AnchorFlow-VIO:LaMAria 平台上的固定模板单目视觉惯性里程计开源评测
AnchorFlow-VIO 是一个基于 Basalt 的开源单目视觉惯性里程计系统,在 LaMAria 平台上采用统一配置进行评测。该系统利用灰度相机与 IMU,结合工厂 IMU 校正、固定时序调整及固定模板补丁跟踪技术。
AnchorFlow-VIO 是一个基于 Basalt 的开源单目视觉惯性里程计系统,在 LaMAria 平台上采用统一配置进行评测。该系统利用灰度相机与 IMU,结合工厂 IMU 校正、固定时序调整及固定模板补丁跟踪技术。
针对人形机器人手臂技能复用难题,论文提出HS-MoDP模型,利用共享专家池和语义调度器实现多臂技能组合与位置迁移。开发G1Exo外骨骼提供关节级直接控制,相比末端VR-IK遥操更可靠,使整机柜工作流成功率从35%提升至65%,并在四种策略架构上提升接触技能学习效果。项目硬件设计与源代码将在评审后开源。
本文介绍了一种针对水下结构的完整 GPU 驻留多机器人三维检测流水线。给定三角网格和携带短距窄视场相机的 K 个机器人,该流程计算六自由度轨迹以覆盖目标表面比例并最小化总成本。
推荐理由:作者提出了一套完整的 GPU 驻留多机器人水下结构三维检测流程,包含可见性计算与路径规划等核心模块的 CUDA 实现。
PnP-Transformer 作为无迭代、可微分的神经求解器,在七个核心 BOP 基准数据集上实现 41.2% 平均 AR 分数且延迟仅 0.46 秒/物体。
该工作推出新型开源工具包,用于基于数据效用、图像质量和身份保护指标评估面部去标识化技术。框架涵盖预处理、去标识化及性能评估全流程,支持多种数据集以统一隐私增强技术的未来研究基准。实施代码已公开,相关工作曾作为海报展示于 IEEE BIP 2024 会议。
AVTime-50K 是一个包含长视频的高分辨率数据集,其配套模型采用新型双向时序 - 语义对齐(BiTSA)奖励机制优化。研究还推出了 AVTime-Bench 基准,专门用于双向评估事件语义正确性与时间准确性。代码、模型及数据已在官方链接开源,旨在解决现有方法依赖清单式强化学习且缺乏统一评测的局限。
论文提出 Vision-Language-Delta-Action (VLDA) 范式,旨在解决现有视觉语言动作模型直接学习观测到动作映射的学习负担过重问题。该方法通过引入紧凑的 Delta 变量作为世界状态变化的接口,利用局部过渡滤波器抑制静态重建偏差,并结合全局过渡锚点与动作流形引导进行优化。
推荐理由:VLDA 提出用紧凑的 Delta 变量替代直接动作预测,通过 LoongForge 框架验证了其在长程一致性与泛化上的优势。
该论文介绍 UniJev 框架,通过共享头在文本、图像和视频上进行联合监督训练。研究发现监督决策模型能提升所有模态的准确率,而现有强化学习校准算法对视觉校准效果不一致且改变不大。
推荐理由:提出 UniJev 框架与 Cora 方法,在联合训练中分离准确率校准并降低图像视频 ECE。
SlimFormer++ 通过选择性混合与窗口化 Mamba 混合策略,在八项公共 CT、MRI 及超声数据集(共 1,809 例)上实现最高平均 Dice 系数 87.84%。该模型参数量仅 598 万,较基线减少 39%-75%,同时 HD95 误差增加小于 0.4 个百分点。源代码已公开于 arXiv (arXiv:2610.25488),支持计算机视觉领域的体积分割任务。
论文提出了 CusADi2 软件库,旨在通过并行化每个批次实例内部的计算来降低机器人动力学函数评估的延迟。
AeroDASH 提出一种异步 VLA 框架,通过 B-spline 策略初始化与执行感知 GRPO 优化,解决车载推理延迟导致的轨迹失配问题。在 UAV-Flow 测试集上,该模型成功率达 76.56%,分别比 OpenVLA-UAV 和去除了 GRPO 的基线高出 38.1 和 20.1 个百分点。实验表明其在保持运动的同时有效降低了加速度与加加速度波动,代码将在论文接收后开源。
论文提出了 GOFusion 系统,这是一种用于自主机器人导航的实时视觉建图方法。该系统将高斯原素锚定到局部占用图上,既提供路径规划所需的空间感知能力,又具备支持信息驱动导航的高保真外观特征。
论文提出 SocialCoAct-Agent 框架,将人形机器人的自中心社会协同行动建模为端到端智能体任务,实现从视觉观测与对话历史到言语响应及原子动作序列的生成、对齐与执行。
该系统专为弦乐四重奏 PDF 乐谱设计,采用 SegNet 分割模型定位区域并结合卷积神经网络提取音符、时值及变音记号。通过动态规划处理节拍约束与连音,在基准数据集上实现了鲁棒的音高与时序识别精度。代码与数据已公开,论文为 ISMIR 2025 晚场演示扩展摘要。
