跳到正文
11月10日周二
  1. arXiv · 机器人与计算机视觉82

    MineXplore:面向无 GPS 地下环境的强化学习探索开源基准

    论文提出了 MineXplore,这是一个基于 MuJoCo 的开源导航基准,数据源自智利铜矿实地测绘。环境重构了 104,423 平方米的隧道网络,包含八边形截面、LiDAR 来源的锯齿状几何、三种地形摩擦区及周期性照明。

    推荐理由:该基准提供基于真实矿场几何的地下导航环境,支持 GPU 加速学习流程,并验证了策略在 GNSS 拒止条件下的稳定性。

  2. arXiv · 机器人与计算机视觉70

    RoboWits:面向机器人创造性问题解决的新基准与发现

    arXiv 论文介绍 RoboWits 双手动机器人基准,旨在系统评估认知推理、创造性工具使用及应对意外条件的鲁棒性。作者提出多智能体协作框架自动生成种子任务并引入几何、材料等维度的突变。实验显示预训练 VLA 微调后在种子任务表现尚可,但在突变任务中显著失效;基于 GPT-6 Astra 的零样本策略虽优于所有微调模型,仍损失约五分之一成功率,表明仅靠更强基础模型无法解决鲁棒性差距。

  3. arXiv · 机器人与计算机视觉70

    OASIS:基于 SE(3)轨迹预测的观测 - 动作空间对齐方法

    论文 OASIS 提出一种视觉运动策略,通过融合视觉语言与度量深度特征的 3D 感知编码器,结合 SE(3)末端执行器轨迹预测器,使动作解码器生成符合刚体运动的动作块。该方法在仿真和真实世界实验中均优于 VLA 和世界动作模型基线,提升了成功率与分布外泛化能力。材料为 NeurIPS 2026 Spotlight 接收的预印本,项目页面已公开。

  4. arXiv · 机器人与计算机视觉78

    ALAM:一种用于视觉语言动作模型的代数一致潜在动作模型

    针对视觉语言动作模型缺乏带标注动作数据的问题,该研究提出 ALAM 模型,从无动作视频中提取物理世界变化先验。通过帧三元组学习受重建约束且符合组合与可逆一致性的潜在转换,构建局部加性转换空间。

    推荐理由:该工作提出代数一致潜在动作模型,利用无标签视频构建结构化先验,显著提升 VLA 策略在仿真及真实任务中的成功率。

  5. arXiv · 机器人与计算机视觉38

    Swim2Real:视觉语言模型用于软体机器人鱼仿真校准

    Swim2Real 利用视觉语言模型(VLM)对比真实与模拟视频,通过回溯线搜索优化 16 个仿真参数以匹配软体水下机器人的变形与推进。独立预注册的五十种子实验显示,该方法在 40 次评估中将平均最佳误差较随机方向降低 63.4 mm、较置换方向降低 53.2 mm(p<10^-5)。

  6. arXiv · 机器人与计算机视觉67

    面向动态人群场景的具身问答高效主动感知方法

    针对动态人群场景中的人为感知变异问题,论文提出了免训练的主动证据采集框架 DIVRR。该方法结合问题引导的房间指引与相关性触发的视角增强来指导探索,并利用选择性记忆准入机制保留高评分证据以压缩显存占用。研究构建了基于 Habitat 的动态人群具身问答数据集 DynHuman-EQA,实验表明 DIVRR 在动态场景下的准确率与显存效率均优于现有基线。

  7. arXiv · 机器人与计算机视觉68

    One Agent to Guide Them All:通过显式世界表征赋能 MLLM 进行视觉语言导航的研究

    该论文提出 GTA 框架,将低层空间状态估计与高层语义规划解耦,引入结合几何积累与导航历史的显式度量世界表征,并通过反事实分支推理修正决策。在 R2R-CE val-unseen 全量测试集上成功率为 48.8%,在 260 集英文子集上为 46.2%。研究还展示了该方法可迁移至轮式、四足及空中机器人。材料为 arXiv 预印本,未提及同行评审状态或具体部署许可。

