跳到正文
10月6日周二
  1. arXiv · 机器人与计算机视觉42

    MIMo 婴儿模拟器扩展:MuJoCo 平台生成社交互动中的触觉与视觉第一人称数据

    该研究在 MuJoCo 中扩展了多模态婴儿模型(MIMo),引入可动护养者以复现抱持与安抚等双人互动,并记录婴儿视角的触觉与视觉流。系统通过原点感知接触日志区分自我、护养者与环境的接触,支持生成用于社会交互发育建模的多模态数据集。

  2. arXiv · 机器人与计算机视觉82

    HLA-WM:一种用于长视界视频世界模型的无训练混合线性注意力框架

    针对 Gated DeltaNet 在长序列生成中的遗忘问题,该研究提出 HLA-WM 框架,结合粗粒度几何引导检索与细粒度循环线性状态计算,无需额外训练即可提升场景一致性。实验显示,该方法在 60 秒视频基准测试中将 PSNR 提升 0.74 dB、旋转误差降低 28.5%,并将历史状态显存占用减少至全 KV 缓存的 1/12,同时仅损失最多 1.6% 推理吞吐量。

    推荐理由:该工作提出无需训练的混合线性注意力框架,在长视频生成中显著降低显存占用并提升场景一致性。

  3. arXiv · 机器人与计算机视觉44

    扩散模型组合生成航天器交会轨迹:满足多约束且无需重训练

    该研究提出一种基于扩散模型的轨迹生成方法,通过组合学习到的接近锥与传感器视向等独立能量模型来灵活配置任务约束。实验验证显示,组合框架在满足约束率上仅比单约束模型低 1 个百分点以内,实现了无需重新训练即可重构新约束组合的模块化设计。

  4. arXiv · 机器人与计算机视觉82

    FLEX-WAM:用于长视界想象与规划的灵活块因果世界动作模型

    arXiv 论文介绍了一种名为 FLEX-WAM 的灵活高效块因果世界动作模型,旨在统一模拟与策略推理。该模型支持可变长度上下文与非因果预测视界,采用轴向注意力与分块扩散机制实现实时生成。

    推荐理由:该工作提出 FLEX-WAM,通过块因果架构与弹性训练解决长视界规划中的响应性问题,在仿真与真实机器人上实现稳定多步生成。

  5. arXiv · 机器人与计算机视觉38

    Code2Games:构建游戏世界生成智能体框架与基准评测

    Code2Games 是一个智能体框架,基于 Blender 生成的基础世界构建结构化游戏场景,并通过执行引导的重建过程适配 Unreal Engine 5。该框架引入 GameCode4D 基准,包含十个固定提示词以评估视觉质量、交互保真度等多维度指标。实验显示,相比直接生成及现有基线方法,Code2Games 在视觉质量和交互保真度上表现更优且能提升引擎适配后的游戏质量。

  6. arXiv · 机器人与计算机视觉82

    PWM:基于在线强化学习的个性化世界模型

    针对预训练世界模型难以适配特定用户视频场景的问题,论文提出 PWM 框架,通过在线强化学习(GRPO)或扩散优化(DiffusionNFT)从短视频中定制交互式世界模型。

    推荐理由:提出 PWM 框架,利用在线强化学习从短视频定制交互式世界模型,在保持生成质量的同时实现场景个性化。

  7. arXiv · 机器人与计算机视觉72

    通过采样基扰动观测器解决仿真与现实不匹配:从解析模型到学习世界模型

    论文提出一种基于采样的扰动观测器(SDOB),将其应用于传统解析模型、仿真器及学习到的世界模型中。该方法将状态效应与成本扰动分离,利用状态回滚或代价查询接口估计未测量干扰。实验表明 SDOB 能有效补偿仿真到现实的差异并提升控制性能。材料为预印本论文,包含完整正文与图表数据。

  8. arXiv · 机器人与计算机视觉78

    Frozen in a Frame:JEPA 世界模型的视盲点与修复方案

    论文指出联合嵌入预测架构(JEPAs)因仅基于无运动模糊的单帧渲染,导致其嵌入无法携带速度信息,从而形成结构性缺陷。研究在四个真实基准测试中证实了线性速度探测效果低于随机猜测,而位置探测表现良好。

