跳到正文
11月13日周五
  1. arXiv · 机器人与计算机视觉78

    AstroMemBench:具身航天体记忆系统基准

    AstroMemBench 是一个针对具身航天体记忆系统的基准测试工具,涵盖行星表面操作、在轨服务及深空探索等九项任务。该基准包含 16 个子挑战、140 个模板和 2240 个实例,通过确定性环境对任务完成度、状态变化、安全性和资源使用进行评分。

    推荐理由:该基准通过确定性环境量化了具身航天体在通信延迟与资源受限下的记忆系统性能,为长周期自主任务提供了可复用的评估框架。

  2. arXiv · 机器人与计算机视觉71

    Imitating the Imperfect:基于潜在专家性与最优性评分的异构演示者模仿学习

    针对现有模仿学习方法假设演示者同质或接近最优的不现实问题,本文提出 LEOS-IL 框架,从未标记的低质量离线演示中联合学习状态动作最优性评分模型与各演示者的潜在专家水平。该方法将评分模型集成至在线策略优化流程,利用在线 rollout 迭代 refine 评分模型以缓解分布偏移,并在连续控制基准上展示了在高度异构和低质量演示数据下的优越性能。

  3. arXiv · 机器人与计算机视觉45

    异质多机器人系统通过迭代聚类实现协作任务分配

    针对异质多机器人系统的协作任务分配难题,研究提出一种迭代聚类算法,将全局优化分解为子问题并保证每轮效用单调提升。仿真显示该算法在计算时间和解质量上均优于模拟退火及群组拍卖方法,且解质量超越享乐博弈方案。论文已发表于 IEEE RA-L 并在 2026 ICRA 展示,代码与数据待注册。

  4. arXiv · 机器人与计算机视觉85

    UAV-Flow++:统一的语言引导无人机飞行评测与学习套件

    针对语言引导无人机导航长期侧重长程规划而忽视短距物体相对飞行的空白,该工作提出 Flying-on-a-Word 任务及 UAV-Flow 数据集,包含 30,692 条真实专家轨迹和 10,109 条仿真轨迹。团队开发 FlowVLA 模型,利用 Tail-Aware GRPO 方法进行在线后训练,在仿真基准上平均成功率达 93.16%,并在室内外实物场景中验证了物体相对指令的稳健执行能力。

    推荐理由:该工作提出语言引导无人机飞行新基准与框架,通过混合真实与仿真数据训练 VLA 模型,在仿真中成功率提升至 93.16% 并验证了实物执行能力。

  5. arXiv · 机器人与计算机视觉42

    XBot-Omni:具身理解与交互的全模态模型

    XBot-Omni 提出 Thinker-Talker-Actor 架构,将全模态范式扩展至机器人肢体运动与面部表情。该模型在七个基准测试中展现了强大的多模态理解能力与自然协调的运动生成效果。研究验证了其直接从全模态输入生成具身多模态响应的能力,实现了从对话交互到物理环境具身通信的延伸。

  6. arXiv · 机器人与计算机视觉59

    内积正则化用于模仿学习

    针对模仿学习中策略对状态扰动(如传感器噪声、场景变化)的鲁棒性问题,本文提出内积正则化(InneR)。该方法利用策略雅可比矩阵将动作空间的内积映射至状态空间,通过聚类并最小化平均内积的最小特征值,使邻近状态共享公共零空间,从而确保对扰动的响应一致性。

  7. arXiv · 机器人与计算机视觉48

    FORGE:具身智能灵巧操控的力感知多粒度控制系统

    FORGE 提出一种无需全身运动轨迹或关节角度参考的力感知多粒度控制系统,仅需稀疏的双腕位姿与粗略运动指令即可部署。该系统结合动量观测器与仿真接触力监督训练的修正策略,在无手腕力/力矩传感器下通过本体感觉估计低频等效交互力并稳定全身校正。实验验证了其在刚性物体持续接触挤压、不同负载下的蹲起搬运任务中的统一控制稳定性及下游扩散策略执行效果。

  8. arXiv · 机器人与计算机视觉83

    SALA:语义对齐的潜在动作实现具身基础模型的双轴扩展

    针对现有潜在动作模型仅通过视频重建导致表征按外观聚类而非动作的问题,该研究引入 SALA 方法,利用人类与机器人视频的语言描述估计语义相似度并建立跨载体对应关系。

