跳到正文
11月18日周三
  1. 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。

  2. 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。

  3. arXiv · 机器人与计算机视觉59

    EgoHandWAM:探究手部动作在自中心世界动作建模中的作用

    论文 EgoHandWAM 探究了第一人称相机视角下手部运动对预测未来视觉特征的贡献。研究基于 751,065 个 EgoDex 窗口训练,冻结 DINOv2 编码器,结果显示仅凭历史轨迹信息对视觉特征预测的增益有限(平滑 L1 误差降低 1.32%),而结合未来位移掩码能显著减少误差(降低 3.93%)。

11月17日周二
  1. arXiv · 机器人与计算机视觉48

    EgoEMG:多模态眼中心数据集与手姿估计基准

    EgoEMG 引入包含双侧腕部 sEMG、眼中心视频及动作捕捉数据的 25.9 小时多模态数据集,涵盖 68 名参与者、60 类手势及 10 种物体交互。研究建立 EMG-only、vision-only 与融合基准,显示添加 EMG 使 ViT-L 单帧误差从 7.39°降至 7.06°,但未见用户泛化仍具挑战。项目页面提供代码与数据访问入口。

  2. 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。

  3. arXiv · 机器人与计算机视觉78

    MetricHand:面向度量世界空间的 4D 手部重建的几何感知流匹配方法

    论文提出了 MetricHand,这是一个针对度量世界空间中 4D 手部重建的几何感知流匹配框架。该方法将手 - 物体交互区域的深度先验编码到关节关联表示中,结合视觉特征引导粗粒度度量估计并条件化时间生成步骤。

    推荐理由:该工作提出几何感知的流匹配框架,在度量世界空间重建手部运动,显著降低相机与绝对空间的误差。

11月16日周一
  1. arXiv · 机器人与计算机视觉78

    VACO:基于顶点对齐的解码方法实现单图密集手部接触估计

    arXiv 发布论文 VACO,针对单张 RGB 图像进行密集手部接触估计任务,提出顶点对齐解码器以解决传统直接预测器中顶点无锚定导致的接触涂抹问题。该方法通过 MANO 顶点采样局部特征,联合训练重建与接触预测,无需辅助重建器即可在推理时预测位置。

    推荐理由:该预印本提出顶点对齐解码器解决单图密集手部接触估计难题,在五项基准上刷新 SOTA 并提升下游交互重建效果。

  2. arXiv · 机器人与计算机视觉58

    AI 引导的机器人原位制造曲率自适应无线生物电子器件

    针对复杂体表个性化生物电子设备的需求,本文提出一种结合 3D 视觉、六自由度机械臂和直接墨水写入的 AI 引导机器人原位打印平台。系统利用 AI 进行伤口分割以确定尺寸与局部曲率,并将重建的三维几何信息纳入接收线圈与叉指电极的电磁设计,以补偿由几何形状引起的谐振行为偏移。研究在人体组织等效前臂假人上演示了该工艺,将假人的介电特性融入 RF 优化,实现了接近目标频率(25 MHz)的谐振操作。

11月13日周五
  1. arXiv · 机器人与计算机视觉67

    AVI-HT:面向戴手套手部的自适应视觉 -IMU 融合三维追踪方法

    论文提出 AVI-HT 方法,利用同步的多模态训练数据(穿戴式视觉与 6-DoF IMU)及跨传感器深度注意力机制,实现对重度遮挡下的高精度三维手部姿态追踪。在 DexGloveHOI 数据集上的实验表明,该方法相比基线将平均关键点误差降低 16.1%,腕部对齐变体降低 24.2%,并将手指与物体的接触丢失率减少 8.5%。该工作已接受发表于 NeurIPS 2026。