    推荐理由:该研究揭示了 JEPA 架构因单帧渲染缺失速度信息的结构性缺陷,并提出轻量级解耦方案在物理环境中显著提升规划性能。

  9. arXiv · 机器人与计算机视觉72

    Video2World:基于具身视频的编码代理交互式世界建模基准

    Video2World 是一个包含 189 个机器人和人类演示视频、共 222 个重建实例的基准,用于评测前沿基础模型和编码代理在自动化构建交互式仿真环境方面的能力。该研究将自主视频到仿真的过程定义为软件工程任务,通过执行反馈迭代优化结果。评测结果显示,从 Claude Opus 5 开始任务成功率显著提升,但视觉保真度高的世界并不总是能带来更高的任务成功,反映了感知现实与事实正确性之间的差距。

  10. arXiv · 机器人与计算机视觉58

    一种用于固体力学前向仿真与逆分析的微分拉格朗日耦合3D高斯泼溅-SPH模型

    该研究提出了一种可微分的拉格朗日耦合3D高斯泼溅(3DGS)与光滑粒子流体动力学(SPH)模型,旨在实现形变固体的前向仿真和逆分析。方法首先利用多视角校准视觉数据集将观测物体重建为3DGS渲染模型,随后通过包络过程生成独立的SPH支撑以构建力学模型,避免直接使用渲染原语作为机械粒子。

  11. arXiv · 机器人与计算机视觉74

    Kepler4D:基于 4D 场景状态演化的可控未来视频生成

    论文提出了 Kepler4D 框架,旨在通过显式的 4D 场景状态演化来实现对未来的视频生成。该方法首先从单目视频中构建背景几何、物体运动历史等共享的 3D 表示,利用 Chain-of-Motion 总结观测到的运动并借助视觉语言模型决定结构化速度与航向决策。

  12. arXiv · 机器人与计算机视觉38

    可信赖 AI 辅助工程:安全关键工作流中的形式化框架与案例验证

    该论文提出一种为安全关键工作流分配 AI 参与及保障的形式化框架,涵盖确定性验证、统计校准准入等六种机制。研究者在包含 17 个单元的机翼梁结构分析流程中进行了实例验证,其中 AI 生成的 CAD 程序通过了全部 23 项确定性检查并一次获批。该案例展示了单元级的选择性 AI 参与和显式证据处理,未宣称工作流级可靠性或认证。

  13. arXiv · 机器人与计算机视觉38

    WAMRViT:自适应四叉树分块与 Transformer 用于 PDE 预测

    WAMRViT 提出一种基于波let启发准则的平衡四叉树输入分块机制,首次原生支持多级别自适应网格细化(AMR)数据并实现推理阶段细胞空间重网格化。该模型在均匀网格基准测试中显著降低感兴趣区域误差且 token 用量更少,在复杂燃烧问题等无法用固定网格表示的场景下大幅减少 finest-level 误差。

  14. arXiv · 机器人与计算机视觉85

    PhysMamba:一种基于选择性状态空间模型的肢体模拟器

    该论文介绍了 PhysMamba,这是首个基于选择性状态空间模型(SSM)的肢体模拟器,能够仅凭位置、旋转和关节动作历史预测下一帧全身状态,无需速度输入。研究对比了四种架构及三种训练协议,发现从头开始的 rollout 训练在部分观测下为 Mamba2 提供了优异的短中期精度(s10=43mm),而两阶段教师模型方案则导致其不稳定。

    推荐理由:论文提出首个基于选择性状态空间模型的肢体模拟器,在部分观测下表现优异且具备低延迟推理能力。

  15. Google DeepMind MuJoCo · Releases45

    MuJoCo 3.15.0 发布:修复二进制序列化限制并新增实验性弹性与接触功能

    Google DeepMind 于 2026 年 10 月 5 日发布物理引擎 MuJoCo 3.15.0,解决了 64 位模型在 mj_saveModel 和 mj_loadModelBuffer 中超过 2 GiB 的序列化限制。此次更新还引入了实验性的非插值 3D 弹性简化算法、胶囊几何体的单次多接触检测以及 insidesite 传感器的封闭属性测量功能。

  16. Hugging Face Daily Papers42

    Agent Plasticity:通过经验衡量智能体自我改进效率的新方法

    针对现有评估仅关注固定时间点能力而忽视学习效果的局限,研究提出"Agent Plasticity"指标以量化智能体将经验转化为未来泛化性能的效率。实验显示前沿模型在相同学习机会下呈现截然不同的改进轨迹,部分实现持久增益而其他则停滞不前,且训练域内的收益往往无法完全迁移至分布外条件。该工作揭示了自我改进过程中的关键瓶颈,强调评估需同时考量最终能力与通过经验变强的有效性。

