FPF-DM 滤波器解决状态依赖乘性噪声难题并应用于姿态与位姿估计
FPF-DM 分解方案通过测度变换将状态依赖乘性噪声纳入粒子权重,恢复多项式形式泊松方程以支持闭式增益计算。该方法在四元数和对偶四元数流形上实现,10 个粒子的仿真验证其在 4D 姿态跟踪与 8D 点云配准任务中优于基线滤波器。该预印本论文未开源代码或权重,仅作为非线性滤波新理论提出。
FPF-DM 分解方案通过测度变换将状态依赖乘性噪声纳入粒子权重,恢复多项式形式泊松方程以支持闭式增益计算。该方法在四元数和对偶四元数流形上实现,10 个粒子的仿真验证其在 4D 姿态跟踪与 8D 点云配准任务中优于基线滤波器。该预印本论文未开源代码或权重,仅作为非线性滤波新理论提出。
TRIDENT 模型通过单一骨干与三个并行解码器,高效完成去雾、深度估计及不确定性评估三项水下视觉任务。实验显示该模型在图像增强和深度估计上显著优于现有方法,且在内存占用与推理时间效率上更优。其联合学习方法展现了稳健的特征匹配能力,并实现了从二维到三维视觉任务的无缝扩展。
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。
该研究提出 SGR3 Model,这是一个利用多模态大语言模型与检索增强生成(RAG)实现的免训练框架,用于生成语义场景图以支持机器人高层推理。实验显示其性能在免训练基线中具竞争力且媲美基于 GNN 的专家模型,消融研究表明外部信息被显式整合进 token 生成功能。该论文已撤回,无 PDF 可供下载。
针对冻结扩散生成器需改变部分输出属性同时保持其他属性的需求,本文研究了条件引导的忠实性并引入局部逆修正以改善方向。该方法结合请求特定的余弦增益预测器与阻尼逆修正及固定时间重线性化,适用于有限编辑场景。
推荐理由:该文提出光谱引导方法,结合局部逆修正与固定时间重线性化,在图像修复等任务中显著优于 Adam 优化器。
现有方法多将视频转为截图轨迹,未直接利用丰富信息。本文提出 VEX 框架,基于 watch-act-rewatch 范式从教程视频中提取指导并自我验证。实例化模型 video-SALMONN-VEX 在 OSWorld 上任务成功率相对提升 22%,其生成的指导使 Gemini-3.5-flash 性能相对提升 10%。
ECOD 通过在校准教师与学生在匹配条件下的成功概率后验,将监督分配至任务、轨迹及回合层级,仅对失败学生轨迹施加直接监督。该方法在 ALFWorld 和 WebShop 基准上,配合 Qwen2.5-1.5B-Instruct 与 Qwen2.5-7B-Instruct 模型,使未见任务成功率相对提升最高达 4.06%,平均配对相对增益分别为 6.20% 和 7.05%。
针对长视野视觉语言导航中指令追踪困难及执行器在部署时遭遇策略诱导的状态偏移问题,本文提出 LeaP-VLN 系统。该系统耦合进度感知执行与独立进度验证,通过计划 - 执行 - 验证 - 恢复的闭环机制处理子任务完成确认与路线偏离后的双阶段恢复。
Aarav Srivastava 等人提出了一种针对物体目标导航(ObjectNav)任务的受控评估框架,在程序化生成的 ProcTHOR 房屋中独立改变表面材质、杂乱度和光照等视觉因素。
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。
该论文提出 AnyMo 框架,旨在解决可穿戴惯性测量单元(IMU)因佩戴位置、朝向及硬件差异导致的数据迁移难题。该方法利用基于物理原理的 IMU 仿真生成密集的人体表面放置数据以预训练图编码器,并将多位置 IMU 信号 token 化为全身运动表示,进而与大语言模型对齐以实现运动理解。
