自建多模态数据集上进行微调,融合了术前 CT/MR、术中 NDI 追踪、RGB-D 手术视频及机器人状态。

    推荐理由:提出 ArthroCut 框架,通过融合术前影像与术中视觉 token 实现骨科机器人自主决策。

  10. arXiv · 机器人与计算机视觉68

    基于场景图的感知受限运动规划:MOPS-PRM 方法

    针对高自由度机器人在复杂环境中需同时满足多对象监控等感知约束的问题,本文提出 MOPS-PRM 这一基于路图的运动规划器。该方法将感知成本作为场景图的一部分嵌入每个物体中,在构建路图时选择性采样配置以隐式执行感知约束。实验表明,相比其他感知受限基线,该方法在平均检测对象数量上提升约 36%,跟踪率提升约 17%,且规划时间和路径长度相当。

  11. arXiv · 机器人与计算机视觉70

    如何持刀削皮:对齐细粒度操作与人类偏好的学习框架

    针对食物制备等具有连续主观质量标准的操作难题,论文提出基于持刀削皮的两阶段学习框架。首先通过力感知数据收集与模仿学习获得鲁棒初始策略;其次利用结合定量指标与定性反馈的学习奖励模型进行偏好微调以对齐人类评价。实验显示,仅用 50~200 条轨迹即在黄瓜、苹果和土豆上实现 100% 同产成功率,跨物体零样本泛化至西葫芦、梨和白萝卜等类别。

  12. arXiv · 机器人与计算机视觉42

    Learning to Build:无需预定义计划实现自主机器人稳定结构组装

    该研究提出一种新型自主机器人组装框架,通过目标与障碍物定义任务而非依赖预定义蓝图,利用深度 Q 学习策略应对环境不确定性。在包含 15 个离散积木构建任务的基准测试中,真实世界闭环实验验证了该方法处理施工噪声的可行性。论文已获 IEEE Robotics and Automation Letters 录用,为更适应现实的机器人建造提供了新方向。

  13. arXiv · 机器人与计算机视觉58

    ReWorld:面向具身视频生成的多维奖励建模框架

    当前具身视频生成模型多侧重视觉质量而忽视物理保真度与动态一致性。本文提出 ReWorld 框架,利用强化学习对齐视频生成以匹配物理真实感、任务完成能力、具身合理性与视觉质量。研究构建了约 23.5 万条的视频偏好数据集,训练了分层奖励模型以捕捉多维人类偏好,并提出了基于高效 PPO 风格算法的后训练流程。实验表明该方法在物理保真度、逻辑连贯性、具身性及视觉质量上均优于先前方法。

  14. arXiv · 机器人与计算机视觉82

    Look as You Leap:面向高自由度机器人的运动与感知同步规划方法

    该研究针对动态空间中机器人需持续感知环境的挑战,提出一种名为 PS-PRM 的 GPU 并行化概率路图规划器。该方法利用神经代理模型近似感知分数(如目标检测置信度),将其融入运动规划搜索过程,以解决运动与感知需求冲突及实时评估成本高的问题。实验表明,该规划器在静态和动态环境下的仿真及真实机器人实验中,均优于基于强化学习和轨迹优化的基线方法。

    推荐理由:提出 PS-PRM 规划器,利用神经代理模型近似感知分数并引入 GPU 并行,解决高自由度机器人在动态环境中运动与感知的联合优化难题。

  15. arXiv · 机器人与计算机视觉72

    SpecPrune-VLA:通过动作感知自推测剪枝加速视觉语言动作模型

    论文提出 SpecPrune-VLA,一种无需训练的、两层级的动作感知自推测剪枝方法,旨在解决现有 VLA 加速方法忽略全局上下文导致成功率下降的问题。该方法结合局部信息与全局历史静态减少视觉 token,并基于层重要性动态剪枝,同时根据末端执行器速度区分粗细粒度动作以调整剪枝强度。

  16. arXiv · 机器人与计算机视觉65

    Tactile MNIST:主动触觉感知基准套件发布

    论文介绍了 Tactile MNIST Benchmark Suite,这是一个开源且兼容 Gymnasium 的基准,旨在填补主动触觉感知领域的标准化空白。该套件包含由 CycleGAN 渲染的合成数据集和来自 3D 打印数字的真实触觉样本,支持分类、定位、姿态估计及体积估算等任务,并提供了从简单玩具环境到复杂视觉触觉传感器任务的多样化仿真场景。

