跳到正文
11月2日周一
  1. arXiv · 机器人与计算机视觉83

    SimuGuard:修复仿真基准中的接触伪影以提升机器人策略评估准确性

    针对仿真基准中因物理引擎几何算法缺陷导致的虚假失败(如物体被弹出),作者开发了 SimuGuard 审计插件,在不改变评估流程的前提下自动标记并修复此类伪影。在 RoboTwin 平台上测试显示,修复后容器任务成功率从 89% 升至 98%,建议 PhysX 5.3.1 及更早版本的基准重新运行或报告修正后的成功率范围。

    推荐理由:作者发现仿真基准因几何算法缺陷导致虚假失败,提出 SimuGuard 插件修复该问题并验证了成功率提升。

  2. arXiv · 机器人与计算机视觉78

    SketchMate:基于代理几何推理的零样本精密插入方法

    针对现有基于视觉语言模型的机器人操作输出过于粗糙无法完成精密插入的问题,该方法提出让 VLM 构建仅包含几何原点和配合面的任务草图模型,由标准规划器执行并复用记忆。在仿真测试中,该方法在 69 次插入尝试中成功装配了 88% 的零件,而同等基线方法成功率为零;通过重用存储的草图运行,新任务的单次生成时间从约 90 秒降至 3.4 秒,且仅在遇到不熟悉的零件时才调用 VLM。

    推荐理由:该方法利用 VLM 构建任务草图记忆,在仿真中实现零样本高精度插入,显著降低对大模型的调用频率并提升成功率。

  3. arXiv · 机器人与计算机视觉58

    WorkIng:面向自动驾驶的高速公路施工区真实与仿真基准数据集

    作者发布了 WorkIng 基准数据集,包含覆盖 32 公里的真实世界高速施工区数据(12000+ 标注帧、227399 个跟踪 3D 边界框)及基于 CARLA 的仿真场景。研究证实真实数据仍是性能主要驱动因素,而分层合成增强能提升感知与规划架构的表现。

  4. arXiv · 机器人与计算机视觉82

    Hourglass:耦合无本体世界模型与可微本体重心动力学的跨具身运动规划

    该论文提出 Hourglass 架构以解决跨具身运动规划难题,通过解耦通用的无本体世界模型与各机器人的可微本体动力学接口,实现数据池化与参数识别。在七种仿真机器人上,该方法成功率提升 3.8-10.6 个百分点且无需专用训练即可匹配专家策略;经三分钟遥操作标定后,零样本迁移至未见的真实滑移转向机器人并在室内场景导航成功。材料为 arXiv 预印本,未提及同行评审状态或具体开源代码仓库。

    推荐理由:提出 Hourglass 架构,通过解耦通用世界模型与可微本体动力学实现跨机器人运动规划,在仿真中优于基线并支持零样本迁移至真实机器人。

  5. arXiv · 机器人与计算机视觉78

    TinyAstral:将自进化 Harness 迁移至小型通用操作智能体

    论文 TinyAstral 提出一种两阶段方法,通过递归自我改进(RSI)优化大教师模型的 harness,随后蒸馏出仅 4B 参数的小型学生模型以替代原教师。

    推荐理由:提出两阶段方法将大模型的 harness 进化能力迁移至小参数学生模型,在 RoboTwin 上显著降低算力成本并提升成功率。

  6. arXiv · 机器人与计算机视觉38

    FlowMoDE:基于粗到细流匹配的单体深度估计模型实现仿真到现实泛化

    FlowMoDE 提出一种基于粗到细流匹配框架,在仅用单一合成室内数据集训练下,于五个真实室内外数据集上相对误差降低 14.1%、点云重建 Chamfer 距离减少 9.9%,且支持仿真到现实泛化。该工作解决了多步采样效率低与单步模型细节恢复难的矛盾,已在 arXiv 提交待审并开源项目页面。

