跳到正文
10月12日周一
  1. arXiv · 机器人与计算机视觉35

    Perspective-1-Ellipsoid:基于单椭圆 - 椭球对应关系的相机位姿估计问题形式化、分析与解法

    Perspective-1-Ellipsoid 提出针对单椭圆 - 椭球对应关系的相机位姿估计新框架,将问题简化为仅含一个标量未知数的 1DoF 求解。该方法通过闭式解推导姿态函数并开源代码,旨在提升相关视觉任务的计算效率与特异性。

  2. arXiv · 机器人与计算机视觉38

    MARGoS:面向 ARGoS 仿真器的可复现多智能体强化学习配置驱动平台

    MARGoS 是一个轻量级、配置驱动的开源平台,旨在解决基于 ARGoS 的多智能体强化学习实验复用与复现难题。该平台通过配置哈希、端到端种子传播及不可变配置等机制,将环境指纹与训练脚本提升为一级管理对象,支持跨机器结果回放与验证。项目代码已公开,相关论文作为 VARIABILITY 2026 卫星会议项目展示轨道的提交版本(待同行评审),收录于 LNCS 17104。

  3. arXiv · 机器人与计算机视觉78

    NovaSplat:基于 3D Gaussian Splatting 的无模型 6D 物体位姿估计

    arXiv 论文 NovaSplat 提出一种无需 CAD 模型的 6D 位姿估计流程,通过手机视频训练 3DGS 作为检测与粗估计模板及可微分优化骨干。该方法在家庭物体基准上超越所有基于模型的方法,并在含无纹理和镜面表面的工业基准上优于同类无模型方法且缩小了与基于模型方法的差距。

    推荐理由:该工作提出 NovaSplat,利用手机视频训练 3DGS 实现无 CAD 模型的 6D 位姿估计,在家庭与工业基准上超越现有方法。

  4. arXiv · 机器人与计算机视觉24

    CaSiDD 数据集与基于 RADIOv4 的地图符号自动检测编码框架发布

    该研究提出两阶段框架,利用 YOLOv10-X 实现历史地图中地图符号的自动化检测。方法采用适配后的 RADIOv4 骨干网络生成可解释嵌入,有效捕捉语义并抑制数字化噪声。作者同时开源了涵盖多类别与风格的 CaSiDD 基准数据集,为地理历史研究提供可扩展的证据提取基础。

  5. arXiv · 机器人与计算机视觉31

    AMGT 多模态图神经网络框架用于无人机海上监视中的船舶识别与跟踪

    针对无人机海上监视中异构传感、恶劣成像及运动导致的空间错位难题,AMGT 框架通过可见光与红外图像对齐融合、AIS 消息插值同步及运动感知坐标统一策略提升感知鲁棒性。基于 MAP-M2UAV50 数据集的实验表明,该方案结合 MAir-YOLOv8-OBB 检测器与 MAir-SORT 跟踪算法,在船舶监测、交通态势感知等任务中实现了高精度与高效率。相关代码与数据将在指定 URL 开放获取。

  6. arXiv · 机器人与计算机视觉45

    DSG-GI:基于目标条件适应与语义几何对齐的生成式中间帧插补框架

    DSG-GI 框架通过目的地条件适应和语义 - 几何对齐技术,解决了预训练图像到视频扩散模型在大幅运动插补中偏离目标或运动不稳定的问题。实验显示该方法显著提升了时序稳定性、目标帧忠实度及感知质量,并将在标准与大幅运动基准测试上验证效果。代码将公开提供。

  7. arXiv · 机器人与计算机视觉48

    DeepRFTv3:统一图像去模糊的傅里叶卷积框架

    DeepRFTv3 提出基于傅里叶卷积学习的统一运动去模糊框架,通过频域自适应全局滤波学习替代像素级映射,有效处理多源模糊核。该方法在构建的多源数据集上经数据剪枝与质控后训练,实验表明其在同域及 OOD 基准测试中均达到具有竞争力的性能表现。代码将在发布时公开。