  8. arXiv · 机器人与计算机视觉58

    SyncTwin:用于安全机器人操作的快速数字孪生构建与同步

    针对动态和视觉遮挡条件下的准确安全机器人操作挑战,本文提出 SyncTwin 数字孪生框架。离线阶段利用 VGGT 从 RGB 图像快速重建物体级三维资产形成可复用几何库;执行阶段通过跟踪真实世界物体状态持续同步数字孪生,并利用存储资产补全部分观测的几何。

  9. arXiv · 机器人与计算机视觉16

    水下遥操作人机界面综述:从吸管式到自然语言交互的演进与路线图

    该综述构建了涵盖操作员体验、机器人自主性与双向通信的水下遥操作人机界面分析框架。文章对比了视觉、触觉、扩展现实及自然语言等接口技术,区分了成熟工业工具、选择性部署技术与研究阶段能力,并指出了互操作性与现场验证等局限。报告最终提出了面向流体反馈、低延迟共享自主性及真实到仿真迁移的研究路线图。

  10. arXiv · 机器人与计算机视觉58

    面向李群上轨迹跟踪的认证管状可达性分析研究

    论文提出一种针对自主车辆(特别是航空器)轨迹跟踪误差的安全认证方法,解决现有基于不变椭球或区间的方法过于保守的问题。该方法利用李代数坐标下的线性化误差动力学与管状集合传播技术,在平面飞行器仿真及四旋翼实飞中验证了所提管状边界能紧密包含所有可达跟踪误差,且在强扰动下优于传统椭球法。

  11. arXiv · 机器人与计算机视觉12

    神经康复技术共创工作坊:早期纳入生活体验专家的参与式设计实践

    在第六届国际神经康复会议上,研究者组织了一场包含 5 名中风患者及照护者的参与式设计工作坊,利用双钻模型与旅程地图引导团队从学科假设转向基于真实体验的优先事项。该过程成功将狭窄目标转化为具体任务方案,并将宽泛目标扩展为具备感官反馈或刺激功能的设备概念,获得了参与者的高度满意。所有工具与协议均已公开共享,为未来在神经康复技术开发中早期纳入生活体验专家奠定了实践基础。

  12. arXiv · 机器人与计算机视觉78

    SCALE:基于 LLM 引导的经验内化与小模型优先的概念抽象框架

    论文提出 SCALE 框架,旨在让轻量级自主智能体在不依赖昂贵大语言模型推理的情况下持续获取可复用知识。该架构由小模型处理常规预测,仅在预测错误或积累跨回合证据时触发 LLM 进行反思;LLM 分析历史经验并生成反事实示例以提出可复用的概念假设。

    推荐理由:SCALE 框架通过小模型处理常规任务、LLM 仅在误差时介入反思,实现了经验知识的紧凑内化与层级抽象。

  13. arXiv · 机器人与计算机视觉23

    ROS2MR:连接 ROS 2 运动规划与混合现实轨迹可视化

    ROS2MR 作为 MR-Robotics LAB 平台的扩展,将 YAML 序列化的 ROS 2 关节轨迹转换为 JSON 播放格式以支持 Apple Vision Pro 和 Meta Quest 3。该转换器在提供速度时位置均方根误差约为 2.91x10^-5 度,无速度时稀疏输入误差升至 0.85 度,实现了无需实时 ROS 连接即可在混合现实中检查轨迹的功能。

  14. arXiv · 机器人与计算机视觉78

    基于 Transformer 的无需显式状态估计的可泛化输出反馈最优控制

    该研究提出一种基于 Transformer 的策略,用于解决部分观测且含噪声的多输入多输出线性时不变系统族的通用控制问题。策略通过共享表示与编码技术,仅需短时噪声测量即可生成控制动作,无需植物矩阵或状态估计器。

    推荐理由:论文提出利用 Transformer 实现无需显式状态估计的通用输出反馈最优控制,在仿真系统中达到接近 LQG 的最优成本。

  15. arXiv · 机器人与计算机视觉68

    Evaluating Physically Grounded Procedural Reasoning in VLMs through Real-World Execution: Crochet as a Testbed