KAIST 提出的 KAILOS 系统扩展架构引入 IoT 设备,旨在消除基于移动应用定位的操作系统限制并提供跨平台服务。研究设计了包含软硬件的专用 IoT 装置,证明该方案能有效拓宽室内定位服务的适用范围。论文为 arXiv 预印本(arXiv:2611.13634),涉及机器人领域(cs.RO)。
该论文研究了视频语言模型在无训练条件下对快速人类动作进行零样本语义理解的效能,以剑道为案例。实验评估了 10 至 120 Hz 不同采样率下的全观测原始视频,发现最近类原型(NCP)准确率在 120 Hz 时最高,且 70-120 Hz 区间的平均表现优于 10-60 Hz。
该论文研究将连续人体动作压缩为有限离散 Token 时的输入姿态编码选择问题。作者对比了高斯关节热力图、欧氏空间根相对位置、局部关节旋转及全动力学四种编码,训练 VQ-VAE 分词器并评估代码本利用率与有效词汇量。
MemSurg 是一个针对机器人辅助手术的视频理解框架,旨在解决帧级提示无法利用早期观察历史的难题。该框架通过结构化记忆图存储带时间戳的实体类别、位置、运动线索和交互摘要,并利用时序链接与实体关联链接保留上下文及跨阶段观测。
推荐理由:该框架通过结构化记忆图解决手术视频理解中的历史上下文缺失问题,在前列腺切除术等基准上显著优于现有方法。
论文提出 Anchor 框架,旨在解决大语言模型智能体在长周期交互中记忆冗余或强化不当行为的问题。该方法通过定位关键轨迹步骤、提取候选记忆,并在相同上下文下对比保留与不保留该源决策的效果,评估其对分布的偏移量及角色对齐度。
推荐理由:提出 Anchor 方法,通过局部验证记忆源决策来筛选有效经验,在 ALFWorld 和 WebShop 任务上提升成功率并减少 Token 消耗。
针对潜在扩散模型在人体动作生成中面临的重建与生成质量权衡问题,本文提出 Diffusable Motion Tokenizer (DiMoT)。该方法通过 Critic Spectral Adaptation (CSA) 抑制高频率潜变量能量以改善文本条件化优化,并利用 Alpha-Flow Motion Decoder (AMD) 进行平均速度预测以实现高效的一步解码。
ObjView-Bench 是一个用于评估以物体为中心视图规划的新基准框架,旨在解决现有评测混淆物体复杂度、规划难度假设及物理可达性约束的问题。该工作将视图规划评估解耦为三个独立量:作为物体侧属性的全向自遮挡、观测饱和难度以及通过集合覆盖公式定义的协议依赖型规划难度。
Flex-RSI是一个针对视觉和机器人任务的智能体递归自我改进基准。该基准允许智能体在固定预算下利用反馈改进其解决方案及自身架构(包括提示词、工具和记忆)。评测涵盖感知、推理、机器人操作、3D重建等多个领域,发现当智能体构建自身解决方案时自我改进最有效,且编辑执行器本身对增益有显著贡献。
推荐理由:Flex-RSI基准评测了智能体在视觉与机器人任务中的递归自我改进能力,发现编辑执行器本身对提升效果至关重要。
针对四旋翼飞行器在未见轨迹上姿态估计泛化性不足的问题,该研究提出一种改进的学习型惯性里程计方法。通过采用机体坐标系表示并融入扭矩动力学至学习流程,模型预测短时相对位移并与 IMU 测量融合进扩展卡尔曼滤波中。实验表明该方法在公开数据集上的速度误差低于现有最先进方法,且源自旋翼信号的扭矩输入信息量最大。代码、数据管道及训练好的模型均已公开。
针对长互联线与噪声干扰导致传统频域读取不准的问题,该方法通过拟合时域观测模型直接确定电阻值。仿真显示在 16x16 阵列中均方根误差降低 20%,千次试验验证下均值与标准差分别减少 24.6% 和 77.6%。研究已获 IEEE Sensors 2026 接收,代码与数据开放许可待注册。