  17. Hugging Face Daily Papers45

    Task-Sufficient Contraction:机器信息接口的源选择方法

    该方法提出在编码器或优化器选定前,即可通过声明的任务对信源进行收缩,若满足任务充分性则能保留完整下游问题族。研究针对固定动作集与二次型损失给出了精确收缩刻画,区分了精确、架构条件及近似等收缩类型,支持异构机器交换所需信息而无需对齐内部表示。

  18. Hugging Face Daily Papers78

    自我反思蒸馏:将事后经验转化为事前预见

    针对强化学习中组间相对目标奖励信号消失的问题,本文提出了前瞻性学习方法 Self-Retrospection Distillation(SRD)。该方法利用已完成轨迹中的后验知识监督交互前的前瞻预测,将其作为训练目标而非推理时的显式生成。

    推荐理由:该工作提出利用事后经验蒸馏前瞻预测,在奖励信号稀缺的长程任务中显著提升强化学习性能。

10月5日周一
  1. arXiv · 机器人与计算机视觉78

    Platonic Task Arithmetic:一种跨架构的任务向量算术方法

    该论文提出‘普朗图任务算术’框架,通过引入与架构无关的‘通用任务描述符’矩阵,实现不同预训练模型间任务更新的传输与组合。实验在六种模型家族、八个任务及音频文本模型上验证,显示跨模型转移能保留目标模型自身描述符所得增益的 74% 至 80%,支持通过最小二乘法求解线性算子或低秩适配器进行实现。

    推荐理由:提出跨架构任务向量传输方法,在六种模型家族上验证了通用任务描述符的有效性。

  2. arXiv · 机器人与计算机视觉72

    通过训练时数据合成缩小世界模型的训练 - 测试差距

    论文提出改进的世界模型训练方法以支持基于梯度的规划,核心是解决模型训练目标(下一状态预测)与测试时使用方式(动作序列估计)之间的差距。作者引入训练时数据合成技术,在多种物体操作和导航任务中,将基于梯度的规划效率提升至传统无梯度交叉熵方法的水平,同时仅需 10% 的时间预算。材料为 arXiv 预印本版本,未提及同行评审状态或具体部署结果。

  3. arXiv · 机器人与计算机视觉65

    ConfAL-WM:面向动作条件世界模型的置信度引导主动学习框架

    该论文针对具身预测与合成数据生成中世界模型在新任务场景下误差集中的问题,提出 ConfAL-WM 框架。该方法在 EnerVerse-AC(EVAC)基础上附加轻量置信度探针,于潜在空间预测密集置信图并聚合为任务、帧和块级分数,用于分配数据预算及增强局部训练。

  4. arXiv · 机器人与计算机视觉72

    基于统计验证的安全鲁棒神经策略学习:面向机器人 Sim-to-Real 部署

    针对机器人仿真到现实部署中缺乏明确操作区安全性保证且无法修正控制器的挑战,本文提出一种课程驱动的闭环框架,将场景驱动进化策略与基于统计模型检测的验证紧密集成。该方法从候选区域出发,在优化策略性能的同时逐步扩大安全操作边界,最终输出神经控制器及其经统计验证的安全与性能区域。

  5. arXiv · 机器人与计算机视觉82

    DriftWorld:基于漂移生成的快速世界建模

    论文介绍 DriftWorld,一种基于漂移生成模型的行动条件世界模型,旨在解决扩散模型因多步迭代去噪而成本高昂的问题。该模型在训练中学习条件漂移,推理时仅需单次前向传播即可为给定动作序列生成未来观测。

    推荐理由:DriftWorld 通过漂移生成模型实现单次前向传播生成未来观测,在多个机器人基准上速度提升 12 倍以上且保持视觉质量。

  6. arXiv · 机器人与计算机视觉35

    世界模型应遗忘什么:分层保留策略用于持续适应

    针对非平稳环境真值,提出基于不变性时间尺度的分层记忆保留机制,区分需永久保持的物理规律与随环境变化的实例事实。该方法通过联合报告不变量回归测试与修订延迟来评估性能,避免了传统指标将正确更新误判为灾难性遗忘的缺陷。该研究已被 NeurIPS 2026 持续世界模型研讨会接收,相关代码与数据开放许可待注册。