  8. 上海人工智能实验室 · 科研动态72

    上海AI实验室推出决策模型‘书生·明决’,性能超Jev并支持端侧部署

    上海人工智能实验室推出决策模型‘书生·明决’(Intern-Decision),包含0.8B、2B、4B三档参数版本。该模型将原生视觉感知与指令遵循融为一体,在单卡RTX 4090环境下实现每秒约30次决策的响应速度,端到端时延比Jev快2倍以上。

    推荐理由:上海AI实验室推出原生视觉决策模型书生·明决,在端侧推理速度与多模态任务质量上超越Jev等开源基线。

  9. 上海人工智能实验室 · 科研动态76

    上海AI实验室推出书生SCP-Lab协议以打通异构实验设备交互

    上海人工智能实验室推出“书生·端砚”科学发现平台及配套的“书生SCP-Lab”实验设备访问与协同协议,旨在破解真实物理实验室中异构设备的统一调度难题。该协议基于科学智能上下文协议(SCP),构建了连接科研智能体、实验室操作系统与本地执行层的分层架构,创新提出L1至L5五级控制粒度框架,实现从整体流程到原子动作的标准化描述。

    推荐理由:上海AI实验室推出书生SCP-Lab协议,为科研智能体提供统一设备访问与协同机制,已在9个场景验证并支持跨机构实验。

10月9日周五
  1. arXiv · 机器人与计算机视觉42

    OmniCapBench:细粒度音视频描述评估框架

    OmniCapBench 将音视频描述评估重构为包含实体引用、视觉镜头和音频事件三个轨道的深层结构化诊断框架。该基准利用 786 个高密度标注视频,有效区分大模型在时序定位失败、身份漂移及跨模态错位等感知错误。研究揭示前沿多模态大语言模型虽具强局部感知能力,但在长视界推理上存在局限,为全模态发展提供细粒度路线图。

  2. arXiv · 机器人与计算机视觉42

    SBMEX:一种集成于 pyfing 包的开源指纹 minutiae 检测基线

    SBMEX 是一种基于骨架的指纹特征提取方法,集成至开源包 pyfing,利用双查找表架构替代运行时邻域扫描以提升吞吐量。在 NIST SD302 数据集上的评估显示,其未微调的特征提取精度媲美或优于传统开源基线,且显著降低了相对于经典 Crossing Number Python 实现的检测延迟。该方法具备全可审计性、符合国际标准并独立于训练数据集与 GPU 硬件。

  3. arXiv · 机器人与计算机视觉65

    Demonstrating Arena 5.0:面向社交导航开发的逼真 ROS2 仿真框架

    论文介绍 Arena 5.0,这是用于机器人社交导航开发与基准测试的第五代框架。主要贡献包括集成 NVIDIA Isaac Gym 以实现高保真仿真和高效训练;提供涵盖多种难度场景的社交导航策略基准评估;以及扩展的场景生成与任务规划模块以支持紧急救援等定制需求。平台性能经用户研究验证,显著提升了易用性与效率。该框架开源并支持 ROS2。

  4. arXiv · 机器人与计算机视觉42

    Diffusion Meta-Prompting 实现通用基础模型自适应与跨任务泛化

    Diffusion Meta-Prompt (DMP) 框架利用扩散模型学习提示分布,仅需自然语言描述即可合成新提示,无需访问原始任务示例或损失函数。该方法在分类、检索及文生图任务中提升泛化能力,相比提示检索方法降低超 90% 存储与推理成本,复合分类平均增益达 2.0%,特定数据集对最高提升 8.5%。代码已开源并获 NeurIPS 2026 接收。

  5. arXiv · 机器人与计算机视觉82

    TopoGPU:GPU 加速的图像数据持久同调计算工具

    该论文介绍了 TopoGPU,这是一种用于计算二维和三维图像诱导的立方体复形持久图的 GPU 流式处理管道。该方法采用分层感知离散 Morse 匹配及并行算法,在各项基准测试中平均端到端速度提升 53.24 倍,最高达 198.01 倍,并优于当前最先进方法 Cubical Ripser。