    推荐理由:提出利用语言描述对齐人类与机器人潜在动作,无需配对数据即可统一监督信号。

  9. arXiv · 机器人与计算机视觉20

    LLM 效用最大化与容错管理综述:基于决策理论的自适应依赖机制研究

    该综述提出通过适应系统对大语言模型(LLM)的依赖程度来平衡其高效用与固有错误风险。方法借鉴经典决策理论与在线学习,依据 LLM 角色及贡献类型动态估计可靠性并调整信任度。独立验证机制可防止罕见但关键错误的执行,确保在有限研究背景下将误用风险控制在理论边界内。

  10. arXiv · 机器人与计算机视觉78

    ACE-CaP-0:经验时代的现实世界代码策略

    ACE-CaP-0 提出一种结合按需演示(Demonstrations on Request)与按需仿真(Simulation on Demand)的智能体配方,旨在通过经验获取并保留可执行的物理技能。

    推荐理由:提出 ACE-CaP-0 框架,结合按需演示与按需仿真将八项真实操作任务成功率提升至 92.1%,实现无需人在环的自主执行。

  11. arXiv · 机器人与计算机视觉38

    AgriSense:虚拟温室中的视觉语言决策支持与机器人干预框架

    AgriSense 框架结合 Isaac Sim 虚拟温室与四足移动操作臂,利用冻结的 DINOv2 和 BERT 编码器联合预测十二项环境参考及干预标志。在源分组测试集上,全模型、去图像及去语言配置均达成 43/44 次区域决策正确率,未体现多模态增量增益;温度与湿度预测误差分别为 0.249 度和 2.03 个百分点。

  12. arXiv · 机器人与计算机视觉78

    EgoX:基于身体 Dreaming 的以自我为中心跨具身操作学习

    论文介绍 EgoX 框架,利用语义对应的观测与动作模态组织异构演示数据。模型 MXT+ 采用模块化交叉具身 Transformer 架构,为每种观测和动作分配专用 Tokenizer 与专家,共享主干网络并通过训练专用的身体 Dreaming 目标预测未来视觉和本体感觉状态以建模动力学。

    推荐理由:该预印本提出 EgoX 框架,通过模态解耦与身体 dreaming 实现跨机器人策略迁移,在 OOD 条件下显著提升任务进度。

  13. arXiv · 机器人与计算机视觉45

    考虑 texting 行人的注意力感知导航框架通过代价地图调优提升安全与效率

    针对手机分心行人不可预测的偏离行为,该研究提出基于 3D 骨骼特征和随机森林分类器的实时注意力感知导航框架。用户研究显示,在 252 次试验中,该方法相比仅用 LiDAR 或仅轨迹预测的基线,显著提升了平滑度与可预测性且未增加通行时间。实验证实,只有结合注意力状态感知的代价地图调整,才能有效改善主观导航质量。

  14. arXiv · 机器人与计算机视觉45

    多模态双向流解决社交机器人对话轮转失败问题

    针对社交机器人长期存在的对话轮转失败与误解难题,该研究提出需采用多模态双向流技术以降低此类故障频率。论文回顾了提升语音识别与轮转的早期方法,并论证了当前技术路径的有效性。该工作已在 EMF Workshop 及 HRI 2026 会议上展示,代码与数据许可状态待定。

  15. arXiv · 机器人与计算机视觉45

    HALO:具身智能全身体移动操作的人机对齐数据采集系统

    HALO 是一种针对全身体移动操作的人机对齐数据采集系统,通过保留直接物理反馈与天然运动能力解决现有接口在感知、动作对齐及操作员移动性上的权衡难题。相比 Mobile ALOHA 和 VR 遥操作,HALO 将演示采集速度提升最高 2.9 倍,同时在六阶段长视界任务中保持相当或更高的成功率。经部署对齐处理策略训练后,系统在涉及重复协调基座与手臂运动的复杂操作中达到 73.3% 的成功率。

  16. arXiv · 机器人与计算机视觉48

    VOKE:用于灵巧手内物体运动学估计的视觉框架

    VOKE 是一个运动学感知感知框架,通过可插拔模块预测物体的线角速度加速度并优化位姿估计。在 DexYCB 和 OakInk 数据集上,该方法显著降低了速度与加速度误差,优于基于位姿差分的方法。下游应用利用增强策略在无微调情况下成功从仿真迁移至物理机器人,验证了感知到控制的完整路径。

