跳到正文
11月9日周一
  1. arXiv · 机器人与计算机视觉78

    HiMEM:面向三维场景的视觉语言动作模型的类海马体记忆巩固、剪枝与组合方法

    针对视觉语言动作(VLA)模型在复杂三维场景中执行长程任务时面临的记忆噪声问题,该研究提出了一种受海马体启发的记忆机制。该方法首先通过语义整合将大量情景经验压缩为关键语义记忆;其次利用剪枝机制移除被语义记忆覆盖的冗余情景记忆以释放容量;最后通过灵活的记忆组合增强跨场景泛化能力。

    推荐理由:该工作提出海马体启发的记忆机制,通过语义整合与冗余剪枝提升 VLA 模型在复杂三维场景中的长程任务成功率。

  2. arXiv · 机器人与计算机视觉84

    迈向代理具身智能时代:A2-MEAS 框架发布

    论文介绍了 A2-MEAS 具身多智能体框架及 A2-WLA 动作模型,利用代码作为扩展接口结合 MetaBrain 进行训练监督与运行时引导。在 BEHAVIOR 2026 基准上 Q-score 达 0.5755-0.6411,RoboTwin 2.0 平均成功率超 93%,真实机器人长程任务失败后恢复率从 8% 提升至 82%,训练吞吐量提升 4 倍。

    推荐理由:该框架通过代码接口与冻结权重的自适应设计,在仿真与真实机器人任务中均实现了显著的性能提升。

  3. arXiv · 机器人与计算机视觉5

    Safe Circumnavigation on Heterogeneous Orbits:一种仅基于距离的 HOCBF-QP 非完整多智能体安全绕行框架

    该研究提出了一种针对异质轨道半径的多机器人团队的安全控制框架,仅需测量与目标的距离即可同时满足 standoff 距离、队形保持及避障约束。仿真对比显示,相比依赖全状态信息的现有设计,该方法在违反目标安全距离和机器人间距方面表现更优且无需改动标称控制器。

  4. arXiv · 机器人与计算机视觉74

    当何时信任 BIM:基于可识别性的 LiDAR-惯性-BIM 融合研究

    论文提出一种可识别性感知方法,用于解决建筑信息模型(BIM)与激光雷达里程计在定位中的冲突问题。该方法将归因问题形式化为三类故障的识别任务,并推导几何判据:仅在观测能唯一区分姿态误差、施工偏差或未知物体时进行归因;否则保留候选解并暂缓更新。

  5. arXiv · 机器人与计算机视觉78

    LEF-JEPA:用于空间表征学习的去噪训练潜在能量场

    针对联合嵌入预测架构(JEPA)难以清晰捕捉物体形状与边界的局限,本文提出 LEF-JEPA 方法。该方法通过目标引导的潜在恢复学习空间结构,并利用相对能量约束将监督转移至视觉编码器;能量模块仅在预训练阶段使用,推理时无额外开销。

    推荐理由:提出 LEF-JEPA,通过目标引导的潜在恢复与相对能量约束增强空间结构,在 CIFAR-10 预训练及冻结编码器评估中优于 V-JEPA2.1。

  6. arXiv · 机器人与计算机视觉63

    Wellness Robots and the Path to Full Autonomy

    该论文引入‘健康护理机器人’作为社会辅助系统的独立类别,并基于 SAE J3016 标准提出六级‘护理机器人自主性量表(CRAS)’。研究以 Ryan 机器人为案例,引用 NIH/NIA 资助的纵向数据(N=18, 887小时),显示其在认知功能(SLUMS +2.61)和抑郁症状缓解方面具有统计学显著性或临床意义,且无新奇效应。

  7. arXiv · 机器人与计算机视觉65

    MotionCore:一种用于视频生成的潜空间神经模拟器(含刚体动力学)

    MotionCore 是一个通过学习偏微分方程求解器来掌握刚体动力学的框架,旨在解决视频生成模型中视觉逼真但物理运动不一致的问题。该框架利用潜空间神经模拟器预测物体级物理状态的演化,并将其转换为与空间对齐的潜在控制信号以驱动扩散模型生成视频。

  8. arXiv · 机器人与计算机视觉53

    FATHOM:面向稀疏标记 AUV 跟踪的世界模型引导扩散动作轨迹选择

    针对非线性动力学与退化水下视觉条件下的相对跟踪难题,本文提出 FATHOM 框架。该框架整合结构化标记观测、惯性测量及历史动作,利用多模态任务监督的递归状态空间模型构建预测跟踪信念;通过扩散动作先验生成多条专家级推进器轨迹,并基于学习到的潜在动力学预测未来后果;最终在显式移动视界目标下选择最优候选方案。