  17. arXiv · 机器人与计算机视觉42

    多机器人信念空间规划框架与简化算法:应对不一致信念与有限数据共享的正式保证方案

    针对多机器人系统中信念不一致且通信受限场景,该研究提出具备形式化性能保证的去中心化 MR-BSP 算法。基础算法 VerifyAC 通过三步验证确保联合动作一致,失败时触发通信;扩展版 R-VerifyAC 及简化版 R-VerifyAC-simp 进一步减少通信次数并显著降低计算时间。理论保证已在离散仿真中证实,并在连续高维空间下实现了真实多机器人主动视觉 SLAM 实验结果。

  18. arXiv · 机器人与计算机视觉12

    DAT 屏幕通过空间投影与触觉传感实现虚拟代理的可触摸交互设计

    桌面中触(DAT)屏幕结合半透明可变形网格的空间投影、触觉传感及阻力电机控制,使虚拟代理能模拟接触表面的形变与抗推响应。系统原型从检测单次触摸位置深度演进至通过张力控制调节屏幕抗凹陷能力,演示了物理反馈交互的可行性。该研究在 HAI 2026 工作坊提出设计问题:虚拟代理是否应表现出偏好或边界,以及何时实施此类行为。

  19. arXiv · 机器人与计算机视觉78

    TriPhysBench:评估具身智能体物理智能的基准与框架

    论文介绍 TriPhysBench 基准和 TriPhys 框架,旨在评估和提升具身智能体的物理感知、知识检索及定量推理能力。基准包含来自 200 个视频的 410 个问题,涵盖测量驱动与知识驱动的子任务;现有六款视觉语言模型中最佳者准确率仅 50.38%。

    推荐理由:该工作提出 TriPhysBench 基准与 TriPhys 框架,揭示现有模型在物理感知、知识检索与推理协同任务上的不足并提供改进路径。

  20. arXiv · 机器人与计算机视觉78

    超越验证损失:机器人策略预训练中的覆盖度与可靠性动态

    该论文针对现代机器人学习中仅依赖验证损失和平均任务成功率指标不足的问题,研究了闭环 pass@k 指标以评估策略在多次采样下的成功可达性。研究发现大 k 的 pass@k 能揭示传统指标无法捕捉的后训练差异,并揭示了预训练过程中覆盖率与可靠性的权衡关系。作者据此提出了无需闭环评估的离线检查点选择准则以及生成式数据增强程序,旨在扩展监督范围并保持高可靠性。

    推荐理由:提出基于 pass@k 的评估指标与离线选择准则,揭示预训练中覆盖率与可靠性的权衡关系。

  21. arXiv · 机器人与计算机视觉42

    CalVLA:通过结果监督塑造视觉语言动作策略的原生置信度

    CalVLA 利用成功与失败的回放数据,在不引入辅助故障检测器的情况下,仅用低秩适配器微调 OpenVLA-7B 以预测任务失败。在 LIBERO-10 基准的独立测试集中,适配后的置信度将联合故障判别 AUROC 从 0.4485 提升至 0.7392±0.0480,但平均任务成功率由 58% 降至 55%。

  22. arXiv · 机器人与计算机视觉5

    Catenary Visibility:系留机器人几何可见性规划框架发布

    该研究提出“悬链线可见性”概念,为地面机器人与空中无人机组成的系留系统构建几何规划框架。算法先求解二维平面子问题以确定可行发射点及缆绳长度范围,进而推广至三维受限障碍物场景。论文解决了确定从给定三维目标出发、在地面平面上可行的部署区域这一计算挑战。

  23. arXiv · 机器人与计算机视觉42

    Pixel:面向通用移动操作的全栈机器人系统设计

    Pixel 是一个协同设计的完整系统,旨在通过低成本轮式人形机器人、合规夹爪及统一全身控制器学习通用移动操作。该系统整合了遥操作与免机器人数据采集接口,支持语言条件视觉运动控制及长视界任务执行。研究在硬件、数据收集与策略学习上进行了评估,展示了需灵巧性、主动感知、导航及全身协调的移动操作行为。

  24. arXiv · 机器人与计算机视觉74

    Pixel-UMI:基于传感器化人类演示的环境感知全身操作学习

    论文提出 Pixel-UMI 框架,利用传感器化的人类演示数据学习环境感知的全身操作策略。该方法引入环境感知重定向(EAR)结合场景几何与人体轨迹生成避障关节目标,采用延迟校准动作分配解决运动学差异,并通过误差感知掩码(REAM)减少部署时的视角失配,最后利用 DAgger 收集在线人类修正以增强接触丰富交互的性能。

  25. arXiv · 机器人与计算机视觉57

    通过机器人助手中介人类 - 群体交互:一种受牧羊启发的方法

    本文研究了利用中间机器人助手引导大型群体的技术,针对野生动物群等“不可治理”的群体场景,对比了低层级遥操作与基于集体形状(如边界控制)的高自主性运动原语接口。实验结果表明,后者在虚拟现实牧羊任务中提升了表现并降低了感知工作负载。该论文已接受发表于 IROS 2026,属于预印本状态。