  2. 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。

  3. arXiv · 机器人与计算机视觉18

    Velostat 与印刷碳传感元件的软薄膜力敏电阻直接墨水书写工艺研究

    基于 Voltera NOVA 平台的参数化直接墨水书写流程,在 PET 和 TPU 基底上实现了含多层 Velostat 及全印刷碳架构的柔性力传感器。实验显示单层至六层 Velostat 器件呈现强非线性响应,最佳线性拟合 R²介于 0.475 至 0.641 之间,且无一致单调关系;八层印刷碳器件主要在 2 N 以下有效工作。

  4. arXiv · 机器人与计算机视觉38

    BiScopeNet:文本引导的手部角色对齐与子动作识别框架

    BiScopeNet 是一种无需修改视觉编码器或语言模型的视频大语言模型增强框架,通过 FocusAlign 模块和 MetaLoss 损失函数实现左/右手角色及操作物体的显式识别。该框架基于 BiScopeCap-100K 数据集在多个视频大语言模型骨干上进行了评估,在子动作检测任务中取得了优于对应监督基线的最强聚合性能。相关研究已获 BMVC 2026 接收,代码与数据许可状态待进一步确认。

11月11日周三
  1. arXiv · 机器人与计算机视觉75

    基于统一框架的手物接触过渡检测与 ContactTransition 数据集

    本文针对第一人称视频中手物接触过渡的检测任务,提出了一个联合建模交互手部与物体的统一框架,直接学习物体感知特征以精确定位接触建立与释放的时刻,无需推理时依赖外部检测器。作者构建了包含 4,021 个视频、共 16,575 次标注的 ContactTransition 数据集,实验表明该方法在两类过渡时刻定位上均优于强基线,且检测结果可作为下游手物推理的有效时间锚点。

  2. arXiv · 机器人与计算机视觉74

    GroundCascade:用于 GUI 定位的选择性二次意见方法

    论文介绍 GroundCascade,一种无需训练即可通过全屏与局部视图预测一致性来决定是否咨询互补模型的控制器。该方法在 ScreenSpot-Pro、OSWorld-G-Refined 和 UI-Vision 等基准上实现了比独立两阶段定位器更高的准确率,并在匹配模型调用预算下显著优于分层随机采样策略。材料为预印本,提供了具体的性能提升数据和 API 链接。

11月10日周二
  1. arXiv · 机器人与计算机视觉10

    基于计算机视觉的苹果幼果自主尺寸测量与生长率追踪研究

    该系统利用手持立体相机对苹果幼果进行分割、聚类及椭圆拟合,实现直径测量与生长率计算。在果园实测中,其预测脱落率的误差较现有卡尺法降低至 3.5% 以内,速度提升 6 倍且大幅减少人工投入。研究还展示了机器人系统采集的田间图像结果,并讨论了迈向完全自主流程所需的后续步骤。

  2. arXiv · 机器人与计算机视觉73

    Grasping the Future:基于互联网视频的联合 3D 手 - 物体未来预测

    本文提出 Grasping-the-Future,这是一个统一的生成模型,用于联合预测手腕、手指关节及物体的三维位置与朝向。通过掩蔽时空补全和流匹配技术,该单一模型可执行多种预测任务:预测未来交互、根据物体运动推断手部运动或反之、生成交互轨迹以达成目标物体姿态,以及补全部分观测到的交互过程。

  3. arXiv · 机器人与计算机视觉45

    SGAC:一种用于低比特手部网络在设备端学习的灵敏度门控累加器缓存方法

    针对部署后需适应用户摄像头的 4-8 比特手部追踪网络,该方法引入灵敏度门控累加器缓存(SGAC),将每权重状态降至 8.1 比特。在 38.3 万参数网络上,其适配后的 4/8 比特网络在两路模拟相机上取得九种低比特部署方案最高平均准确率,且在十二类 ImageNet-C 腐蚀下表现优于 PEQA、ECO 等基线。

