跳到正文
今天11月19日周四1 条
  1. 地平线 · 资讯动态80

    地平线发布 LoFT 原生视频几何基础模型,探索面向物理 AI 的通用视觉表征

    11 月 18 日,地平线机器人实验室发布原生视频几何基础模型 LoFT(Looped Foundation Transformer for Video Geometry)。

    推荐理由:地平线发布原生视频几何基础模型 LoFT,通过双循环架构联合预测相机位姿与深度,在多项基准评测中表现领先。

11月18日周三
  1. arXiv · 机器人与计算机视觉67

    EMRD:VLM 在安全关键场景下的探索、建图、记忆与决策基准

    本文提出 EMRD 评估框架,将视觉语言模型(VLM)的时空推理解耦为探索、建图、记忆和决策四阶段,并在 16 栋建筑及三种环境压力下评测了 11 个 VLM。结果显示,无外部记忆的开放权重模型在 95% 的回合中未访问房间且物体检测率不超过 51%,且其选择受语义先验影响显著;运动噪声、黑暗和烟雾分别导致位置误差增加、建图召回下降及可见物体减少。

  2. arXiv · 机器人与计算机视觉0

    arXiv 论文撤回:Nanorobot queue 癌症协同治疗模型因缺乏实验证据被作者撤稿

    该论文由 Xinyu Zhou 于 2026-11-18 正式撤回,未提供 PDF 及任何实验数据。文中提出的基于纳米机器人队列、成员通信与计算机视觉图像分类的癌症协同治疗理想模型,因缺乏理论保证和实证支持而被判定为高概念笔记而非有效研究。

  3. arXiv · 机器人与计算机视觉45

    WoRD:基于扩散模型的在线目标识别方法

    WoRD 利用学习到的轨迹先验,通过变分推断从部分观测中恢复智能体意图。该方法在机器人、行人及车辆仿真设置下均能保持多模态信念校准,克服了传统滤波器与分类器在模糊轨迹前缀上的失效问题。论文已被 NeurIPS 2026 接收,代码与权重开放许可状态待确认。

  4. arXiv · 机器人与计算机视觉82

    MillBill:一种具备几何反馈的加工代理

    MillBill 是一种将加工决策与几何执行及验证分离的智能体系统。给定边界表示零件、毛坯和材料信息,本地托管的中大型开放模型负责提出操作和切削参数;几何约束生成器则生成刀具路径、模拟材料去除并返回反馈以优化计划。系统考虑了刀库的物理可达性而非仅可见性。基于 Qwen3.8-27B 的评估显示,MillBill 在指定公差内的目标表面积比例上优于前沿模型方法。代码与论文已公开。

    推荐理由:该工作提出将加工决策与几何执行分离的代理架构,在仿真环境下验证了其对复杂零件加工的优越性。

  5. arXiv · 机器人与计算机视觉63

    RFW-S:具备独立仿真验证的日常可变形物体数据集

    论文介绍 RFW-S 数据集,包含 83,365 个经过独立仿真验证的变形物体资产,覆盖 485 类日常物品及五种结构家族。作者开发了结合参考引导生成、结构感知物理建模与 LLM 参数校准的自动化管线,并通过独立于校准过程的交互行为评估确保物理可靠性。

  6. arXiv · 机器人与计算机视觉82

    ForceBody:首个带力矩不确定性的参数化人体运动数据集

    ForceBody 是首个将地面反作用力与逆动力学关节力矩引入参数化人体表示的数据集,包含 140 名受试者共 10,386 次动作尝试(9.7M 帧、26.9 小时)。

    推荐理由:ForceBody 数据集首次将地面反作用力与参数化人体模型结合,并附带关节力矩不确定性标注。

  7. arXiv · 机器人与计算机视觉43

    CRA:面向安全关键视觉导航的连续风险评估框架

    针对传统安全控制依赖二元区域划分的局限,该研究提出基于 RGB 与 LiDAR 观测的连续风险评估框架,融合动能、势能等四因子生成风险分数。方法将估计值集成至泊松安全函数并引入拉普拉斯引导场作为滤波器,实现在开放世界机器人导航中的在线监测与干预。团队在仿真餐厅场景中验证了该方法的有效性。