  26. arXiv · 机器人与计算机视觉83

    PanoTac:一种用于鲁棒触觉中心操作的密集三轴触觉传感器

    论文介绍了 PanoTac,这是一种低成本、柔顺的触觉指尖传感器,旨在提供密集的三轴触觉感知能力。每个指尖提供 12x32x3 的触觉表示,包含法向和两个剪切响应分量,采样率为 60 Hz,成本低于每指尖 50 美元。

    推荐理由:PanoTac 传感器在管具准备、舀取谷物等任务中,相比纯视觉基线平均提升 46.7% 性能。

  27. arXiv · 机器人与计算机视觉68

    当机器人重于物体:惯性失配如何塑造机器人策略学习

    论文研究了机械臂与操作对象之间的惯性失配对机器人策略学习的影响。研究发现强化学习能在广泛的质量组合下成功,而行为克隆在轻机器人操作重物体时更可靠;增加数据能缩小但无法消除这一差距。此外,即使机械臂重量不变,电机齿轮比导致的等效惯性增加也会降低行为克隆性能。研究提出通过选择低惯性工作空间或引导演示者采用低惯性解决方案来改善模仿效果。

  28. arXiv · 机器人与计算机视觉82

    SNAP:一种无需显式人体状态估计的语义人群导航方法

    论文提出 SNAP 方法,利用单一语义标注鸟瞰图同时推理语义地形与动态障碍物,避免依赖显式的人体状态估计。该方法在拥挤城市环境中优于现有的人群避让和语义感知基线,并成功实现零样本迁移至足式机器人,展示了在高动态真实场景中的社会合规导航能力。

    推荐理由:提出基于语义鸟瞰图的强化学习导航策略,无需显式人体状态估计即可在拥挤场景实现社会合规导航,并验证了跨足式机器人的零样本迁移能力。

  29. arXiv · 机器人与计算机视觉58

    无 Lipschitz 常数的过驱动多旋翼分配延迟认证就绪屏障

    针对过驱动多旋翼在采样指令和变时延下鲁棒性边界不足的问题,提出一种无需计算 Lipschitz 常数的测试方法。该方法利用转子对扭矩的单调响应结构,将可达速度域限制在廉价计算的盒内,并在预知角落寻找最低就绪值,从而保证命令执行期间就绪度不低于阈值并提供备用扭矩维持认证轨迹。

  30. arXiv · 机器人与计算机视觉42

    Copilot Assistance Modes 框架在血管内神经介入中的体外用户研究:跨自主谱系的人机协作导航评估

    Copilot Assistance Modes(CAM)框架通过体外实验对比了从手动到全自主的六种机器人导航模式。结果显示,全自主仿真成功率为 81%,但体外降至 23%;而人机共享自主模式成功率达 92%-97%,约为全自主的四倍且接近直接控制水平。研究证实,通过人机协作分配控制权可有效缓解仿真到现实的域偏移问题。

  31. arXiv · 机器人与计算机视觉38

    肌电控制上肢外骨骼:解码器 - 整形器 - 控制器框架、设计指南与未来方向

    该综述提出针对上肢外骨骼的连续肌电控制“解码器 - 整形器 - 控制器”功能框架,明确区分意图估计、辅助策略设计与底层执行。分析指出当前整形模块缺乏成熟调优方法且常被嵌入其他组件,报告存在不一致及跨自由度验证不足等关键问题。文章据此提供模块化系统调优设计指南并指明未来研究优先方向以弥合实验室与真实工况差距。

  32. arXiv · 机器人与计算机视觉48

    OpenZilo:面向人机交互的开源智能戒指平台

    OpenZilo 是一个集成麦克风、惯性测量单元及皮肤温度传感的开源智能戒指平台,旨在连接用户输入与机器人物理动作。该平台定义了七种运行模式,在包含五种指令和每种模态 250 次试次的实验中,语音与手势的任务成功率分别达到 90.4% 和 88.8%,整体任务成功率为 70.0%(手势)或 64.0%(语音)。

  33. arXiv · 机器人与计算机视觉42

    Safe-Ballbot:基于控制屏障函数的倾斜一致 MPC 球型机器人导航方案

    Safe-Ballbot 提出了一种三层球型机器人(ballbot)导航架构,上层利用 jerk 模型预测控制器配合离散时间控制屏障函数处理静态及动态障碍物,下层采用扩展状态观测器的分层滑模控制器。MuJoCo 仿真显示该方案规划耗时仅 9--12ms,比全模型非线性 MPC 快 10--15 倍,同时保持至少 10cm 安全间隙、轨迹跟踪误差小于 2cm RMS 且倾斜角始终低于限制。