  17. arXiv · 机器人与计算机视觉85

    BlinkMimic:基于世界模型与 Muon 更新的快速人形运动跟踪训练方法

    针对传统全身运动跟踪策略训练耗时长的痛点,本文提出 BlinkMimic 配方,结合从并行仿真学习的世界模型回传梯度、Muon 更新机制以及残差策略等技术。

    推荐理由:作者提出 BlinkMimic 配方,在单卡 RTX 4090 上仅需 3.4 分钟即可训练出能复现 40 个动作片段的人形机器人全身运动跟踪策略。

  18. arXiv · 机器人与计算机视觉82

    I See What You Want:从视觉遥操作历史解码层级化操作意图

    论文介绍 VI AMO 数据集,包含来自 11 个机器人源的 6,600 集视频及动作与任务标注。研究提出 VIM 模型,在未见测试数据上对原子动作和任务的预测相似度分别达到 0.825 和 0.821,且在标签缺失情况下仍保持较高性能。

    推荐理由:该工作提出 VI AMO 数据集与 VIM 模型,能从视觉历史解码人类意图,使 VLA 策略在未见环境中接管任务并显著降低遥操作时间。

  19. arXiv · 机器人与计算机视觉56

    VBot Exo2Ego Policy:轻量数据采集与第三人称转第一人称视频生成

    论文提出 VBot Exo2Ego Policy 模型,将第三人称视频转化为选定演员的第一人称观察视角,以扩充第一人称操作数据。系统包含支持双视角同步采集的轻量级流程,利用预训练扩散 Transformer 结合几何引导与语义掩码监督优化手物交互保真度。

  20. arXiv · 机器人与计算机视觉78

    记住改变几率的事件:用于长视界操作的评论门控事件记忆

    针对长视界操作中因任务进度和早期尝试结果导致的决策别名问题,本文提出 CGEM 方法。该方法利用评论器筛选能显著改变成功概率预测的事件进行记忆,将正负变化分别编码为进展与失败记录,并在子任务完成后丢弃失败记录以降低成本。在十个子任务的诊断环境中,CGEM 达到 88.0% 的成功率,而传统观察窗口和运动学事件记忆方法成功率均为 0.0%,移除失败记录后成功率降至 1.7%。

    推荐理由:提出基于结果导向的评论门控事件记忆机制,解决长视界操作中决策别名问题。

  21. arXiv · 机器人与计算机视觉78

    ManiLadder:基于分类与多级难度的机器人操作基准测试

    ManiLadder 是一个大规模且组织良好的机器人操作仿真基准,包含 112 个精心设计的任务,分为 4 个难度等级,涵盖刚性/柔性物体、单臂/双臂及夹爪/灵巧手末端执行器。作者通过固定数据量并使用统一的流匹配模仿学习策略校准难度,验证了任务难度排序在现实世界实验中得以保持。

    推荐理由:该基准通过固定数据量与统一策略校准任务难度,验证了从仿真到现实的难度排序一致性。

  22. arXiv · 机器人与计算机视觉59

    MotionSkill:从双足运动视频到跨具身控制的迁移方法

    MotionSkill 通过从单目视频中恢复时间参考帧,并在仿真中将其适配至不同的目标机器人。该方法对齐根运动与身体地标,利用目标肢体长度在关节限制下求解逆运动学。研究者在 MuJoCo 平台上针对十种双足机器人分别训练了残差策略,使其能根据接触状态修正关节指令。实验显示,该模型在原始视频步态上完成了 98% 的初始状态任务,在遮挡上半身一秒的情况下完成率为 26%。

  23. arXiv · 机器人与计算机视觉73

    基于混合地形建模的防塌陷撤退记忆高效并行策略学习

    针对灾害现场机器人接触导致未检查地形塌陷的问题,论文提出一种记忆高效的并行策略学习框架。该方法通过混合地形建模结合非塌陷区域的刚体仿真与可塌陷区域的虚拟接触力,在共享刚性物体可塌陷地形上实现间接干扰下的独立状态 - 动作经验采集。

  24. arXiv · 机器人与计算机视觉73

    Alloy:面向机器人学习的多材质物理引擎

    Alloy 是一个开源物理引擎,旨在解决机器人训练中刚体与非刚体(如布料、液体、颗粒)难以在同一场景模拟的问题。该引擎将不同材质的求解器耦合在单一场景中,支持在单 GPU 或 CPU 上并行运行多个世界实例,并引入健康度评分以区分物理失败与策略失败。