  9. arXiv · 机器人与计算机视觉49

    GeoJeV:免训练统一空间概率实现超高分辨率遥感高效证据采集

    GeoJeV 提出一种免训练方法,将遥感图像证据采集转化为由空间概率驱动的决策过程。该方法在 LRS-GRO、MME-RealWorld-RS 和 LRS-VQA 基准上分别达到 60.59%、52.79% 和 34.32% 的准确率,使 Qwen3-VL-8B 平均准确率提升 5.32pp。相比近期方法,GeoJeV 推理速度提升 7.8 倍,每问仅增加 1.12 秒耗时。

  10. arXiv · 机器人与计算机视觉38

    Align3D:基于可观测性感知的图像 - 结构协同对齐三维场景生成

    Align3D 是一个条件扩散模型,能根据单张输入照片生成既忠实于图像又符合物理规律的室内三维布局。该模型在 3D-FRONT 数据集上优于近期基线,通过置信度校准的场景图与可观测性感知引导,实现单次前向传播即可映射未见过的照片至布局。

  11. arXiv · 机器人与计算机视觉45

    Federated training performs as well as centralized for 3D Latent Diffusion for Diagnosis-Conditioned Brain MRI Synthesis

    联邦学习在诊断条件脑 MRI 合成任务中,其生成的三维潜在模型性能与集中式训练相当。研究验证了条件保真度、多样性及真实感三项指标,证明在不共享数据的前提下开发多站点生成模型是可行路径。该工作为理解脑部状况及丰富稀缺神经影像数据提供了新的方法支持。

  12. arXiv · 机器人与计算机视觉48

    JEPAhead:从补全到因果预测的城市驾驶感知研究

    该研究通过微调预训练 V-JEPA1 预测器,在冻结编码器的条件下实现了无需动作的因果预测。在 CARLA Town12 场景中,模型以单前向传播检索未来 8 组 token(对应 16 帧),正确率高达 69.0%,优于 55.3% 的持续性基线及参数量少六倍的从头训练模型。语义分析显示固定线性探针在发生语义变化的图像块上达到 0.16 mIoU,证实了预测特征包含驾驶相关信息。

  13. arXiv · 机器人与计算机视觉58

    视觉语言模型中的潜在学习:无关数据如何影响偏好与解释

    该研究调查了潜在学习在视觉语言模型(VLM)中的发生情况。研究人员微调教师 VLM 以产生特定动物或面部属性的偏好,并利用其生成的数字对无关的几何形状任务进行学生模型的微调。实验发现,这种偏好能跨 2B 至 7B 参数的模型传递,且学生模型在训练数据中表现出与教师相似的用词习惯。该研究结果对于理解 VLM 的训练影响及无关数据的潜在副作用具有重要意义。

11月8日周日
  1. Hugging Face Daily Papers68

    On-Policy Distillation 能容忍多少训练 - 推理失配?

    该研究调查了在策略蒸馏中,因量化和异步生成导致的训练 - 推理失配对模型质量的影响。实验表明 OPD 对一定程度的失配具有鲁棒性,但超过阈值会退化;部分层对低精度更敏感。作者提出了轻量准入检查以筛选配置,并给出了 FP8 配方,在保持质量的同时显著提升了 KV-cache 容量和训练速度。代码已开源。

  2. Hugging Face Daily Papers78

    Spatial Harness:基于物理引擎的可执行世界状态实现空间推理落地

    Spatial Harness 提出将场景表示为显式的可执行世界状态,以物理引擎反馈为基础进行空间推理。系统通过 Perceiver 整合问题约束与视觉估计确定物体和相机坐标,并在物理引擎中实例化状态,由 Reasoner 执行视角变换并引导推理。

    推荐理由:该工作将场景表示为可执行的物理状态,利用物理引擎反馈来校准视觉语言模型的推理过程。

11月7日周六
  1. Hugging Face Daily Papers59

    Horizon-Scalable Q-Learning:一种解决长视界离线强化学习误差累积的新方法

    论文提出 Horizon-Scalable Q-Learning (HQL),旨在解决离线数据集中任务视界增长导致的价值函数估计困难问题。该方法通过自动平衡单步和多步回报,仅在目标值不低于 BC 策略采样动作时扩展目标,从而避免偏差并兼容流与扩散策略。实验表明 HQL 在组合锁任务和长视界基准上优于现有方法。

