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

    CaFe:一种因果忠实条件交通场景生成方法

    针对语言引导的交通仿真中存在的意图泄露问题,本文提出了 CaFe 模型。作者构建了包含 531,099 个场景的 WOMD-PACT 数据集,并开发了一种配对干预测试方法来量化泄露程度。CaFe 采用双流扩散强制机制,在闭环微调下将智能体间的交互限制为公共信念,成功消除了可测量的意图泄露,同时保持了与 WOSAC 相当的现实度(0.763)。

    推荐理由:该研究提出 CaFe 仿真器,通过限制交互于公共信念消除了指令泄露问题,同时保持了高现实度。

  2. arXiv · 机器人与计算机视觉35

    场景表示对基于场景的优化认证影响研究:无损重分组提升可用性

    该研究揭示在保持样本与可行域不变的情况下,无损场景重分组使等分配支持子集证书的认证可用性从 480 次尝试中的 318 次提升至 471 次。结合无退化 Wait-and-Judge 理论,该方法在不减少见证基数或改变数值提案的前提下实现了更强的直接认证。实验表明,表观上的样本效率增益源于证书核算而非额外信息或决策风险降低。

  3. arXiv · 机器人与计算机视觉68

    Arboreus:一种支持地形与卫星信息的北方针叶林现实感仿真器

    本文提出了 Arboreus,这是一个用于北方针叶林环境的逼真森林仿真器,旨在支持机器人自主算法的统计验证。该方法利用北欧生长研究参数化生成桦树、云杉和松树等主导树种,并结合 Copernicus 卫星数据集指导树木分布密度与种类,同时利用瑞典地籍局的地形数据生成真实感地面。

  4. arXiv · 机器人与计算机视觉85

    Evolve in Panorama, Render in View:用于视频世界模型的全景状态演化方法

    针对现有视频世界模型在视角变化时冻结场景或丢失物体的问题,本文提出 PanoEvo 架构,利用全景扩散模型的潜在空间进行全局状态演化,并通过透视渲染器生成高质量视图。

    推荐理由:提出 PanoEvo 架构解决全景视频世界模型的视角演化问题,在 WRBench 和 STEVO-Bench 上取得最佳分数。

  5. arXiv · 机器人与计算机视觉48

    MentalGrid 基准与 SpatialWalker 模型:揭示并增强 MLLM 的空间动态模拟能力

    MentalGrid 基准评估显示现有多模态大语言模型在无需视觉反馈的动态空间模拟任务中存在感知局限与推理不足。为此提出的三阶段课程学习框架利用 16k 专用样本训练出 SpatialWalker,其平均性能较基线提升 33.8%,超越 Gemini-3-Flash 等专有模型。该模型在跨域基准上保持 4.9% 的平均增益,证实空间模拟是构建广泛空间智能的关键基石。

  6. arXiv · 机器人与计算机视觉82

    InertialVideo World Models:引入惯性先验的视频世界模型

    论文介绍 InertialWorld 模型,该模型在自回归生成中利用惯性状态演化机制,避免每步重复重建导致的误差累积。核心组件 Inertial Memory 包含欧拉网格与拉格朗日载体,结合动作条件运动预测下一帧并融合新旧内容。实验涵盖机器人操作、3D 游戏仿真和开放世界导航,性能对标现有基线。代码链接见 arXiv 页面。

    推荐理由:提出将惯性作为先验的 InertialWorld,通过欧拉网格与拉格朗日载体结合,解决视频预测中的误差累积问题。

11月17日周二
  1. arXiv · 机器人与计算机视觉23

    AttentionUNet-CA 模型在印度勒克瑙土地利用变化仿真中表现优于空基线与随机森林基线

    AttentionUNet-CA 利用高程、距主干道距离等四个驱动因子预测土地覆盖状态,在印度勒克瑙 2010-2020 年测试集上,其图优值(21.0%)略高于加权 U-Net CA(22.0%)和随机森林 CA(20.3%),但均不及空模型的整体一致性。研究指出注意力门未提升精度,人口密度与距 CBD 距离为最有用驱动因子,预测至 2030 年建成区将增长 22-35%。