  7. arXiv · 机器人与计算机视觉65

    Veloxity:基于 Rust 的内存安全无人机嵌入式固件研究

    论文介绍了 Veloxity,这是一个用内存安全的 Rust 语言编写的开源无人机自主飞行控制固件。作者对比了与 C++ 实现的等效自动驾驶仪,通过仿真、硬件测试台和户外航点跟随飞行测试,证明了 Veloxity 在功能上对等且性能更优。该研究旨在解决航空航天领域内存安全语言采用碎片化的问题,表明现代内存安全语言是构建可靠高性能自主航空系统固件的可行选项。

  8. arXiv · 机器人与计算机视觉58

    精选世界模型数据提升空中检测:Dreams Are Cheaper Than Flights

    针对机器人感知依赖昂贵且难以采集的真实现场数据的痛点,该研究利用 70 亿参数世界模型生成合成视频以扩展训练集。实验显示,在无人机上预训练的模型中,加入精选的合成帧使 mAP@50--95 提升 4.3%,完全替代真实数据时提升 10.3%,在城市基准测试中最高可达 33.5%。

  9. arXiv · 机器人与计算机视觉78

    让激光雷达决定看向何处:用于高效稀疏潜在世界模型的几何测量 Token 选择

    针对以视觉为中心的自动驾驶模型冗余编码天空、建筑等无关内容的痛点,提出 Geometry-Aware Token Selection (GATS) 方法。该方法利用 LiDAR 和雷达点投影在视觉骨干网络运行前筛选关键图像区域,使端到端计算量最高降低 18 倍。

    推荐理由:提出基于 LiDAR 几何的 Token 选择方法,在大幅降低计算量的同时提升规划相关场景的预测精度与安全性。

  10. arXiv · 机器人与计算机视觉78

    FlapSim:一种可组合的 MuJoCo 扑翼仿真平台及降阶气动模型层级

    该论文提出了 FlapSim,一个模块化的开源 MuJoCo 仿真平台,用于解决扑翼飞行中高频气动动力学与低频飞行控制/强化学习动态之间的协调问题。研究在 48 个涵盖频率、舵机、风场等场景的独立测试集中,对比了五种降阶配置,发现结合多速率时钟同步、三维流入耦合及相位锁定谐波合成的五块模型架构,在保持 65.19 倍 CPU 加速的同时将平均力矩保真度提升至 0.9646。

    推荐理由:该工作提出了 FlapSim 模块化开源平台,在 MuJoCo 框架下实现了高频扑翼气动与飞行控制的确定性模拟,并量化了不同简化模型在精度与速度间的权衡。

  11. arXiv · 机器人与计算机视觉45

    AquaProbe:高效适配冻结视觉模型以应对水下图像挑战

    AquaProbe 通过测量域偏移分布并分配固定 LoRA 预算,使比例化 LoRA 秩分配的分割 mIoU 达 70.1,优于均匀分配方案 1.9 个点且参数同为 59 万。该方法的三路路由器在标准 SUIM 划分上实现 70.6 mIoU,在保留退化测试集 AUDRC 上达到 63.4。研究利用成对清洁与物理渲染图像分离新增分歧,解决了水下浑浊与波长衰减导致的感知可靠性问题。

10月30日周五
  1. arXiv · 机器人与计算机视觉42

    面向网联车辆编队的任务导向语义通信框架:基于 SD-VAE 的紧急语义消息与仿真评估

    该研究提出集成实例分割、单目深度估计及 SD-VAE 压缩的任务导向语义通信框架,通过 V2X 协议广播紧急语义消息(ESM)以支持危险预警和远程操作。评估显示 SD-VAE 在低信噪比下优于 JPEG 等格式且具备平滑降级特性,7,290 次仿真运行中车辆碰撞率仅为 0.99%。论文已提交 IEEE 待刊,代码与数据许可状态未明确说明。