  7. arXiv · 机器人与计算机视觉42

    GARV:图感知细化与高层机器人计划安全验证方法研究

    该研究通过对比 RoboGuard 在表面计划与图细化轨迹上的判定,发现五类动作抽象中的 12 个受控案例存在差异而 16 个端到端控制符合预期。作者据此提出基于图的轨迹细化可作为轻量级缓解手段及物理 AI 安全监测器的诊断工具。论文包含 5 页正文、1 张图表,预印本状态待注册 DOI。

  8. arXiv · 机器人与计算机视觉73

    Isaac-Net:支持百万级机器人的 GPU 批处理 5G 仿真模块开源

    论文作者发布了 Isaac-Net,这是一个集成到 Isaac Lab 的 GPU 批处理 5G NR 模块,能在单卡上模拟约一百万个机器人环境。该工具在锁步更新物理引擎的同时精确复现了 ns-3 5G-LENA 的中位延迟与 AoI 指标,解决了传统独立延迟模型无法捕捉网络拥塞尾部效应的缺陷。代码已开源,适用于需要高保真网络仿真的大规模具身智能训练场景。

  9. arXiv · 机器人与计算机视觉82

    GlanceWAM:稀疏测试时想象的世界 - 动作模型

    论文介绍 GlanceWAM,一种基于共享视频 DiT 骨干的异步世界 - 动作模型架构。该方法将视觉想象解耦为后台慢速时钟运行的异步提议器,在潜在空间解码动作块,从而打破同步生成带来的延迟瓶颈。

    推荐理由:该工作提出 GlanceWAM,通过异步解耦视觉想象与动作控制,在 RoboCasa 和 LIBERO 基准上实现实时推理与高成功率。

  10. arXiv · 机器人与计算机视觉82

    AVL-JEPA:防止联合嵌入预测架构世界模型中的因果动力学信息坍塌

    论文指出 JEPA 虽能预测高层语义动态,但易丢弃动作的物理后果导致信息坍塌。作者提出 AVL 方法,利用执行动作作为动力学锚点并引入视觉不变性路径,强制模型保留并利用因果动力学信息。实验在四个机器人控制任务上验证了该方法在视觉扰动下显著提升成功率且保持清洁环境性能。

    推荐理由:针对 JEPA 在保留物理因果信息上的失效,提出动作锚定与视觉不变性路径的改进方案。

  11. arXiv · 机器人与计算机视觉82

    NAVA-WAM:基于视频的原始动作先验学习用于世界动作模型

    论文介绍 NAVA-WAM 方法,旨在解决世界动作模型依赖动作标注数据可扩展性受限的问题。该方法直接从仅含观测的视频中预训练动作策略,无需间接表示迁移或单独的动作潜变量模型。

    推荐理由:提出 NAVA-WAM,通过原生动作先验直接从观测视频预训练策略,无需动作标注即可实现机器人控制。

  12. arXiv · 机器人与计算机视觉72

    物理量是否存在于激活中?视频扩散模型内部物理量的定位研究

    该论文探究视频生成模型(世界模型)是否内化了物理原理。作者对视频扩散 Transformer 的内部表示进行探测,发现运动学和刚体动力学等物理量在去噪过程早期即可高精度线性解码,且信息集中在物体相关 token 中并具备部分外推能力。研究还表明这些探测方向可作为 steering vectors 用于改变模型输出。材料为预印本论文,未涉及真实机器人部署或具体产品发布。

  13. arXiv · 机器人与计算机视觉58

    SymRegFlow:无新视角监督下的多视角一致视频世界模型

    论文 SymRegFlow 针对现有基于流匹配的多视角世界模型受限于固定相机机架的问题,提出一种无需真实新视角 RGB 监督的对称正则化框架。该方法通过几何变换将源视图映射为噪声锚点,结合掩码双锚点监督与跨锚点去噪输出一致性来缓解误差。

  14. arXiv · 机器人与计算机视觉83

    Spatial Memory Intelligence:赋予世界模型以理解驱动的长期记忆

    这篇论文提出了 Spatial Memory Intelligence (SMI),这是首个系统性地利用理解模型来管理长视频世界模型中空间记忆的框架。针对记忆序列增长和结构复杂化的挑战,SMI 引入了四个协同的原子操作:空间聚类、簇内稀疏化、动作感知检索以及可靠性感知过滤。实验表明该方法在多种基线、基准和世界模型骨干网络上均有效,显著提升了记忆稀疏度、生成稳定性和空间一致性。

    推荐理由:该框架首次将理解模型用于长视频世界模型的时空记忆管理,通过聚类与稀疏化操作提升生成稳定性。