跳到正文
11月18日周三
11月17日周二
  1. arXiv · 机器人与计算机视觉82

    PRIME:基于情境记忆嵌入的 VLA 模型感知反馈

    该论文提出 PRIME 方法,通过跨注意力机制聚合过去感知、推理及导航目标的潜在表示,为 VLA 模型提供情境记忆反馈,使其感知查询具备意图驱动性。实验显示,该方法在基准测试中实现了 82.47 的驾驶得分和 60% 的成功率,显著优于现有基线。材料仅包含预印本摘要与元数据,未涉及真实部署或开源代码。

    推荐理由:PRIME 通过引入情境记忆嵌入机制,以极小参数成本实现了感知模块的意图驱动注意力,在 Bench2Drive 基准上刷新了 VLA 模型的驾驶得分与成功率。

  2. 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。

  3. arXiv · 机器人与计算机视觉43

    SG-ODOM:带稳定性门控接触更新的足式机器人事件驱动本体状态估计

    SG-ODOM 框架利用稳定性门控机制筛选接触更新,仅在足部达到稳定支撑条件后触发估算修正。该方法在 GrandTour 数据集户外序列上评估显示,相比基线估计器将相对姿态误差(RPE)降低最多 25%。代码与视频已公开,适用于四足与人形机器人平台。

  4. arXiv · 机器人与计算机视觉56

    Lift, See, Act:基于 3D 基础模型的机器人策略分层预训练

    针对人类视频数据缺乏显式动作相关表征的挑战,本文提出 LSA 分层预训练框架。该方法通过 Lift 阶段将 2D 观测自适应对齐至 3D 基础模型中间表征以获取稠密表示;See 阶段引入深度图重建与手部区域提示以增强几何感知与交互热点关注;Act 阶段实现鲁棒的机器人操作。

  5. arXiv · 机器人与计算机视觉48

    Sim-to-Real Room-Mediated Object-Goal Navigation with ROS 2 and Nav2 在波士顿动力 Spot 与 Clearpath TurtleBot 4 上的部署研究

    该研究将基于房间概率向量(RPV)的物体目标导航策略通过机器人无关的 ROS 2 桥接,部署于波士顿动力 Spot 和 Clearpath Robotics TurtleBot 4 平台。在包含 66 次试验的大学设施中,Spot 机器人搜索 11 类物体的原始成功率为 0.455,低于仿真环境的 0.539。分析指出未检测到的玻璃墙、进入禁区及房间词汇与物理布局不匹配是导致差距的主要原因。

  6. arXiv · 机器人与计算机视觉42

    深度感知路径规划与避障:基于实时 3D 视觉的机器人护理助手导航框架

    该研究提出了一种针对杂乱环境的深度感知路径规划与避障框架,集成 RGB-D 传感、规则避障及 NavfnROS 全局规划器。系统在搭载 Kinova Gen3 臂的 Husky A200 机器人上验证,仿真实验显示成功率提升 40%、最小净空改善 35%,且真实世界测试证实了其计算高效与安全特性。

11月16日周一
  1. arXiv · 机器人与计算机视觉13

    蓝船自主水面艇实现有害藻华原位监测与预测建模

    该系统集成 BlueBoat 自主水面艇、深度控制绞车及多参数水质传感器,在路易斯安那州庞恰特雷恩湖和假河开展实地部署。通过自动航点任务采集叶绿素等指标并评估机器学习分类器,验证了模块化平台重复收集多模态数据的可行性,为未来自主监测系统奠定基础。

  2. arXiv · 机器人与计算机视觉48

    PoliMop:面向移动机器人的三维空间闭环策略运动规划方法

    PoliMop 提出一种利用物理仿真挖掘控制策略技能的运动规划器,通过结合预规划质点路径引导采样,将规划时间缩短最多 63%。该方法在四足、人形及轮式机器人上无需修改底层算法即可实现即插即用,并能自动识别如搭建桥梁等预设环境改造以扩展可达空间。相关代码与视频已公开,论文为 arXiv 预印本状态。

  3. arXiv · 机器人与计算机视觉78

    Grounding Object-to-Object Hazard Reasoning into 3D Risk Fields for Task-Conditioned Safety

    该论文提出一种基于视觉语言模型(VLM)的机器人操作安全框架,旨在处理几何约束之外的语义安全问题。系统首先通过结构化安全工具判断任务是否因可能导致不可恢复的危害而应被拒绝;若可执行,则识别物体对之间的可预防危害并指定需避免的空间关系。

    推荐理由:该框架利用 VLM 将任务语义与物体交互风险映射为连续三维风险场,结合避障模块在仿真与现实环境中验证了可预防性危害的识别能力。

11月14日周六
  1. The Robot Report23

    Narwal 构建机器人吸尘器以适配区域需求

    Narwal 通过自研 SLAM 算法、NarMind 自主系统及 FlowWash 热水清洁等技术,构建了从深圳研发到东莞制造的完整供应链。其 DualFlow 免缠绕系统与地毯深洁模块使地毯清洁性能提升 40%-50%,解决了宠物毛发缠绕痛点。截至 2026 年 4 月,产品已覆盖全球超 30 个地区、服务逾 600 万用户,北美 Flow 2 新品在亚马逊美国站发布 24 小时内登顶销量榜。