  2. arXiv · 机器人与计算机视觉54

    Turbo4DGen:面向 4D 生成的超快加速框架

    Turbo4DGen 是一个针对基于扩散的多视角 4D 内容生成提出的超快加速框架,旨在解决长链一致性带来的计算与内存开销问题。该框架引入时空缓存机制以跨去噪步骤复用中间注意力,并结合动态语义感知注意力剪枝及自适应 SCM 链旁路调度器,大幅减少冗余的 SCM 注意力计算。

  3. arXiv · 机器人与计算机视觉42

    Robust Scene Transfer for PointGoal Navigation via Privileged Sensor Guided Contrastive Learning 方法发布

    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。

  4. arXiv · 机器人与计算机视觉75

    Event-SAMA:基于神经形态事件流的语言接地视频目标分割

    针对参照视频目标分割(RVOS)缺乏事件流数据的问题,作者构建了 Event-SAMA-239K 合成数据集及 Event-SAMA 模型。该工作将 SAMA-4B 适配至两通道极性 Patch Embedding 与零初始化事件适配器,在 MeViS 验证集上取得 24.37 J&F 分数,建立了首个原生事件流 RVOS 基线(RGB 版本为 55.4)。

  5. arXiv · 机器人与计算机视觉74

    通过运动原型表示实现平滑动作分块以用于模仿学习

    这篇论文针对视觉基机器人策略中动作分块导致的轨迹抖动问题,提出了一种基于运动原型的轨迹表示方法。该方法将轨迹段表示为光滑基函数的线性组合,在保持策略架构、训练目标和推理流程不变的情况下,通过显式条件约束使新分块经过前一分块的末端动作点,从而在不重新训练的前提下消除边界不连续并大幅降低抖动。

  6. arXiv · 机器人与计算机视觉72

    自动驾驶系统测试中的现实差距:景观、挑战与研究方向

    该论文对4195篇出版物进行筛选,系统映射了235项测量或缓解自动驾驶(ADS)测试中“现实差距”的研究。研究将模拟与真实执行分为六个组件,发现76%的研究针对场景和感知逼真度提出缓解措施,但仅有61项报告涵盖传感器、行为及安全的多维指标,且现有证据难以建立差距与测试结论间的因果联系。

  7. arXiv · 机器人与计算机视觉12

    智能体数量与行为对 VR 疏散训练中用户心理反应的影响研究

    该研究结合灾难虚拟仿真与多智能体情感表达,评估了疏散过程中智能体数量及行为对用户决策的影响。结果显示,伴随更多智能体撤离能提升用户自信度,且智能体选择的路线显著影响用户决策。结论表明 VR 训练需考量周围智能体的集体行为对使用者心理状态的塑造作用。

  8. arXiv · 机器人与计算机视觉48

    OrbitalGym 仿真环境揭示规划算法如何决定轨道对抗博弈结果

    OrbitalGym 是一个基于 JAX 的轨道博弈仿真环境,支持多智能体、显式通信及锥形视场传感器等配置。研究对比了 PD、LQR、MPCPI 和 MCTS 策略在追逃与护卫任务中的表现,发现燃料比主导多数遭遇,而针对能触及资产的攻击者,更优的守卫策略在 56 至 74 种能力配置中将防御概率提升至少 10%。

  9. arXiv · 机器人与计算机视觉82

    PhysVLMM:面向机器人场景地图的交互条件化物理信念图

    该论文提出 PhysVLMM 方法,为视觉 - 语言 - 运动地图中的每个铰接部件维护物理信念并回答规划器查询。面对移动物体无法识别动力学、仅凭拉动测量只能确定被拉部件及方向的问题,该方法将方向作为后验分布而非点估计,以闭式形式传递证据给未受影响的相似部件,并在给定风险下判断动作是否成功或放弃。

    推荐理由:PhysVLMM 方法在真实家居环境中实现了对铰接物体动力学的快速推断,显著优于可微仿真与单视角学习基线。

  10. arXiv · 机器人与计算机视觉74

    RFW-A:基于智能体的程序化生成方法构建40万+可动资产库

    针对高质量可动资产(articulated assets)构建困难的问题,本文提出 RFW-A 框架,结合智能体合成与程序化生成的优势。该方法将类别内共享的构造逻辑组织为可复用生成器,经智能体测试验证后,通过纯程序执行批量生产多样化资产,无需额外模型调用或 Token 费用。实验表明,基于该库训练的模型在未见类别上具备高结构/运动学有效性,且仿真策略能零样本迁移至真实物体。