  4. arXiv · 机器人与计算机视觉49

    四视角智能手机视频数据集与 LaGSplat 基线模型发布

    该研究发布了由机械臂驱动柔性条带、含四台 iPhone 拍摄及相机位姿的四视角视频数据集,并基于此构建了首个 3D LaGSplat 基线。LaGSplat 以抓具加速度为强制项拟合解码器,在未见视图上渲染出 26 至 33 dB PSNR 的画质,且支持浏览器实时交互演示。相关数据集、检查点及训练代码均已公开。

11月9日周一
  1. arXiv · 机器人与计算机视觉5

    GELS 系统实现内窥镜医疗工具的闭式 6-DoF 位姿估计

    GELS 系统利用紧凑磁强计阵列,无需预校准场图即可通过欧拉齐次关系实现内窥镜医疗工具的内窥导航与亚级偶极子定位。基准实验验证了该闭式 6-DoF 定位流程,求解器中位运行时间为 172.00 微秒。扰动分析指出传感器不一致性与偶极模型失配是主要精度限制因素。

  2. arXiv · 机器人与计算机视觉82

    PoseRieFlow:面向全身文本到姿态生成的黎曼流匹配方法

    作者提出了 PoseRieFlow 框架,用于条件生成全身 3D 人体姿态。该方法直接在 SMPL-H 关节旋转的乘积流形上构建生成模型,利用黎曼测地线将样本从各向同性高斯先验传输至数据分布。

    推荐理由:该工作提出基于黎曼流匹配的紧凑框架,在保持手部细节的同时实现了全身姿态生成中最低的关节运动学误差。

  3. arXiv · 机器人与计算机视觉72

    HaNDF:面向手物交互的对象条件几何神经距离场模型

    论文 HaNDF 提出一种对象条件的几何神经距离场,作为建模手在物体上可行构型的数据驱动先验。该方法利用黎曼几何工具表示零水平集上的合理手部姿态并投影给定姿态,同时可优化确定交互对象。评估显示该模型适用于姿态细化、遮挡重建及物理合理的操作合成任务。

11月6日周五
  1. arXiv · 机器人与计算机视觉80

    FAH:一种在像素、交互与世界空间中快速准确的手部估计方法

    论文提出 FAH(Fast and Accurate Hand Estimation)模型族,基于 SAM 3D Body 手部分支通过微调与特征蒸馏构建。该模型直接预测对应的 2D 和 3D 关节及表面点,拟合 MANO 或 MHR-Hand 网格,并可选估计解剖部位与接触信息(无需物体几何)。

    推荐理由:提出 FAH 模型族,通过直接预测 3D 关节与因果细化提升手部估计精度与世界空间追踪能力。

11月3日周二
  1. arXiv · 机器人与计算机视觉36

    DuoGesture:基于运动 grounding 与生物力学节拍先验的伴语手势生成方法

    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。

  2. arXiv · 机器人与计算机视觉48

    AnchorHEC:无标记手腕与固定相机手眼标定框架

    AnchorHEC 提出一种仅需 RGB 图像、正向运动学及内参的无标记手眼标定框架,通过共享三维基础模型重建初始化双相机并约束手腕束调整。仿真实验显示,相比基于重建的基线方法,该框架在三种骨干网络下平均将平移与旋转误差分别降低 86.4% 和 71.6%,且已在物理机器人上完成验证。

11月2日周一
  1. arXiv · 机器人与计算机视觉72

    HOPE:基于单目视频的徒手 - 物体压力估计框架

    论文提出 HOPE 框架,解决单目视频中动态徒手 - 物体交互的压力估计难题。该方法将触觉手套、平面传感器及距离接触标注统一至手部顶点空间,利用无标签数据正则化学习;引入顶点锚定视频 Transformer 聚合时序特征,并通过接触门控机制抑制低概率区域预测。在 OpenTouch 等基准上验证了其在物体压力、表面压力及接触监督设置下的泛化能力,能输出超越纯接触或平面压力的联合结果。