  8. arXiv · 机器人与计算机视觉56

    SE(3)-LIVOM:自适应多激光雷达 - 惯性 - 视觉里程计与建图

    论文介绍了 SE(3)-LIVOM,该系统是 IROS 2026 COMFORT Challenge 的总冠军,能在倒塌建筑等复杂场景下实时运行。系统前端扩展了多激光雷达和相机支持,自适应降采样将每帧处理时间控制在 35 ms 以内;后端通过平面束调整和增量位姿图修正漂移。在六个测试场景中,单一配置的平均绝对轨迹误差(ATE)达到 1.40 cm。代码已开源。

  9. arXiv · 机器人与计算机视觉45

    Better Calibrated, Better Planned:不确定性感知多 ASV 油膜监测信息路径规划研究

    针对自主水面车辆(ASV)在稀疏噪声测量下映射异质污染场的需求,该研究引入证据深度学习(EDL)作为不确定性校准模型。在包含五类规划器的闭环物理仿真基准中,EDL 在所有配置下均实现最低误差与最高 IoU,且每步推理耗时仅 3.9ms。实验表明模型选择主导了最终重建误差的 80% 方差,证明了不确定性感知路径规划的鲁棒性要求。

11月17日周二
  1. 量子位77

    MatOS:面向材料研发的科研智能体系统正式开源

    北京中关村学院 AI 材料研究所发布的 MatOS 科研智能体系统正式开源。该系统将数据、知识、工具等组织为科学资产,通过有状态自适应工作流执行长周期任务,并利用证据驱动机制持续进化资产库。

    推荐理由:MatOS 系统开源,通过分层资产图与有状态工作流解决材料研发长周期任务中的工具接入、状态保持及经验复用难题。

  2. 奥比中光 Orbbec · News42

    奥比中光在班加罗尔科技峰会展示机器人免数据收集硬件平台,支持印度物理 AI 生态

    奥比中光与 ThinkRobotics 在班加罗尔科技峰会首次全面展示其机器人免数据收集硬件平台,整合 EGO、WristCam、UMI 及 Hub 设备。该平台提供 1080p 以上高分辨率采集与小于 1ms 的多设备同步精度,满足印度市场对轻量化穿戴设计及多模态数据的需求。

  3. arXiv · 机器人与计算机视觉72

    MoRAE:面向文本生成运动的自监督潜变量研究

    论文提出 MoRAE 方法,利用预训练的 Motion-JEPA 编码器预测隐藏关节轨迹并压缩其冻结特征,构建适合流变换器的紧凑潜空间。该方法在 HumanML3D 和 KIT-ML 数据集上实现了最先进的 FID 分数,同时保持了接近真实运动的检索式文本一致性和多样性。材料为 arXiv 预印本版本,未提及同行评审状态或开源代码仓库。

  4. arXiv · 机器人与计算机视觉70

    稀疏视频生成推动现实世界的越视域视觉语言导航

    针对现有大语言模型在越视域导航任务中短视行为的挑战,该方法首次引入视频生成模型以利用长视界监督优势。通过提出 SparseVideoNav 技术,将原本需数十秒的视频生成长度压缩为亚秒级轨迹推断,同时保持 20 秒的未来视界跨度。实验表明,该方法在越视域导航任务上的成功率是现有大语言模型基线的 2.5 倍,并首次实现了夜间复杂场景下的有效导航能力。

  5. arXiv · 机器人与计算机视觉38

    TARGO and TARGO-Net:遮挡环境下目标驱动抓取基准与模型评测

    针对单目 RGB-D 视角下严重遮挡导致的 6-DoF 抓取精度下降问题,研究建立了首个遮挡环境目标驱动抓取数据集 TARGO。提出的基于 Transformer 的 TARGO-Net 模型通过引入目标补全模块与场景交叉注意力机制,在所有视觉遮挡等级下均实现了最鲁棒的抓取预测性能。此外,研究证实了目标补全、遮挡物数量及目标最小尺寸除视觉遮挡外也显著影响抓取成功率。

  6. arXiv · 机器人与计算机视觉83

    Polygraph:基于位姿图的大规模多会话轨迹优化方法

    论文提出了 Polygraph 系统,解决机器人和车辆多次穿越同一环境时的轨迹全局一致性问题。该方法在线处理会话,按关键帧和空间聚类逐步优化,不构建 3D 地图。