  25. arXiv · 机器人与计算机视觉68

    基于随机位置外置相机的机器人导航与避障研究

    该研究针对室内环境下利用固定外置相机进行机器人导航的问题,指出标准 PPO 算法因视角不匹配而失效。为此提出 Viewpoint-Invariant Navigation from Exocentric Cameras (VINE) 方法,通过监督学习构建障碍物地图估计网络,输入外置图像、相机位姿、机器人位姿及房间尺寸以生成观点不变障碍图。

  26. arXiv · 机器人与计算机视觉72

    任务级经验蒸馏用于具身导航:让被调用的 VLA 学习代理的经验

    论文提出 H2E 方法,将导航代理(LLM 规划器调用 VLA)的成功会话转化为 VLA 训练数据,使 VLA 在测试时独立导航。该方法保留原始任务指令下的动作并将目标位姿作为奖励,同时屏蔽远离目标的步骤损失,将在 1 米内的访问状态标记为停止点。

  27. arXiv · 机器人与计算机视觉72

    BWM-Forge:面向具身智能的智能体世界编程技术报告

    BWM-Forge 是一个用于可控机器人视频生成的代码驱动框架。给定机器人资产和任务描述,该框架接受初始图像、含运动数据的图像或人类演示视频作为输入。一个编码智能体构建可编辑的 Blender 场景程序以指定物体、机器人运动和相机视角;生成的代理视频为视频生成模型提供结构和运动参考,后者负责添加视觉细节。

  28. arXiv · 机器人与计算机视觉45

    耦合控制屏障函数方法实现无死锁多机器人冲突解决

    该研究提出一种基于二次规划(QP)的反馈控制器,利用耦合控制屏障函数(CBF)与让行矩阵在输入约束下保证多机器人系统无死锁运行。理论分析确立了局部 Lipschitz 充分条件及有限减速导致的不可约松弛分量边界,仿真验证了其在不同让行偏好下的自适应协调及对机器人故障的鲁棒性。

  29. arXiv · 机器人与计算机视觉51

    可见性感知任务与运动规划:面向任务中心的感知方法

    针对长视界操作中的不确定性问题,本文提出一种可见性感知任务与运动规划算法,将现有确定性求解器扩展至部分可观测物体重排场景。该方法在规划骨架中交错插入感知动作,并利用基于持久对象的记忆融合观测数据以构建物体网格假设和占据栅格图。在具有严重遮挡和部分可视性的真实桌面重排任务上评估表明,该算法优于未执行主动感知或缺乏持久记忆的基线方法。

  30. arXiv · 机器人与计算机视觉78

    PERA:用于连续全身控制的插件式机器人动作专家

    论文提出 PERA 方法,旨在解决运动模仿中微调整个策略会干扰现有行为、独立训练每个策略成本高的问题。该方法冻结预训练的混合专家策略,利用任务奖励或教师动作监督训练额外的任务专家及其路由分数。

    推荐理由:提出 PERA 方法,通过冻结预训练策略并新增任务专家实现连续全身控制技能复用,在 Unitree G1 仿真中成功完成十项新任务且保留原有动作。

  31. arXiv · 机器人与计算机视觉58

    DexRemo:一种用于接触丰富移除操作的力觉传感手部平台及任务套件

    针对分离粘连、嵌入或受约束目标的需求,研究团队提出了 DexRemo 三指机械手平台,具备高力驱动、模块化指尖及三轴力传感能力。系统采用腕系中心坐标系统一表达指尖力,结合动作分块 Transformer 骨干网络,融合多视角视觉、本体感知与力觉观测以预测闭环动作片段。

  32. arXiv · 机器人与计算机视觉74

    Video-Action Models for Data-Efficient Industrial Manipulation

    论文提出 FLUX-mimic 视频动作模型,利用大规模预训练骨干网络与动作专家模块,在四款汽车制造基准任务及双机械臂平台上验证了数据高效性。该模型在灵巧操作平台超越所有基线,在夹爪平台达到 pi_{0.5}的平均成功率;针对可变形零件组装任务,仅需两小时的动作标注演示即可实现 77.5% 的成功率。材料为 arXiv 预印本,未报告真实工厂部署结果或量产状态。