  2. arXiv · 机器人与计算机视觉57

    EgoHSI3R:基于第一人称视频的在线 4D 手 - 场景交互重建

    arXiv 论文 EgoHSI3R 提出一种统一的前馈框架,用于从单目第一人称视频中在线重建 4D 手 - 场景交互。该方法通过循环场景表示维持共享世界空间与尺度,结合手部中心提示融合预训练先验与局部场景上下文,利用 MANO 顶点查询预测密集接触点。

10月30日周五
  1. Hugging Face Daily Papers78

    EditAgent:重新思考代理式图像编辑

    针对现有代理式图像编辑器在步骤失败时重试工具单一、人工评分不可靠的问题,本文提出 EditAgent 框架。该框架将每个步骤路由至通用编辑器与专用方法,并为候选结果附加验证记录,利用现成视觉语言模型(VLM)进行列表级并行评测。实验显示,该方法在专家标注基准上显著优于微调奖励模型,且能以不超过一半的调用次数完成决策。

    推荐理由:该文提出 EditAgent,通过路由策略与验证记录解决通用编辑器失败率高及评测不可靠问题。

10月28日周三
  1. arXiv · 机器人与计算机视觉42

    基于视觉触觉传感器的主动采样策略在硬度分类任务中表现优异

    该研究利用信息论不确定性度量,评估了三种概率分类器与两种主动采样策略在机器人采集的视觉触觉传感器数据集上的硬度分类性能。结果显示,由方差和熵驱动的主动采样方法准确率达 90%,显著优于人类研究的 48% 基准及随机采样基线。论文已获 IEEE-RAS Humanoids 2026 会议接收,项目页面与代码信息可进一步查阅。

  2. arXiv · 机器人与计算机视觉58

    利用分布式传感与高维计算进行非视距被动物体感知

    针对智能工厂中机器人视野外的潜在冲突检测问题,本文提出一种仅依赖通信基础设施的分布式信道测量框架,结合高维计算实现无需显式重建信道的风险感知分类。数值仿真与 ROS 验证显示,该方法在严重遮挡场景下准确率最高达 89%,同时保持低计算复杂度。材料为预印本论文,尚未被会议正式接收或开源代码发布。

10月27日周二
  1. arXiv · 机器人与计算机视觉72

    StableHand:面向眼动视频的质控双手运动估计方法

    论文提出 StableHand 框架,针对眼动视频中双手频繁出画及物体遮挡导致的观测噪声问题,将单帧观测质量分解为手腕平移与手指关节四个通道信号,并以此条件化流匹配过程。该方法在 HOT3D 和 ARCTIC 两个基准上均优于最强基线,尤其在严重遮挡序列中 W-MPJPE 降低 20-25%。材料为 NeurIPS 2026 录用论文,未涉及真实机器人部署结果。

  2. arXiv · 机器人与计算机视觉42

    物理 AI:带多约束的航空光电云台复合扰动分离与预测控制研究

    该研究提出一种结合自适应周期观测器与有界 LSTM 网络的模型预测控制(MPC)方案,用于解决航空光电云台在载体振动、输入延迟及执行器约束下的指向稳定难题。实验搭建无人机双轴云台平台进行室内悬停对比测试,结果显示该方法将俯仰和偏航相对角度均方根误差分别降至 0.350 度和 0.770 度,较线性主动扰动抑制控制降低跟踪误差 45.9% 和 25.1%。

10月26日周一
  1. arXiv · 机器人与计算机视觉49

    StackGen3D:基于多视图轮廓生成稳定三维积木堆叠框架

    StackGen3D 框架通过物理感知图神经网络预测支撑关系,结合条件流匹配模型与轻量几何优化,从给定库存和正交轮廓生成稳定结构。最佳十选策略将物理稳定性由 45.3% 提升至 72.4%,同时实现 0.970 的轮廓 IoU。该工作展示了结合关系物理推理、可扩展数据策展与条件生成建模在创意三维组装中的潜力,相关海报已在 IROS 2026 会议公开展示。

10月23日周五