ContactBench 1.0 通过 36 个参考任务和 40+ 物体资产,建立可复现的日常接触丰富机器人操作评估框架。该基准开源了支持消费级 3D 打印的几何与接触行为资产及可调阻力仿真模型。评测显示,现有纯视觉策略难以感知接触事件,而视觉 - 触觉策略性能提升有限。
arXiv 论文 BodyBridge 针对仿真视频中行人和骑行者(VRU)缺乏姿态与身份细节的问题,提出一种结合场景几何、像素级身体对应及精确 VRU 掩码的表示方法。该方法在 CARLA 到真实视频的翻译任务中,将近距离 [email protected] 提升 22%,并将身体翻转错误减少 18%。所有代码、数据与模型检查点将公开以支持可复现研究。
PrismPlan 构建了一个共享的 GPU 底层设施,为采样、搜索和优化三种运动规划范式提供统一的碰撞检测与正向运动学代码,从而在固定后端的前提下直接对比不同算法性能。研究在 Panda 和双臂复合机器人上运行了 1800 个 MotionBenchMaker 问题,结果显示采样法(pRRTC)可靠性最高达 98%,并行搜索法(wPA*SE)延迟更低,而优化器从头求解表现落后。代码已开源。
该论文介绍 DUET 框架,通过仅在机器人接口处结合指令,使下肢运动控制器(基于强化学习)与上肢操作控制器独立运行。实验在宇树 G1 硬件上验证了该方法,展示了与 GR00T N1.7 和 pi0.5 两个不同模型配对的兼容性。
推荐理由:该研究提出 DUET 框架,实现下肢运动与上肢操作的解耦控制,支持在不重新训练平衡策略的情况下更换视觉语言动作模型。
论文提出了 DeOverlay,一种基于源潜空间的流模型,用于恢复被字幕、标题和标志遮挡的视频场景。该方法利用区域加权的流匹配训练共享速度网络,并通过可见性归一化的时间聚合选择局部源线索,辅以全局上下文条件,在保持单一视频令牌序列的同时进行连续修正。
谷歌开源了名为 Harness² 的框架,旨在解决递归自我改进(RSI)在真实开放世界中缺乏标准答案和过度拟合的问题。该系统采用双层递归架构:任务级递归通过提议 - 探测 - 合成机制在无裁判环境下进行行为对比以修补缺陷;改进级递归则将调试记录沉淀为元能力存入经验库,供后续任务检索复用。
推荐理由:谷歌开源 Harness²,通过双层递归架构实现 Agent 在运行中的自我修补与经验沉淀,显著提升了多基准任务表现。
NVIDIA Isaac Lab 3.0 正式向公众发布,确立了下一代机器人学习的基准。该版本引入工厂式多后端架构,允许任务在 Newton、PhysX 等物理引擎及不同渲染器间切换而无需重写逻辑;提供 Warp 原生数据路径实现零拷贝访问;并支持 Kit-less 执行模式以简化部署流程。
推荐理由:NVIDIA Isaac Lab 3.0 正式发布,提供跨物理引擎与渲染器的统一任务接口及零拷贝数据路径。
论文介绍 ReTrace 评估框架,通过受控错误注入与目标导向的动作回放,研究计算机操作代理的模型化恢复能力。研究发现当前代理无法利用其潜在的恢复能力,而准确的模型恢复可带来端到端性能提升。代码与数据集已开源。
NVIDIA CUDA Tile (cuTile) 作为基于 Python 的 DSL,利用高级硬件能力自动优化 tile 级 GPU 编程以交付峰值性能。该模型通过抽象线程和 warp 级调度,使开发者能用 Python 编写 GPU 内核并享受编译器自动优化带来的加速效果。
哈佛大学、英伟达及多所顶尖高校团队推出开源框架RAX(Robot Agent eXploration),旨在扩大机器人自主探索规模。该架构允许通用编码智能体在真实或仿真环境中,无需人工遥操作或动作示范,直接通过感知与控制接口与机器人交互,将有效经验转化为可执行程序。
论文提出 RoboHarness 框架,为 LLM 智能体提供视觉几何控制面板以直接理解和调用具身任务。实验显示,结合该框架的 Qwen3.8-Flash-Next 在 BEHAVIOR Challenge 2025 任务上超越了最先进 VLA 模型。代码已开源。
GroundAnything 是一个 40 亿参数的视觉定位基础模型,通过块级去噪实现并行解码,解决了自回归生成带来的延迟问题。该模型在公共数据集和专用引擎上进行预训练,结合自回归到扩散的转换及强化学习后训练。
针对现有视觉惯性 SLAM 受限于窄视场导致在复杂场景漂移的问题,作者构建了覆盖不同光照、高度及轨迹长度的全景视觉惯性数据集 PanoAir,并提出利用全向视场的特征提取与回环检测框架。实验表明该方法在自建数据集及公开基准上均表现优异,完成全部 17 个序列且无跟踪失败,绝对轨迹误差较最佳基线降低最高达 47.1%,并在嵌入式平台上验证了工程可行性。代码与数据已开源。