    推荐理由:TopoGPU 提供 GPU 加速的持续同调计算工具,显著降低深度学习网络训练中的拓扑分析成本。

  6. arXiv · 机器人与计算机视觉58

    低纹理与动态场景下的 ORB-SLAM2 前端动态点过滤控制研究

    Zekui Xue 在 arXiv 发布了一项针对 ORB-SLAM2 前端的控制研究,旨在评估动态点过滤在低纹理合成室内场景中的有效性。研究通过因子设计渲染了具有不同纹理密度和动态水平的序列,对比了无过滤、光流/极线残差过滤(FLOW)和多视图深度一致性过滤(GEOM)。

  7. NVIDIA Technical Blog12

    Frontier AI 模型五步创建机器人仿真就绪资产指南

    NVIDIA Omniverse 库结合 SimReady Foundation 规范与智能体技能,提供将 CAD 几何转换为 OpenUSD 并验证材质、碰撞及物理属性的结构化工作流。开发者需按此流程配置关节等属性以在测试前确保机器人行为模拟的准确性。该方案旨在简化机器人仿真资产准备过程,避免仅转换几何而忽略关键物理配置的常见错误。

10月8日周四
  1. arXiv · 机器人与计算机视觉28

    mbariml:深海影像视频转目标检测训练数据的策展流水线

    mbariml 是一款基于 Python 的深海影像与视频分析流水线,利用 Ultralytics YOLO 模型生成可审查的兴趣区域,并通过视觉相似性分组支持批量人工确认或拒绝。该工具允许标注人结合 SAM3 分割模型进行验证、重标及编辑,将结果导出为训练数据、统计信息及元数据,同时兼容 Pascal VOC 数据集导入与扩展。

  2. arXiv · 机器人与计算机视觉42

    ReToken:利用视觉检索 Token 提升长上下文 VLM 性能

    ReToken 是一种单学习嵌入,能从预填充 KV Cache 中提取检索信号以选择查询相关的视觉 Token,无需独立检索器或重编码。该模型在仅小数据集训练下,于 Visual Haystacks 使 Qwen3VL-8B 提升 13.4 分、InternVL3.5 提升 12.4 分(相对超 20%),并在 LVBench 上实现零样本长视频迁移。

  3. arXiv · 机器人与计算机视觉72

    ModPack:可扩展的双手机器人移动操作遥操作接口开源

    ModPack 是一个模块化且可扩展的遥操作系统,旨在统一支持多种机器人本体和任务需求。其核心是自包含的穿戴式“背包”,集成了计算、电源、通信和数据存储。该系统基于共享接口支持即插即用能力模块,包括带触觉反馈的关节级遥操作、移动操作和主动感知。

  4. arXiv · 机器人与计算机视觉38

    Semantics-Aware Hierarchical Consensus 遥感图像分类方法发布

    SAHC 方法通过跨层概率投影器融合直接预测与几何共识分布,实现分层级特定分类头整合以指导网络学习。该方法在两个不同层级复杂度的基准数据集上评估,证明了其在引导学习和遥感图像分类任务中的有效性与鲁棒性。源代码已公开可供获取。

  5. arXiv · 机器人与计算机视觉38

    Batch Augmentation with Unimodal Fine-tuning 方法实现多模态融合大语言模型 SOTA 精度

    该方法通过预训练单模态模型并微调,结合 MLP 头与批量增强技术,在 FPU23 超声和 UPMC Food-101 数据集上取得最佳平均结果。基于 ViT-L/16 视觉与 GPT-2 文本架构的模型,在 UPMC Food-101 数据集上达到 93.29% 的最先进准确率。相关脚本已开源供传统方法对比参考。

  6. arXiv · 机器人与计算机视觉48

    可时间解释的可微决策树提升序列决策透明度

    针对现有可微决策树在时序规划上的局限,研究引入时间维度并通过动作分块与参数高效重构算法优化策略。实验显示,从蒸馏后的动作分块策略热启动的模型,在四个仿真环境中匹配神经网络策略性能的同时,参数量减少高达 80%。代码已公开于 GitHub,为具身智能的可解释性提供新路径。