    推荐理由:Polygraph 提出在线多会话轨迹优化方案,无需构建 3D 地图即可实现跨设备、跨场景的位姿图融合。

  7. arXiv · 机器人与计算机视觉72

    SGIP:学习场景 grounded 交互先验以进行场景感知的人体运动预测

    SGIP 是一种用于人体运动预测的新方法,旨在解决复杂场景中未来运动目标模糊的问题。该方法通过意图蒸馏技术,在训练阶段利用大语言模型结合几何特征对候选区域打分,使学生模型仅凭观测到的运动和三维场景信息即可学习场景 grounded 交互先验,从而在无需 gaze 或 intent 的情况下准确预测轨迹和全身姿态。实验表明,SGIP 在多个基准数据集上优于现有的场景感知基线,证明了该框架的有效性。

  8. Vision Systems Design12

    AimLock 如何借助 AI 与传感器融合变革自主目标识别系统

    AimLock CEO Bryan Bockmon 指出,得益于智能手机技术带来的算力提升及双用途技术复用,自主目标系统成本大幅降低且不再依赖专用硬件。多模态传感器融合(可见光、热成像等)通过机器学习整合数据流,显著提升了复杂环境下的检测与分类性能。公司坚持采用“辅助目标识别”而非全自动化决策,以适配美国军事政策术语并规避自主武器条约的政治争议。

11月16日周一
  1. 量子位77

    阿里巴巴发布Qwen4-Max基座大模型,智能体及编程能力进阶

    阿里巴巴于11月16日发布全新一代基座大模型Qwen4-Max,总参数2.4T,具备原生视觉能力和百万上下文支持。该模型采用基于稀疏注意力的MoE架构,激活参数仅71B,在CodeArena前端编程盲测中位居全球第六,在Agents' Last Exam等智能体评测中处于领先梯队。

    推荐理由:阿里发布Qwen4-Max,总参数2.4T且激活仅71B,在CodeArena等权威评测中表现领先,并支持持续交付与运筹建模。

  2. arXiv · 机器人与计算机视觉42

    Teleo-Spatial Intelligence 模型在物理动力学与意图推理上落后人类表现

    Teleo-Spatial Intelligence(TSI)通过整合物理动力学与动作目标,揭示了视觉语言模型在开放世界环境中存在显著的意图推理差距。基于包含 11,328 个真实视频及 8,000 例基准数据的 EscherVerse 资源评估显示,最强专有模型整体准确率仅为 57.26%,远低于人类首判平均 90.62% 的水平。

  3. arXiv · 机器人与计算机视觉62

    BAL:潜空间双向自回归学习人类动作表示

    该论文提出 BAL 框架,通过潜空间中的双向自回归预测(前向与后向)来捕捉人体动作的自然时序结构,以替代依赖人工假设的现有方法。实验在大规模数据集上验证了其在动作描述、预测和插值任务上的有效性,优于多数基线。材料为 NeurIPS 2026 接收的预印本,未报告真实机器人部署结果。

  4. arXiv · 机器人与计算机视觉48

    Qwen3.5-27B 与 Gemma-4-31B-it 作为空间先验的导航能力评估

    研究利用 CubiCasa5K 和 ScanNet 真实布局,评估 Qwen3.5-27B 和 Gemma-4-31B-it 能否提供物体位置的空间分布先验。结果显示模型虽能关联物体与房间类型,但在物体靠墙性及生成布局几何一致性上不及基于真实布局的先验。结论支持将 LLM 用于约束坐标书写及后续几何校验,而非直接替代真实布局作为放置先验来源。

  5. arXiv · 机器人与计算机视觉58

    ERA:基于预测深度的抗错自主物体导航

    针对深度传感器缺失导致地图累积误差的问题,该研究提出了 ERA 系统,利用 RGB 图像和位姿预测深度,采用‘带着误差移动’范式,通过可修订的占据栅格和可达视点探索来修正地图并持续搜索。实验显示该方法在三个基准测试中达到免训练方法的最优性能,并将 VLFM 的成功率从 10.8% 提升至 61.7%,且已在真实机器人上部署验证。

11月14日周六
11月13日周五
  1. 量子位58

    openJiuwen发布RSI原生AgentOS,开放多环节扩展点以支持系统插件热插拔

    openJiuwen发布RSI原生AgentOS,为WorkSwarm等应用提供界面、网关与服务端的扩展入口,支持新功能热插拔与版本管理。材料展示了通过对话生成桌宠形态、Token用量监控及团队协作可视化等系统插件的实战流程,并提供了故障回退机制与企业接入适配方案。