  2. arXiv · 机器人与计算机视觉82

    LynnReal-Hand:解锁手部控制的世界交互能力

    针对直接物体交互需要精细控制的挑战,本文介绍了 LynnReal-Hand 这一手控视频世界模型,统一了精确的交互建模与高效的流式生成。团队整理了涵盖真实与合成环境的 10 万条交互片段,开发了手部感知监督以改善细粒度动作;利用因果流图实现少步生成,并结合区域感知分数蒸馏融合视频与图像先验来优化交互动力学和视觉外观。

    推荐理由:该工作提出手控视频世界模型,通过因果流图与区域感知蒸馏提升交互精度,并开源数据集、权重及代码以支持相关研究。

  3. arXiv · 机器人与计算机视觉47

    SciWorldBench:视频世界模型是否真正理解科学实验?

    SciWorldBench 基准通过成对科学实验评估十款图文转视频(TI2V)模型,发现其生成的配对视频常呈现相同结果而非依据条件变化产生不同结局。该预印本论文指出当前视频世界模型难以可靠应用底层科学原理,并将公开数据集与开源评测代码。

  4. arXiv · 机器人与计算机视觉28

    JEPTERA:一种用于城市无人机导航的平台无关 JEPA 辅助模型预测规划器

    JEPTERA 架构集成联合嵌入预测架构(JEPA)与模型预测控制,在三个 Gym 场景的 180 次运行中完成 28/30 任务。该平台无需修改核心逻辑即可适配 Gazebo、ROS 2、MuJoCo 和 CARLA 等仿真器,并在三张城市地图测试中实现无碰撞单路线飞行。

  5. arXiv · 机器人与计算机视觉78

    SAFER:解决基于世界模型的自动驾驶规划中的探索 - 利用困境

    论文提出 SAFER 框架,旨在解决基于世界模型的自动驾驶规划中因训练数据覆盖不足导致的探索 - 利用困境。该方法离线阶段利用专家标注的失败日志对部分预训练的代理进行训练,并在仿真环境中引入可恢复的扰动以生成失败样本;在线阶段则通过闭环驾驶持续修正模型超出离线数据覆盖的区域。

    推荐理由:提出 SAFER 框架,利用专家标注的失败日志进行离线预训练以覆盖探索盲区,结合在线闭环修正,在 CARLA 和 MetaDrive 基准上实现最高路线完成率与奖励。

11月16日周一
  1. 量子位50

    是石科技发布多模态模型服务,推理提速 2.48 倍且画质不掉线

    是石科技正式发布多模态模型服务,通过自适应缓存加速、SGLang 显存协同及免训练 Token 压缩等技术,在保障生成质量前提下实现端到端平均 2.48 倍推理加速与 WorldSense 评测中 1.33 倍理解提速。该方案结合 Context Engine 结构化衔接素材与指令,构建覆盖 API 接入到结果交付的完整生产链路,解决批量生产中效率与质量的平衡难题。

  2. arXiv · 机器人与计算机视觉82

    TelePhysica:基于智能体的物理交互式场景重构方法

    TelePhysica 是一个闭环框架,旨在从单张照片重建可执行的多体制物理世界,以驱动状态化的三维交互和轨迹感知的视频合成。该方法利用视觉语言编码智能体生成分离的视觉网格和声明性物理模型,并通过像素对齐轮廓批评与零力重力平衡预飞检查进行两阶段验证。

    推荐理由:该工作提出闭环框架,从单张照片重建可执行的物理世界以驱动状态化交互与视频合成。

  3. arXiv · 机器人与计算机视觉45

    EViDS:环境 - 车辆动力学集成仿真平台助力智能底盘开发

    EViDS 是首个将 CARLA 环境感知与 CarSim 高保真动力学集成的仿真平台,通过射线铸造轮胎路面交互及参考姿态对齐技术维持时空一致性。该平台支持在线闭环智能底盘控制,在动力学特性保持与环境信息可靠传递的测试中表现优异,为环境感知型智能底盘开发提供统一验证基础。