  7. arXiv · 机器人与计算机视觉54

    Kuration SDK:通过数据策展解决虚拟到现实的差距

    针对动作条件化世界模型的基准指标存在局限且无法反映真实可玩性的问题,本文提出在训练前通过策展原始游戏数据并测量多种诊断属性来弥合虚拟与现实差距。作者开源了 Kuration SDK 工具包,该工具曾在特定案例中揭示出即使 LPIPS 和 FVD 分数相似的两个世界模型行为却大相径庭的根本原因,具备加速开发高效样本训练数据集的潜力。

  8. arXiv · 机器人与计算机视觉25

    FlightMagNav:面向近地飞行器的户外磁场定位开源数据集与概率地图学习验证框架发布

    FlightMagNav 发布了一个包含无人机采集数据的开源集,涵盖双光泵磁力计、GNSS/惯导及用于地图学习与验证的测量。配套的概率框架演示了如何利用该数据构建并校验基于磁场的定位图。研究还规划了利用此数据集探索未来方向的路径。

  9. arXiv · 机器人与计算机视觉59

    HarnessIR:利用多模态基础模型实现通用现实世界图像恢复

    针对现实低质量图像受噪声、模糊等混合退化影响的问题,HarnessIR 提出一种基于多模态基础模型的代理框架,通过感知诊断、按需调用工具、提示词构建、执行及验证驱动的细化五个阶段,将修复需求与证据一次性输入模型进行单次处理。该方法在 MiO100 合成基准上达到最先进水平,并在复杂真实场景中展现出比依赖特定任务模型的旧有代理系统更强的泛化能力。代码已开源。

  10. arXiv · 机器人与计算机视觉42

    MOTIF:超越 3DMM 系数的 POI 深度伪造检测模型

    MOTIF 是一款仅基于真实视频训练的视觉专用深度伪造检测器,无需任何合成数据或特定人物(POI)数据。该模型证明仅形状块系数即可恢复几乎全部检测精度,且能利用被传统方法丢弃的密集表面信息弥补系数特征的不足。在多个数据集及两种质量水平下,MOTIF 在所有基准测试中均优于现有的最先进 POI 深度伪造检测器。

  11. arXiv · 机器人与计算机视觉42

    SpatialUQ:基于空间一致性的黑盒视觉模型事后不确定性量化方法

    SpatialUQ 是一种仅需输出概率即可评估临床视觉模型不确定性的事后方法,通过六次前向传播计算全局预测与五个固定空间裁剪的 Jensen-Shannon 散度。在 NIH ChestX-ray14 数据集上,其失败检测 AUC 达 0.784,仅为 MC-Dropout 算力需求的五分之一且校准效果更优。该方法随模型质量提升而增强,但在严重分布偏移下相关性失效,代码与实验材料已公开。

  12. arXiv · 机器人与计算机视觉42

    ClimbLab MATLAB 仿真平台开源:支持任意地形与刚体动力学的足式攀爬机器人设计工具

    ClimbLab 是一个面向足式攀爬机器人的开源 MATLAB 仿真与分析平台,支持将任意点云设为地形并模拟行走与攀爬。该平台采用刚体动力学引擎,允许用户设定坡度、重力及地面刚度等变量进行系统设计与分析。作者版本为 CLAWAR 2021 会议论文手稿,arXiv 预印本 arXiv:2610.09315 已发布但尚未完成同行评审。

  13. arXiv · 机器人与计算机视觉36

    geodex:一种黎曼流形上的运动规划库

    geodex 是一个开源 C++20 库,提供 Python 绑定,支持在配备用户定义黎曼度量的规范空间及机械臂构型空间上进行基于采样的运动规划。该库将流形、度量、重投影和采样器作为独立组件暴露,能生成比平坦度量更短、能耗更低且自然的轨迹。项目附带文档、测试及可复现的基准套件,代码与教程已公开提供。