  2. Hugging Face Daily Papers73

    SwarmEvolve:基于潜空间智能体群落的进化发现与优化框架

    论文提出 SwarmEvolve 框架,通过数百个低成本智能体在潜空间内不解码为文本进行推理,并利用 KV Cache 共享信息以加速程序搜索。该框架引入新颖性过滤器和自然交叉机制,在数学发现和科学计算等 21 个问题上达到最优解所需时间仅为其他先进框架的数分钟,且部分问题优于 AlphaEvolve 使用前沿大模型找到的方案。

11月6日周五
  1. 智东西 · 机器人82

    英伟达发布VFlash视觉规划框架,机器人推理提速12倍

    英伟达发布了面向快速精准视觉规划的通用解码框架VFlash。该框架利用视觉信息的几何结构,通过并行预测完整空间信息替代传统逐Token生成,在三维点运动预测任务中单次生成速度提升约25倍,动作解码最高加速12倍、整体机器人推理加速5.1倍。

    推荐理由:英伟达推出VFlash并行解码框架,将机器人推理加速5倍、动作解码提速12倍,并提升任务成功率。

  2. 上海人工智能实验室 · 科研动态77

    上海AI实验室发布书生·天枢自主实验室操作系统

    上海AI实验室发布书生·天枢(Intern·LabOS)分布式自主实验室网络操作系统,旨在组织各地实验室协同开展湿实验。该系统以SCP-Lab为统一接口,借助书生物理世界模型W0驱动机器人完成操作,打通异构设备自主执行与数据回传链路。材料描述的是系统架构与功能验证,未报告真实药物上市或大规模商业化部署结果。

    推荐理由:原文给出了科研操作系统与物理世界模型的协同设置及开放入口,相关团队可据此判断它是否适合现有实验流程。

  3. arXiv · 机器人与计算机视觉48

    Multimodal Graph RAG 如何突破长文档视觉理解局限

    针对多模态大模型在长文档中上下文受限且难以进行全局视觉问答的问题,该研究提出基于知识图的多模态检索增强生成方法。作者构建了包含参考摘要与支持事实的新基准 DLVQA,实验表明该方法在多跳问答及新基准上均优于现有 MMRAG 或知识图方案。论文已提交至 WACV 2027,代码与数据许可状态需查阅原文。

  4. arXiv · 机器人与计算机视觉68

    Khora:一种支持推理时任意数量智能体扩展的种群可扩展多智能体世界模型

    论文提出 Khora 框架,解决现有方法在固定智能体数量下训练的局限性。该架构将世界状态演化与视觉渲染解耦,通过统一渲染接口查询智能体特定观测,实现跨视角一致性且无需重训练即可支持推理时任意数量的智能体扩展。定性实验显示该方法能泛化到未见过的智能体数量并保持视觉质量与多智能体一致性,并实现了实时交互式开放世界仿真系统。

  5. arXiv · 机器人与计算机视觉70

    TraceViT:面向视觉抽象推理的 grounded trace 监督方法

    针对传统训练仅约束最终输出而忽略中间迭代的问题,论文提出 TraceViT 模型,利用程序化任务实现重写验证生成的语义单调变换链对视觉推理过程进行监督。该方法结合少样本演示推导的任务参考与对象工作区对每轮迭代进行 grounding,并通过软对齐允许模型自由分配迭代次数。

  6. arXiv · 机器人与计算机视觉43

    WorldAct:将静态生成式 3D 世界转化为可交互对象中心场景的框架

    WorldAct 是一个利用多模态智能体引导场景分解、识别可操作物体并重建几何对齐网格的框架,能将 Marble 等系统的静态单体资产转化为支持对象级编辑和碰撞感知操作的场景。实验表明该框架在保持全局场景一致性的同时实现了更丰富的交互情景,为构建可编辑且具备物理交互能力的 3D 世界模型提供了实用路径。

  7. arXiv · 机器人与计算机视觉75

    HiddenObjects:基于扩散模型的物体放置可缩放空间先验提取

    论文提出通过从文本条件扩散模型蒸馏知识来学习自然场景中物体的显式类条件化空间先验,以解决现有方法依赖稀疏标注或引入伪影的问题。作者构建了 HiddenObjects 数据集,包含跨越 2.7 万场景和物体类别的 2700 万个边界框标注(其中 200 万个为正样本)。

  8. arXiv · 机器人与计算机视觉72

    VTAM:无需触觉预训练的接触丰富操作高效视觉 - 触觉世界动作模型

    VTAM 是一种针对接触丰富操作的视觉 - 触觉世界动作模型,无需触觉或动作预训练即可工作。该模型共享冻结的视频 VAE 和预训练视频 Transformer 权重,先适配以联合预测未来视觉与触觉潜变量,再端到端微调以预测动作、本体状态及基于触觉光流计算的轻量力流代理。