11月13日周五
  1. arXiv · 机器人与计算机视觉75

    CLASP:一种用于新鲜市场蓝莓采摘的集群级自主选择性采摘机器人

    针对传统过行收获机非选择性损伤果实、且现有选择性机器人仅针对单果效率低的问题,本文提出 CLASP 机器人系统。该系统配备软式主动滚带夹爪(SARB-Gripper),通过闭环力控将拉力控制在未成熟果实脱落阈值以下;结合眼手相机与眼在手相机的全局 - 局部感知管线实现簇定位与姿态估计。

  2. 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。

  3. 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。

  4. arXiv · 机器人与计算机视觉48

    Prediction-Error-Tightened MPC 实现社交合规人群导航

    该研究将障碍物检测、Koopman 运动预测及在线误差估计集成至碰撞规避机制,通过聚合邻近障碍降低计算复杂度。仿真闭环对比显示,Markov 残差收紧使物理接触率从 10.0% 降至 1.33%,平均耗时仅增加 0.68 秒。人群导航语义消融实验表明,行人感知处理下机器人足迹与个人空间重叠占比为 2.11%,显著低于通用障碍物处理的 22.84%。

  5. arXiv · 机器人与计算机视觉74

    EMS-Nav:一种面向资源受限机器人的生物启发式多尺度导航框架

    工业巡检机器人需在从区域到物体的不同空间尺度间进行导航,现有方法因高计算和存储成本难以在无无线覆盖或依赖机载计算的场景部署。本文提出 EMS-Nav 框架,其核心创新是将感知、空间理解与导航围绕“区域”组织,将局部空间作为环境理解和计算的基本单元,构建从局部区域到广域环境的层级结构。

  6. arXiv · 机器人与计算机视觉78

    阅读桌面:面向 Chef's Hat 卡牌游戏的仿真到现实游戏状态检测

    针对桌面卡牌游戏中物体识别成本高、标注难的问题,作者开发了一套全自动的合成数据采集管线。该方法利用已知三维坐标的重投影自动生成标签,并结合域随机化技术以弥合仿真与现实的差距。

    推荐理由:提出利用重投影与域随机化构建合成数据管线,在真实机器人上实现卡牌游戏状态检测的高精度感知。

  7. arXiv · 机器人与计算机视觉73

    APG-Planner:基于解析策略梯度的视觉高速轨迹规划学习方法

    该论文提出了 APG-Planner 框架,旨在解决基于视觉的高速导航中无模型策略梯度方法训练效率低的问题。该方法利用微分平坦性从规划轨迹中解析重构车辆状态,构建了可微分的 episode rollout 并计算策略梯度,从而在无需显式底层动力学模型的情况下实现高效训练。

  8. arXiv · 机器人与计算机视觉65

    自行车机器人自主越野赛车:基于地形语义层的学习框架与感知管线

    论文提出一种将赛道编码为地形语义层的统一学习框架,解决两轮机器人越野导航难题。该方法在仿真中将导航任务嵌入训练环境,部署时利用相机和 LiDAR 数据重构该层;通过联合优化局部导航与运动控制,无需经典控制层级接口即可实现高速赛车与敏捷跑酷。

11月11日周三
11月10日周二
  1. arXiv · 机器人与计算机视觉82

    BetaGrasp:基于抓取分类标签的攀岩握点灵巧抓取策略

    论文介绍 BetaGrasp,这是一种结合四分类握持标签(crimp、sloper、pinch、jug)作为模式切换的 3D 扩散策略,运行于 Franka 机械臂与 16-DoF LEAP 手部。实验在弹簧测试台(带棘轮测力计)上验证,结果显示该标签使平均滑移力从 9.6 N 提升至 14.3 N,完全脱手率从 44% 降至 10%,而仅靠点云编码的基线策略无法区分握持类型且成功率仅为 25%。

    推荐理由:BetaGrasp 通过引入四分类握持标签作为模式切换,将仿真到现实的滑移力提升显著,大幅降低完全脱手率。

  2. arXiv · 机器人与计算机视觉58

    Reliability-Adaptive Multimodal Relative Pose Tracking for Underwater Leader-Follower Robots

    该研究针对水下领航 - 跟随编队控制中感知条件受限和计算资源有限的问题,提出了一种可靠性自适应的多模态感知框架。该方法融合视觉、声学测距和水动力测量数据,通过自适应加权各模态贡献并建模时间依赖性,在嵌入式 NVIDIA Jetson AGX Orin 上实现了低延迟推理(17.62 ms)。

11月9日周一
  1. arXiv · 机器人与计算机视觉82

    基于流式第一人称 3D 手部动作预测的操纵表征学习方法 SFHand

    论文提出 SFHand,这是一种首个通过流式第一人称 3D 手部动作预测进行表征学习的方法。该方法利用自回归架构从视频和语言指令中连续预测未来手部状态(包括手部类型、2D 边界框、3D 姿态及轨迹),并配备 ROI 增强记忆层以捕捉时间上下文。