  11. arXiv · 机器人与计算机视觉78

    SelfThinker:基于可靠性验证的内生视觉思维的自我进化推理

    SelfThinker 是首个无需人工图像标注即可将统一模型生成的视觉思维转化为更强理解力的自进化框架。该方法通过采样候选辅助图像并利用冻结的理解路径进行评分,利用高效用思维通过流匹配优化生成器并作为策略蒸馏的私有教师上下文。

    推荐理由:提出首个无需人工标注的自进化框架,利用生成路径辅助理解并提升多模态模型的视觉推理能力。

  12. arXiv · 机器人与计算机视觉76

    SIFR:面向域泛化的语义分割光谱不变融合与细化方法

    针对域泛化语义分割任务中难以兼顾抑制域敏感干扰与保留细粒度空间线索的挑战,本文提出 SIFR 框架。该方法利用频域建模统一调节异构先验交互与密集解码器细化,通过光谱引导的不变融合过滤域敏感响应并保留互补信息,同时引入基于低频统计归一化的解码器细化模块以稳定多尺度特征。在合成到真实、真实到真实及恶劣天气等多个基准上的实验表明,SIFR 显著优于现有最先进方法。

    推荐理由:提出基于频域的双流框架 SIFR,在无需目标域数据条件下提升语义分割的泛化性与精度。

  13. arXiv · 机器人与计算机视觉82

    GROME:将因子化记忆引入视频世界模型

    针对视频世界模型在长视界一致性上的挑战,本文提出了 GROME 框架。该框架通过静态 - 动态因子化解耦历史证据、局部记忆检索消除几何漂移以及无需训练的内存注入机制,在不修改冻结主干网络的前提下显著提升了场景持久性与动态实体保真度。实验表明,GROME 能兼容外部观测作为即插即用记忆,支持灵活的视频续写与场景探索。

    推荐理由:提出无需额外训练的因子化记忆框架,解决视频世界模型在长视界场景下的几何漂移与动态实体保真度问题。

  14. arXiv · 机器人与计算机视觉42

    基于接触力矩空间对齐的灵巧操作运动学 - 触觉重定向框架

    该研究提出分层三阶段框架,利用物体中心接触力矩空间实现人机手部触觉信息物理对齐。仿真与真实机器人实验显示,该方法在三种倒水条件下达到 96.7% 的重放成功率,且力矩传递保真度优于代表性重定向基线。此工作为从人类演示向机器人转移富含接触的灵巧操作提供了基于物理的路径。

  15. arXiv · 机器人与计算机视觉60

    SimTO-Robust:面向抓取位姿与物体几何鲁棒性的软夹爪自动设计

    该论文提出 SimTO-Robust 框架,这是一种基于仿真的拓扑优化方法,通过模拟多个物体形状和抓取位姿并聚合接触力来指导软夹爪的形态优化。研究团队生成了 6,646 种设计,并对其中 24 种进行了物理评估,同时对比了 10 种专用 SimTO 设计、两种刚性基线夹爪以及一种常规拓扑优化的通用软夹爪。

  16. arXiv · 机器人与计算机视觉55

    ScheduleGen:基于技能调度的多臂模仿学习演示生成方法

    针对多臂机器人平台因复杂约束导致安全控制难、大规模数据集采集难的痛点,论文提出ScheduleGen算法,通过集成规划与调度机制从少量源演示合成新演示以缓解数据瓶颈。该方法在28种仿真任务变体中实现79.6%的数据生成成功率及65.5%的策略训练成功率,且优于现有基线;同时实现了零样本仿真到现实的迁移,在八种真实世界变体上达到50-80%的成功率。