  14. arXiv · 机器人与计算机视觉78

    CureWM:诊断与修复机器人世界模型的失败不敏感性

    论文指出当前机器人世界模型存在对动作变化敏感度弱、在已验证失败场景下仍给出成功预测的问题。作者提出 CureWM 方法,通过从成功演示构建替代动作并在仿真或硬件上验证其结果,利用这些受控对比数据微调现有模型。实验显示,该方法显著降低了模型的过度乐观倾向并提升了成败区分能力。代码已在 GitHub 开源。

    推荐理由:针对机器人世界模型对失败不敏感的问题,提出通过构建替代动作并在仿真或硬件上验证结果后进行微调的修复方法。

  15. arXiv · 机器人与计算机视觉58

    Anaximander:在任意计算后端交互式运行地理空间深度学习模型

    Anaximander 是一个开源系统,旨在解决遥感从业者在使用地理信息系统(GIS)时面临的模型格式不兼容和部署摩擦问题。该系统通过统一的推理服务器支持从多种常见来源加载模型,并可在本地工作站、无服务器云服务或远程 GPU 等任意计算后端运行。

  16. arXiv · 机器人与计算机视觉42

    VCR-Bench:首个视频分类鲁棒性模块化开源基准框架

    VCR-Bench 填补了图像分类后视频分类鲁棒性基准的空白,提供统一协议以解决现有实现分散难复现的问题。该框架集成 30 个模型、14 种攻击与 10 种防御组件,在 Kinetics-400 子集上报告准确率、成功率及运行时等指标。项目已发布文档化安装脚本与可复运行预设,代码与结果可通过指定 URL 获取。

10月7日周三
  1. arXiv · 机器人与计算机视觉68

    HARL-A:IsaacLab 上异构多智能体对抗强化学习可扩展基准框架发布

    HARL-A 是一个基于 IsaacLab 的开源框架,旨在解决机器人对抗多智能体强化学习中缺乏支持异构形态的高保真物理仿真基础设施的问题。该框架扩展了 HARL 算法库与 IsaacLab,提供了模块化软件架构以降低定义新环境的工程开销,并包含 Sumo、Soccer 和 3D Galaga 三个涵盖推挤、球技竞技与追逐/逃避的基准环境。

  2. arXiv · 机器人与计算机视觉82

    FineART:面向双臂操作的细粒度标注数据集与视觉语言动作模型

    作者开源了 FineART 数据集和 FineART-VLA 模型,旨在解决现有数据缺乏长程多步骤双臂任务支持的问题。该数据集包含 40,543 集(共 1,718 小时)跨越 151 个任务的轨迹及 533,913 个子任务标注。

    推荐理由:作者开源了包含超 4 万集双臂任务的数据集与 VLA 模型,通过细粒度子任务标注将长程任务成功率从 16% 提升至 76%,并支持零样本泛化。

  3. arXiv · 机器人与计算机视觉67

    RIGOR:一种用于重力对齐全景视频的大规模重建管线

    针对长轨迹重建中易出现不一致的问题,本文提出 RIGOR 方法,利用全景相机提供的全局覆盖和丰富视觉信息。该方法保留前馈视角骨干网络,将每个全景图视为四视图虚拟 Rig,通过循环四视图共识检索闭环、几何验证候选重访点,并利用 Sim(3) 位姿图修正累积的旋转、平移和尺度漂移。

  4. arXiv · 机器人与计算机视觉48

    DB-3DME:从数据集到基准的面向人类对齐自动三维网格评测

    DB-3DME 发布包含 2,619 个合成三维网格及几何与提示遵循度人工评分的数据集,确立自动三维网格评测新基准。研究通过微调冻结语言模型的 Qwen-2.5-VL-7B 视觉编码器,使其在多维度评测中显著优于现有预训练 VLM。数据集已开源至 GitHub 和 Hugging Face,相关论文为 CVPR 2026 workshop 预印本。