  2. arXiv · 机器人与计算机视觉48

    Robo-SWE:首个源自机器人软件仓库的可执行问题修复数据集发布

    Robo-SWE 数据集包含从 28 个公开机器人仓库挖掘的 236 个可执行任务,涵盖 ROS 2、仿真引擎及学习框架领域。五组编码智能体在离线运行中解决率介于 43.9%(Kimi K3.1 Pro)至 56.5%(Claude Opus 5.5),并附带完整的修复补丁与轨迹数据。该数据集已上线公共排行榜,旨在推动针对机器人领域特定系统的代码代理评估研究。

  3. arXiv · 机器人与计算机视觉58

    SkillEarth:通过技能演化让通用智能体在地球环境行动

    针对现有遥感智能体依赖预定义知识或参数更新的问题,本文提出 SkillEarth 方法,能够从演示轨迹中自动提取可复用的工具调用知识并实现观测驱动的演化。该方法结合双裁判反馈与基于观测的路由图进行组件级精细化,在 OpenEarth-Bench 和 Earth-Bench 上展现了优于现有方法的工具选择、参数正确性、执行顺序一致性和任务完成率,且支持跨大模型复用而无需重新训练。

  4. arXiv · 机器人与计算机视觉73

    ProtoVis-Nav:基于原型的视觉想象用于视觉 - 空间对齐的无人机导航

    针对无人机视觉语言导航(VLN)中因三维运动预测误差导致碰撞的挑战,作者提出 ProtoVis-Nav 框架。该方法迫使模型为预期的下一个动作想象与结果关联的局部视觉表征,通过预测特征原型及其线性组合来估计目标区域的视觉特征,从而促进视觉上下文与航点输出的对齐。实验表明该框架在现有基线上取得了显著改进。

  5. arXiv · 机器人与计算机视觉35

    BrickFlow:基于连通性引导的乐高积木三维重建模型发布

    BrickFlow 针对给定零件与组装图像推断部件姿态的任务,提出结合分析连通性场引导的 SE(3) 流模型以解决离散物理约束难题。该研究仅用 1% 数据微调注入图像条件,在 NeurIPS 2026 预印本中展示了提升构建质量的实验结果。相关模型与数据已面向科研目的公开提供。

  6. arXiv · 机器人与计算机视觉72

    面向眼动视频的拓扑感知 4D 高斯泼溅:首个拓扑变化重建基准与方法

    针对现有 4D 高斯泼溅在处理切割、组装等拓扑变化时产生严重伪影的问题,本文提出 TopoEgo 基准和 Topo-4DGS 方法。Topo-4DGS 通过为交互部件分配独立刚性变换并动态激活/停用高斯点来联合建模部件级运动与随时间变化的表面支撑。实验表明该方法在拓扑变化场景下显著优于现有最先进方案,代码和数据将公开。

  7. arXiv · 机器人与计算机视觉44

    DroneDiffusion:感知引导的扩散路径规划器用于无人机导航

    DroneDiffusion 是一款专为本地三维无人机轨迹生成设计的感知感知扩散规划器,能显式规避由镜头眩光、过曝和反光表面导致的失效区域。该模型在仿真中训练并实现零样本真实部署,其可靠性条件将生成的轨迹平均感知可靠性从几何基线的 0.63 提升至 0.71。此外,无需重新训练的 CHOMP 引导策略将学习先验的碰撞率从 14.7% 降低至 7.8%,有效平衡了传感器不可靠区域的规避与导航性能。

11月11日周三
  1. arXiv · 机器人与计算机视觉82

    基于多视图关系蒸馏的视觉 - 语言模型空间推理研究

    针对视觉 - 语言模型在具身智能和自动驾驶中存在的几何脆弱性问题,本文提出多视图关系蒸馏方法。该方法通过蒸馏跨视图的 patch-wise 余弦相似度而非教师特征本身,在编码几何对应关系的同时保留预训练对齐。实验表明,该方法在物体定位、密集描述等任务上优于监督微调与特征蒸馏,且参数更少、延迟更低。代码已开源。

    推荐理由:提出多视图关系蒸馏方法,在提升视觉空间推理能力的同时保持语言对齐,且参数开销低于特征融合。

  2. arXiv · 机器人与计算机视觉71

    从深度到安全深度:面向移动机器人导航的不确定性感知单目感知

    本文指出直接商用 Depth Anything V2 等单目深度基础模型在室内导航基准中会导致 63% 的碰撞率,因其系统性高估近距离障碍物距离。作者提出一种轻量级插件模块,在冻结的深度模型上增加 0.58M 参数头,预测每个像素的对数深度修正和不确定性,利用共形校准设定安全边界。