针对鱼眼镜头效应和分析器不完美导致的偏振测量退化问题,作者提出了一种联合镜头 - 分析器校准方法,通过统一八参数公式显式建模入射角依赖的镜头透射率。该方法仅需手持户外序列即可估计相机帧间旋转并实现偏振校准,无需专用设备或预设天空模型。
推荐理由:提出了一种仅需手持户外序列即可完成鱼眼镜头偏振校准的方法,无需专用设备或预设模型。
BiGrounder 针对图形用户界面(GUI)定位任务,提出一种双向奖励范式以解决传统端到端训练对语言变化鲁棒性不足的问题。该方法在监督微调阶段让模型从目标坐标生成动作描述,并在强化学习阶段采样语义一致的指令变体进行自循环验证,将模型自身的策略转化为持续更新的强化轨迹。
推荐理由:提出双向训练范式,利用模型自身策略生成强化学习轨迹,在五个基准测试中取得竞争性精度。
该研究提出一种利用微秒级分辨率事件相机进行 LED 追踪及六自由度相对位姿估计的实时框架。系统通过双速率异步机制在高速运动下保持身份关联,并在变 HDR 光照条件下完成四旋翼悬停与跟随实验。相关数据集与基于 NVIDIA Jetson Orin NX 的实现代码将公开以支持进一步研究。
该论文提出了 TurnWise 框架,旨在改进流式视频理解中的强化学习策略。针对现有方法在轨迹层面共享奖励导致早期成功或失败影响后续回合的问题,该方法利用沉默补全前缀评分构建组相对优势,并将回合内的 token 损失平均化,从而平衡响应与等待决策的权重。实验表明,无需学习评论家模型或额外 rollout,该方法能显著提升流式策略的学习效果并减少冗余回复。
论文提出 FloMo 模型,这是一个经过微调的 5B 参数视频生成模型,旨在预测 3D 场景流(scene flow)和动作 token。研究论证了稠密 3D 运动是视频预训练向机器人动作迁移的最佳媒介,相比直接预测视频或联合预测,仅预测运动能提升样本效率并改善对未见物体、运动原语及任务的泛化能力。
推荐理由:提出用稠密3D运动场作为视频预训练向机器人动作迁移的中间媒介,通过联合预测验证了该路径优于直接视频预测。
该论文提出了 CoReMatch 框架,旨在解决传统半稠密匹配器依赖固定网格和高分辨率计算的问题。该方法在粗粒度阶段利用深度聚合 Transformer 捕捉全局上下文并迭代更新对应坐标,随后通过轻量回归头进一步锐化定位精度。
DuoGesture 将伴语手势合成解耦为语义流与节拍流,通过语义变分信息瓶颈协调两者并引入运动接地条件与惯性节拍先验。客观评估与主观实验显示该方法优于强基线,消融验证了各组件互补作用。项目演示与定性插图可在官方页面查看。
论文提出 HaltNav 分层导航框架,耦合基于 osmAG 的稳健全局规划与 VLN 本地执行能力。通过 MLLM 大脑模块将全局路线转化为局部指令,并利用反应式视觉制动机制检测异常、更新拓扑并触发重规划以应对环境变化。研究引入生成模型合成障碍物的数据管道来增强困难样本训练,实验表明该方法无需繁琐语言指令即可在环境变化下显著提升长视界导航鲁棒性。
本文介绍 Tutorial Agentic Learning(TAL),一种无需参数更新的非参数化持续学习范式,通过两阶段对抗过程将教程视频整合为持久化的结构化记忆库,并在推理时利用目录树进行检索。研究构建了 VidLearn 基准,基于 72 个国际象棋教程视频,结果显示 TAL 在训练和测试集上分别比基线模型提升 113% 和 91%,且在双人实战中 69% 的对局开局阶段表现更强。