    作者提出以钩针编织为物理测试床来评估视觉语言模型(VLM)的物理基础程序推理能力,因为该过程难以仿真且验证成本低。研究引入 FoundationChain 测试框架,通过手工执行四个 VLM 生成的 40 种钩针图案进行验证。结果显示仅有四个图案无错误,分析暴露了模型在视觉、几何和程序推理方面的缺陷。

  16. arXiv · 机器人与计算机视觉45

    MultiMediate'26 挑战:跨领域、年龄与文化的人机及人际互动参与度估算基准发布

    MultiMediate'26 挑战扩展评估域至包含 PInSoRo 数据集的儿童 - 儿童与儿童 - 机器人玩耍会话,引入 NoXi、NoXi-J、MPIIGI 及 PInSoRo 数据集并公开基线代码。该工作通过多模态特征提取,实现了跨领域、年龄范围和文化背景的参与度估算基准,为辅助 AI 系统建模提供透明环境。

  17. arXiv · 机器人与计算机视觉78

    基于情境变量的主动式社交机器人对话发起方法

    针对现有大语言模型在主动发起对话时缺乏情境感知的问题,本文提出了一套联合表征感知、情境和交互线索的情境变量架构,并构建了覆盖多样化日常场景的主动式对话开启语料数据集(CCO)。通过利用该数据集微调小语言模型(SLMs),研究展示了显式的情境结构化与针对性数据策展能显著提升对话发起的质量与时机恰当性。

    推荐理由:提出情境变量架构与专用数据集,微调小模型显著改善主动对话发起的质量与时机。

  18. arXiv · 机器人与计算机视觉48

    RADIA 系统通过自披露建立人机信任:IEEE RO-MAN 2026 录用研究

    RADIA 对话系统利用检索增强生成(RAG)技术,使机器人能引用模拟自传记忆进行第一人称自披露。面对面用户研究显示,相比非自披露基线,该机制显著提升了用户的感知信任度与互动动态。这项被 IEEE RO-MAN 2026 录用的研究证实了自披露在长期社交型人机交互中的价值。

  19. arXiv · 机器人与计算机视觉75

    Reframe:面向代理视觉推理的观测对齐多教师同策略蒸馏方法

    论文介绍Reframe后训练框架,旨在解决视觉智能体在工具使用中忽视返回观测及动作缺乏依据的问题。该方法包含两个阶段:Ground-Drop-GRPO利用证据感知奖励和随机移除原始视觉输入来训练空间与时序专家;Observation-Gated-MOPD则在推理中途用规范动作替换不足的工具动作并修复观测以继续蒸馏。

  20. arXiv · 机器人与计算机视觉78

    World In-Context Learning for Agentic Robot Manipulation

    针对传统训练策略与学习分布耦合的问题,本文提出 World In-Context Learning (WICL) 范式,利用冻结模型在仿真环境中对任务进行排练并将反馈写入上下文而非权重。

    推荐理由:提出将反馈写入上下文而非权重的范式,在仿真中通过排练实现跨场景泛化。

  21. arXiv · 机器人与计算机视觉5

    Sliding into Balance:双无人机运输中滑动载荷对负载分配与抗扰动的优势分析

    该研究分析了双无人机通过单绳悬挂并允许载荷滑动的协同运输方案。理论模型表明,相比固定载荷,滑动配置能均衡绳索张力、扩大可达区域并增强抗扰动能力。动态仿真证实,在真实阵风条件下,该方法显著降低了无人机间的平均张力不平衡度。

  22. arXiv · 机器人与计算机视觉78

    自然语言机器人车队控制的类型化计划正确性边界研究

    该论文考察了在自然语言机器人车队控制中,计划验证和执行报告所确立的内容。研究基于包含 20 个模拟机器人的三层 ROS2 实现,对 44 个离线基准案例进行了检查,发现无响应模式配置下 70.0%-87.3% 的响应通过测试。

    推荐理由:该预印本通过 ROS2 仿真验证了自然语言指令在机器人车队控制中的正确性边界,揭示了执行报告与原始任务要求不一致的潜在风险。

  23. arXiv · 机器人与计算机视觉78

    面向语言条件双手动操作的执行感知任务规划方法

    论文提出一种零样本视觉语言框架,用于解决双足机器人在杂乱环境中执行自然语言操作任务的挑战。该方法将结构化场景表示与执行约束结合,在规划阶段即考虑物理可行性,并建立包含显式前后条件的并行双手动动作序列。