11月14日周六
11月13日周五
  1. arXiv · 机器人与计算机视觉82

    Instant NuRec:面向驾驶场景仿真的前馈式 3D 高斯重建模型

    NVIDIA 发布 Instant NuRec,这是一个前馈神经网络模型,旨在解决传统神经仿真方法速度慢且需逐场景调优的问题。该模型仅需一次前向传播,即可将多视角驾驶日志(约 10-20 秒)快速重建为包含静态与动态层的 3D 高斯泼溅(3DGS)世界、天空立方体及相机 ISP 校正结果。

    推荐理由:NVIDIA 提出 Instant NuRec,通过前馈网络将多视角驾驶日志在约 1.5 秒内重建为可仿真的高斯泼溅场景,性能优于现有基线。

  2. arXiv · 机器人与计算机视觉35

    AI Sandboxes:威胁模型、分类学与测量框架发布

    该研究提出"AI Sandbox"装置定义及五种原型架构,建立十五维测量指标与最弱环节许可规则以界定部署主张。框架涵盖驾驶、工业控制等四类实例的威胁建模,明确实验边界对证据解读的影响并映射至标准规范。预印本 arXiv:2606.18532 含 42 页正文及图表,旨在识别受控实验支持的声明与需进一步验证的假设。

  3. arXiv · 机器人与计算机视觉58

    Addressable Memory for Video World Models

    该论文研究了交互式视频世界模型中的视觉持久性问题,发现当生成长度超出训练范围时,基于 KV Cache 的模型因位置编码偏移过大而难以检索信息。作者提出无需训练的 WorldTrace 框架,通过为压缩后的记忆槽分配独特的虚拟位置来保持可寻址性,并利用模型自身的注意力机制决定保留哪些观测或合并冗余内容。

  4. arXiv · 机器人与计算机视觉82

    NVIDIA 发布 OmniDreams:面向自动驾驶闭环仿真的实时生成式世界模型

    NVIDIA 发布 OmniDreams,这是一个基于 Cosmos 扩散模型中后训练的实时生成式世界模型,旨在解决长尾场景下自动驾驶策略安全评估的瓶颈。该模型通过自回归方式根据过去帧、当前仿真状态及即时驾驶动作生成逼真的传感器视频,能合成极端天气和不可预测的动态行为等难以捕捉的现象。

    推荐理由:NVIDIA 推出 OmniDreams,利用 Cosmos 扩散模型基座实现实时闭环生成,支持极端场景与动态交互,并展示在 NuRec 数据集上优于 Alpamayo 1.5 的预训练策略性能。

  5. arXiv · 机器人与计算机视觉42

    LLM-to-Phy3D:LLM 驱动物理合规的在线三维物体生成方法

    LLM-to-Phy3D 提出一种新颖的在线黑盒优化循环,通过视觉与物理评估反馈驱动大语言模型实时生成符合物理约束的三维设计。在车辆设计优化消融研究中,该方法相比传统 LLM-to-3D 模型使目标域设计的物理合规性提升 4.5% 至 106.7%,显著增强了几何新颖性与工程性能。该成果已被 IEEE CEC 2026 接收并发表,为科学和工程领域的生成式设计提供了新的 AI 驱动解决方案。

  6. arXiv · 机器人与计算机视觉82

    PhysCapBench:首个跨域物理 grounded 视频描述基准发布

    PhysCapBench 是首个统一涵盖第三人称场景、第一人称操作及手持夹爪演示的物理标注基准,包含 1,500 条经人工验证的视频序列并覆盖七个物理维度。该基准显示,相比仅含元数据的描述,富含物理信息的视频语言监督可将视频重建的 LPIPS 误差降低 8.6% 至 30.9%,并在 pi0.5 策略微调任务中带来 7.5 个百分点的成功率提升。