    推荐理由:提出通过流式第一人称手部动作预测进行表征学习,开源了配套数据集与模型,在仿真及真实世界操作中均取得领先性能。

  2. arXiv · 机器人与计算机视觉42

    轻量级路径感知前沿重排序方法提升激光雷达无人机探索效率

    该方法针对激光雷达无人机自主三维探索,在保留少量候选目标后利用时间受限的 RRT* 规划估算可行路径成本进行重排序。实验显示其在三个仓库类环境中探索轨迹缩短最多 14.1%,两场景下探索时间减少最多 9.5%。同时保持了与 OctoMap 基线相当的地图细节,实现了效率与建图质量的平衡。

11月6日周五
  1. arXiv · 机器人与计算机视觉27

    CoMPAS3D:交互式运动数据集与基准评测

    CoMPAS3D 发布包含 18 名舞者共 3 小时萨尔萨舞的交互运动数据集及 Salsa 评估域,涵盖 2,800+ 专家标注片段。该基准定义动作分类、能力估计和跟随生成三项任务,结合运动学指标与六维主观评分揭示生成舞蹈与真实数据的差距。微调视觉语言模型在真值序列上表现良好且与专家判断相关,为具身智能交互提供新评测工具。

  2. arXiv · 机器人与计算机视觉78

    Aligning Policy Encoders with a Shape Teacher

    该论文提出一种训练时的形状教师对齐机制,利用预训练的 3D 形状特征作为图像策略编码器的对齐目标,将几何结构转移至纯图像接口策略中。在 LIBERO 基准测试中,该方法使物体和空间套件的政策收敛速度分别提升 4.7 倍和 5.6 倍,同时提高了任务成功率,且部署时无需依赖形状教师或深度输入。

    推荐理由:提出形状教师对齐方法,在 LIBERO 基准上加速策略收敛并提升成功率。

  3. arXiv · 机器人与计算机视觉78

    基于视觉的轮式机器人自主导航集成开源栈

    该研究提出了一套面向轮式移动机器人的视觉自主导航开源栈,旨在有限传感与计算资源下整合感知、定位、规划与控制。系统连接了YOLOv8n检测、几何方向估计、RGB-D SLAM、轮惯状态估计及运动学感知规划,并通过行为树管理任务。

    推荐理由:该研究提供了一套面向轮式移动机器人的视觉自主导航开源栈,集成了YOLOv8n检测与RGB-D SLAM,在Jetson Orin NX上实现了低延迟感知,并公开了数据集与评估日志。

  4. arXiv · 机器人与计算机视觉78

    运动学假设上下文:面向带宽受限机器人策略上行链路的具身条件化学习视频编码

    针对远程服务器运行大型视觉语言动作策略时相机上行链路成为瓶颈的问题,本文提出一种零速率条件的运动学假设上下文机制。该方法利用关节状态、机器人模型和相机标定构建自运动单应性、连杆重投影等假设,对上一帧重建结果进行变换以条件化学习视频编码。

    推荐理由:提出运动学假设上下文机制,在带宽受限场景下显著降低视频传输码率并提升策略成功率。

11月5日周四
11月4日周三
  1. arXiv · 机器人与计算机视觉82

    超越可见性:基于稀疏 LiDAR 的实时表面可达性场

    本文提出一种名为 Accessibility Field 的方法,利用流式稀疏 LiDAR 数据实时更新每一点的表面物理可达性标签。该方法通过 GPU 评估预计算的工具体积核与不同接近姿态下的碰撞情况,无需先验场景模型即可在工作站和 Jetson Orin 边缘设备上实时运行。

    推荐理由:提出基于稀疏 LiDAR 的实时表面可达性场方法,在合成基准上 F1 达 90.8%,能区分可见但不可触及的表面。

  2. arXiv · 机器人与计算机视觉78

    Do Agentic Policies Need to Look at Every Step? Geometric Abstraction for Reasoning and Action

    论文提出一种基于 3D 几何抽象的接口,将机器人场景的空间推理从原始图像转移到文本和符号上。该方法利用校准后的 RGB-D 数据对物体部件进行类型化和证据感知的符号引用,并在每次动作后返回包含度量残差的紧凑文本检查点。

    推荐理由:提出通过几何抽象将空间推理从图像转为符号,减少多模态查询并提升多步操作成功率。

11月3日周二
  1. 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。

  2. arXiv · 机器人与计算机视觉48

    MS-DOTT:面向非道路通过性估计的多模态数据集发布

    MS-DOTT 是一个包含长距三维传感、短距精细感知及 4D 雷达测速的非道路多模态数据集,覆盖正常光照、低照度与无光条件。研究团队利用该数据适配了最先进多传感器融合方法以进行通过性估计,旨在推动非结构化环境下的机器人感知与多传感器融合研发。