    推荐理由:该研究提出零样本视觉语言框架,将执行可行性推理融入任务规划,在双足机器人上验证了提升成功率与故障恢复能力。

  24. arXiv · 机器人与计算机视觉78

    UniOMA:一种用于机器人感知的统一最优传输多模态结构对齐方法

    针对机器人学习中多模态表征难以实现通用且良好对齐的挑战,本文提出 UniOMA 方法,通过引入几何感知的 Gromov-Wasserstein (GW) 距离正则化来增强现有的对比损失。

    推荐理由:提出结合几何感知的 Gromov-Wasserstein 距离正则化,解决多模态表征结构对齐难题。

  25. arXiv · 机器人与计算机视觉78

    Be My Eye:超越机器人自身视角的感知与协作方法

    针对多机器人协作中个体观测不足的问题,论文提出一种面向任务的主动上下文共享框架,将原始观测转化为紧凑表示以保留关键信息。该方法分两阶段训练:首先联合编码车载观测与任务指令生成紧凑上下文;其次将其集成到预训练的视觉语言动作策略中实现双向交互。实验显示在受限通信条件下性能显著提升,并在复杂双机器人真实场景中验证了有效性。

    推荐理由:提出面向任务的主动上下文共享框架,在受限通信预算下提升双机器人协作任务性能。

  26. arXiv · 机器人与计算机视觉73

    基于隔离时序模型的分层多通道倾覆预测:面向行星车安全的 Hierarchical Multi-Channel Tip-Over Prediction

    该论文提出一种分层多通道倾覆预测框架,旨在解决非结构化环境中通信延迟导致的实时人工干预困难问题。系统利用多层级时间卷积网络(TCN)学习渐进式不稳定模式,并通过门控循环单元(GRU)构建前向动力学模型以检测意外动态偏差。

  27. arXiv · 机器人与计算机视觉38

    游戏论 MPC 规划器实现无人机协同与对抗协调

    该研究提出一种结合三维预测与轨迹跟踪接口的博弈论模型预测控制规划器,用于解决无人机的协同目标到达及对抗追逐逃逸任务。PyBullet 仿真验证了可行性,实验室飞行实验进一步证实了物理平台上的轨迹跟踪接口有效性。论文已提交至 ECC27 会议,代码与权重暂未公开,仅作为控制器开发的评估基础。

  28. arXiv · 机器人与计算机视觉63

    基于图的强化学习用于多艘巡逻无人艇的顺序会合规划

    针对涉及多艘无人表面船只(USV)的巡逻任务,本文提出一种结合网格路径规划、代理旅行时间预测和图强化学习的框架,以最小化任务完成时间和总延迟。该框架利用可行转换图表示候选事件并训练策略,在保持优势的同时将计算需求降低至对比基线的约 1/35,且对未见过的优先级设置具有鲁棒性。材料为预印本论文,未报告真实机器人部署结果。

  29. arXiv · 机器人与计算机视觉53

    GeoMind:机器人操作中空间理解的基准测试

    针对现有具身智能基准缺乏对复杂布局中空间推理及动态场景下空间记忆的评估问题,作者提出了 GeoMind 基准。该基准包含 54 个围绕空间推理和空间记忆组织的任务变体,并提供了自动化生成与标注任务的流水线。广泛评估显示,各类代理在空间变化后的身份追踪以及将关系或几何约束转化为可执行动作方面存在显著弱点。材料为预印本版本,未报告真实机器人部署结果。

  30. arXiv · 机器人与计算机视觉72

    SPARK:一种将预训练知识适配至机器人控制的简单后训练方法

    针对通用视觉基础模型缺乏对机器人控制所需时序敏感表征的问题,本文提出 SPARK 方法。该方法基于时序抽象与知识保留两大原则,在保持预训练语义的同时提取紧凑的视觉状态表征。实验表明,SPARK 在多基准测试中持续优于原始基础模型,且其增益可迁移至真实世界的机器人操作任务。