针对月球表面自主移动需求,研究构建弱监督框架,评估在域内及跨域设置下引入深度、法线等几何信息对视觉特征的增强效果。实验基于两个地球模拟数据集与嫦娥 PCAM 真实数据,发现单纯几何融合未带来一致提升,训练源选择才是决定迁移质量的主导因素。该评估在资源受限边缘设备上运行,为未来月球感知系统的多模态融合架构设计提供了受控基线。
该论文提出 MoSoLoco,一种单帧单目 3D 人体定位器,通过复用姿态检测器的内部视觉特征与检测到的 2D 骨架进行定位,无需额外 RGB 或深度编码器。该方法还引入稀疏同帧多人体情境以修正个体位置估计。
论文提出 MoPort,旨在让运动语言模型(MoLMs)直接处理单目视频的二维观测数据。方法引入成对视角对齐(PVA)和相机调制编码(CME),以解决从 2D 到 3D 的维度差距及视角变化带来的歧义。
推荐理由:提出 MoPort 方法解决单目视频三维动作建模的视角与深度歧义问题,在 HumanML3D 等基准上优于现有基线。
作者 Seungwon Choi 发布了 OpenVIO,这是一个基于 MIT 许可的开源视觉惯性里程计(VIO)系统。该系统支持针孔相机、鱼眼相机以及拼接后的 360°全景图像,并详细描述了各模块的设计考量。材料提供了在公开数据集上与其他开源 VIO 系统的基准测试结果,但未报告真实机器人部署结果或具体应用场景的性能数据。
该论文提出 GUI-AC 框架,旨在解决图形用户界面(GUI)代理在多样化真实环境中泛化能力不足及强化微调不稳定的挑战。通过联合表征接地回卷的优势与策略概率,该方法构建了四区域视角以优化探索与过度自信问题,并引入接地确定性机制实现自适应优势更新与动态截断,从而提升持续学习能力。代码已公开于 GitHub。
该方法提出一种传感器引导的自适应对比学习框架,利用训练时特权 LiDAR 数据预训练视觉编码器以捕捉导航相关结构。部署时智能体仅依赖单目 RGB、目标位置及本体信号,无需 LiDAR 即可在室内外高保真仿真中显著提升跨场景策略迁移能力。研究已公开多模态数据集与代码,论文已被 IEEE Robotics and Automation Letters (RA-L) 接收。
针对现有方法受限于固定模态配置和任务特定架构的问题,本文引入 OmniHuMo 大规模高质量数据集(超 5000 小时动作及 320 万序列),并提出 AnyMo 统一多模态框架。该框架结合基于残差 FSQ 的动作分词器与可扩展掩码建模 Transformer,支持任意模态组合下的高保真动作合成及空间、风格属性的灵活控制。
TaskFrame 提出分层规划器控制器架构,通过视觉语言任务规划器分解指令并利用缓存的目标嵌入驱动因果 Transformer 控制器执行键盘鼠标操作。在 Minecraft 实验中,该框架在指令分解上具备竞争力,且闭环评估下的战斗成功率优于基线模型。系统经三阶段训练(规划器、控制器预训练及联合对齐),代码与论文为 arXiv 预印本状态。
针对受限环境无法依赖外部系统的难题,该方法提出一种仅需前后左右四个距离传感器且无需航向信息的在线粒子滤波定位方案。仿真实验表明,即便在迷宫局部区域高度相似的情况下,移动机器人仍能实现相对准确的定位,为复杂环境下的快速有效定位提供了新途径。
论文指出视觉语言模型将坐标离散化为文本进行自回归解码会忽略空间结构并累积误差。作者提出在冻结骨干网络后附加轻量级几何兼容预测头,直接回归连续的功能框和轨迹关键点。实验显示该方法在 ShareRobot-Bench 上将功能预测 mAP 提升 85%,轨迹预测误差降低超 60%,吞吐量是基准的 3.8 倍,接近 RoboBrain 水平。
推荐理由:该工作证明冻结骨干网络的 VLM 中间层已包含丰富空间信息,通过轻量几何头即可将轨迹预测误差降低超 60%。