本文研究语言监督是否能比像素空间损失提供更丰富的训练信号以进行端到端视觉生成。作者提出 LILIE(Language-Informed and Lossless Image Encoder),这是一种可逆图像变换,通过与视觉 - 语言模型联合训练的归一化流 Transformer 实现,使得视觉 - 语言模型能从噪声特征中恢复描述。
该论文提出将 FOUND-IT 几何与语义基础模型集成至移动操作平台,以构建实时、任务驱动的开放集 3D 场景图。通过严格的在机实验评估了该系统在物体变化检测、多会话建图、可导航路径确定及直接抓取支持等任务中的有效性。材料指出尽管传统机器人建图技术已有广泛演示,但将此类新型空间记忆整合到完整自主性管道仍需基础与系统层面的突破。代码已开源于 GitHub。
针对动态环境下单目同时定位与建图(SLAM)的挑战,本文提出 FLoTS-SLAM 系统。该方法通过计算光流与相机运动诱导的光流之间的残差来直接估计动态区域的不确定性,结合帧对齐精度减少误检。
推荐理由:提出基于光流残差直接估计动态区域的方法,在 DAVIS 数据集上动态掩码 IoU 提升 35%,显著降低姿态与深度重建误差。
FloodVLM-Pix 提出首个包含 13.1 万图像块和 44.3 万文本描述的洪水多模态基准,通过洪水先验模块消除注意力偏差并解决云层干扰。该语言引导像素级理解模型在描述质量与分割性能上均优于现有视觉语言模型及分割模型。代码与数据将按原文链接发布。
针对开源图文生成模型在处理密集文本和复杂版式上的不足,该研究提出了 MOSS-Image 系统。该系统通过从头预训练的 5B 参数单流扩散 Transformer(DiT)实现了双语长文本渲染与精确的版式控制,并开发了意图感知代理提示增强模块以将用户请求转化为详细的内容与布局规范。
推荐理由:开源图文生成系统 MOSS-Image 在长文本渲染与复杂布局控制上达到开源模型最优,并同步开放训练配方与评测基准。
FlashReFocus 是一种交互式图像重聚焦方法,旨在解决现有生成式方法每次编辑都需重新运行大型扩散模型的效率问题。该方法对每张照片仅运行一次扩散模型恢复全焦图像,后续所有编辑均由轻量网络渲染。
针对 VLA 模型在多任务环境中技能整合困难的问题,该研究提出 NestedVLA 框架,利用嵌套超网络根据目标任务合成自适应的动作专家参数,并与冻结的基础 VLA 组合,同时保留特定任务的压缩 VLM 残差。
推荐理由:提出 NestedVLA 框架,通过超网络生成任务自适应参数实现技能合并,在 MetaWorld、ManiSkill 和 CALVIN 基准上表现优于模型合并基线。
BRICE 是一种基于预测编码基础模型的点云补全模块,通过引入深层反馈回路模拟大脑 V1 区生成幻象轮廓以“想象”缺失部分。该方法可无缝集成至 MVP2K、PCN 及 PlantPCom 等主流基线,在多种 3D 数据集上均提升了补全效果。项目代码已公开,相关论文为 arXiv 预印本状态。
针对草莓果柄细小且易损的采摘难题,作者提出一种视觉运动模仿学习流程,通过收集人类遥操作演示训练基于 Transformer 的动作分块策略,并在 Jetson AGX Orin 边缘平台上实现 15Hz 自主部署。该策略在 130 次演示上实现了从 2.84 到 0.091 的损失收敛。作者已开源数据集、模型权重及完整代码配置供农业机器人社区复现。
论文介绍 RAX(Robot Agent eXploration)开源框架,旨在通过在线探索扩展机器人智能体能力。该框架利用通用代码生成智能体编写控制代码,无需动作演示数据或人工设计的动作基元。研究在仿真和真实机器人上验证了其在单臂、双手、灵巧操作及人形系统上的表现,结果显示在未见环境中泛化性能随探索规模提升,且自主学习能力优于现有基线模型。
推荐理由:RAX 框架通过在线探索与代码生成实现无演示数据训练,在仿真与真机上均优于基线模型并涌现出主动感知等能力。
Rubric-based reinforcement learning 在训练中常因奖励失效导致分数坍塌或虚假高分。本文提出 HarnessRL,通过任务采样、回滚引导和评分标准三个接口与策略共同演化,利用训练时记忆检索历史证据来归因失败并驱动更新。
VAST 正式发布并开源实时世界模型 EdenLive,首次实现在实时生成前提下同时完成任意参考输入、任意画风生成和长时连续运行。在单张 Nvidia RTX 5090 消费级显卡上,720P 条件下 5B 模型生成速度超过 24FPS,端到端延迟为百毫秒级,支持分钟级画面持续生成。
推荐理由:VAST 正式发布并开源实时世界模型 EdenLive,支持在消费级显卡上实现分钟级连续生成与交互渲染。
清华大学THUNLP实验室联合面壁智能、OpenBMB等团队推出开源智能体操作系统PilotDeck 2.0。该系统以WorkSpace为基本单位实现项目隔离与白盒化记忆管理,支持后台常驻执行及原生MCP协议。