    推荐理由:PhysCapBench 作为首个跨域物理标注基准,通过量化语言监督中的物理信息缺失,为视频重建与策略微调提供了可检验的评估标准。

11月12日周四
  1. Hugging Face Daily Papers56

    LLM 智能体工作负载的批处理延迟优化:基于推理与环境协同的方法

    该研究针对大模型智能体任务交替进行推理与环境交互的特点,提出了协调优化方案以减少批处理总耗时(makespan)。方法包括利用工作负载资源模型指导 GPU 显存分配、轨迹感知调度以复用缓存、以及在环境容量受限时将样本准入与执行解耦并引入链推进动作调度。

11月11日周三
  1. arXiv · 机器人与计算机视觉53

    Einstein World Models:一种将视觉时序推演嵌入大语言模型推理轨迹的世界模型蓝图

    该论文提出 Einstein World Models(EWMs),这是一种基于大语言模型的推理系统蓝图,旨在通过引入视觉时序推演来增强复杂思考能力。在 EWM 架构中,LLM 调用世界模块生成场景的短时序推演结果,这些结果不作为直接答案,而是作为可检查的反事实假设以支持后续推理过程。该工作将工具调用能力扩展至视觉思维实验领域,探讨可视化反事实事件是否能作为语言之外的复杂思考机制。

  2. arXiv · 机器人与计算机视觉28

    HaiRuo:基于卫星测高基础模型的海洋涡旋场与对象联合预报

    HaiRuo 模型从 30 天卫星海平面图中单次前向传播,同时输出 15 天海平面、地转流速及每日涡旋掩膜与轨迹。其核心组件 HaiRuo-1B 为无标签预训练的 10.5 亿参数基础模型,在相同解码器下将 15 天中心误差从 30.6 km 降至 25.2 km(-18%),并在厄尔尼诺 - 南方涛动周期内保持优势。开源权重、代码与项目页面已公开,支持跨六个骨干网络的物体注意力机制优化。

  3. arXiv · 机器人与计算机视觉38

    LLM 可解释性助力月球车在不确定性下规划轨迹

    针对行星漫游器轨迹规划中难以追溯科学目标的问题,研究提出一种基于大语言模型的交互式助手。该系统结合 NASA VIPER 任务启发的仿真器与 ReAct 接口,在查询库测试中回复忠实度达 90.9%,较无工具访问的零样本提示提升近 65%。实验表明该架构能利用领域词汇解释规划结果并对比替代方案,为不确定性感知路径提供可信的可解释性验证。

  4. arXiv · 机器人与计算机视觉53

    将世界模型纳入决策以优化主动传感中的下一最佳视角选择

    论文提出一种部署适配方法论,用于在主动传感中选择贡献新表面测量的视角。该方法通过从有限本地校准数据中学习传感器返回适配器,在保持预训练预测器固定的情况下估计每个预测表面的测量丢失率,从而优先选择能填补重建间隙的视角。

11月10日周二
  1. 量子位42

    Fable 5.2首批实测:智能体编程与3D生成能力超越Opus 5.5但Token成本高昂

    Fable 5.2在智能体编程、科学研究等基准测试中全面超越Opus 5.5,软件工程测试达69.9%,输出速度提升30%且价格降20%。海外开发者利用其生成8小时零人工反馈的3A游戏及76分钟海底题材作品,但高推理档位导致Token消耗剧增,部分任务性价比下降。

  2. 量子位65

    成立四个月融资过亿:TensorWorld物原科技要跑通“物理真实”路线

    量子位报道了成立四个月的初创公司 TensorWorld 物原科技在一个月内完成过亿美元融资的消息。文章分析了该公司提出的“物理基础模型”路线,即通过融合几何与合成动力学预训练来构建物理直觉,旨在解决高保真数据昂贵及仿真难以复现真实摩擦形变等行业痛点。