跳到正文
11月1日周日
10月30日周五
  1. arXiv · 机器人与计算机视觉70

    对称感知的等变扩散策略引导:收益与局限

    arXiv 论文提出一种对称感知引导框架,用于优化等变扩散策略(EDP)。作者理论证明 EDP 的扩散过程具有等变性,构建了群不变隐噪声 MDP,并对比了标准、等变及近似等变的强化学习策略。研究发现在打破对称性的任务中,严格等变性存在实践边界,但利用对称性进行引导能显著提升样本效率、防止价值发散,并在演示数据极少时实现强策略改进。

  2. arXiv · 机器人与计算机视觉70

    ActionUNet:利用高效多尺度微调提升 VLA 模型的鲁棒性

    针对视觉语言动作(VLA)模型在将粗粒度语义映射为细粒度时序执行时存在的泛化受限和鲁棒性不足问题,本文提出 ActionUNet 框架。该框架在时序对齐的动作特征空间内构建轻量级 U-Net 以融合分层结构先验,并采用带二阶平滑约束的连续 SIREN 作为动作解码器,以消除多尺度建模带来的机械振荡。

  3. arXiv · 机器人与计算机视觉82

    基于视觉语言模型的证据门控任务与运动规划方法

    该论文提出证据采集与可行性门控(EAFG)框架,旨在解决机器人执行长周期操作时依赖先验知识而忽视观测支持的问题。通过让视觉语言模型生成子目标并执行动作序列来采集视觉证据,系统据此决定是继续规划、获取进一步证据还是停止任务。研究在三个烹饪场景下评估了该方法,结果显示其在明确指令和模糊指令场景中优于基线,并能正确识别缺失物体时停止执行。

    推荐理由:提出证据门控框架,结合视觉语言模型与任务运动规划以处理指令可行性。

  4. arXiv · 机器人与计算机视觉13

    Retrieve in Time, Correct in Frequency 框架提升冻结 VLA 策略成功率

    RTCF 是一种无需参数更新的测试时修正框架,通过渐进式记忆对齐在客户端 CPU 上以平均 10.99ms 延迟将 LIBERO 套件任务成功率从 86.4% 提升至 88.4%,长程任务表现亦显著改善。该研究因实验证据尚不足以完全支撑结论已主动撤回,当前版本为预印本且未通过同行评审。

  5. arXiv · 机器人与计算机视觉70

    基于表示锚定和语行动作对齐的可泛化 VLA 微调

    论文提出 Anchor-Align 方法,旨在解决在机器人演示上对预训练视觉语言模型进行行为克隆微调时产生的表征漂移与语行动作不对齐问题。该方法通过蒸馏冻结模型的层级表示来防止漂移,并将动作目标转化为离散运动方向标签以联合训练。实验显示,该方法在单臂及双臂机器人的多种操作设置中均优于标准行为克隆,且在仿真基准上提升了长视野控制与感知鲁棒性。

  6. arXiv · 机器人与计算机视觉70

    VLA-Corrector:面向自适应动作视界的轻量化检测与校正推理

    论文提出了 VLA-Corrector 框架,旨在解决具身智能中固定动作视界导致的累积误差问题。该方法引入轻量级潜空间视觉监测器(LVM)在线检测视觉动态偏差,一旦检测到持续偏离即触发截断并调用基于在线梯度引导的修正重规划。该机制实现了事件触发的自适应动作视界,在保持长时程执行效率的同时显著提升了接触丰富操作任务的鲁棒性,且无需修改骨干策略权重或重新训练。

  7. arXiv · 机器人与计算机视觉75

    GUI-AC:增强 GUI Agent 的持续学习能力

    该论文提出 GUI-AC 框架,旨在解决图形用户界面(GUI)代理在多样化真实环境中泛化能力不足及强化微调不稳定的挑战。通过联合表征接地回卷的优势与策略概率,该方法构建了四区域视角以优化探索与过度自信问题,并引入接地确定性机制实现自适应优势更新与动态截断,从而提升持续学习能力。代码已公开于 GitHub。

  8. arXiv · 机器人与计算机视觉35

    RPO-PDT:具身对话智能体实现参与者感知的角色切换

    RPO-PDT 是一个具身对话智能体,能根据参与者身份在“个人发展导师”与“模拟学生”间动态切换。系统结合 Furhat 交互、Rasa 编排及 LLM 生成,通过自愿封闭式验证控制角色转换,保留手动覆盖与隐私删除权限。演示展示了该角色切换行为及相关隐私控制机制。

  9. arXiv · 机器人与计算机视觉75

    SwarmCoDe:一种支持动态分化的异构机器人集群可缩放协同设计框架

    论文提出了 SwarmCoDe 框架,这是一种将集群分解纳入优化过程的协同共同进化算法(CCEA),无需预先指定物种数量。该方法结合动态分化、进化基因标签、伙伴选择性和相对优势,联合优化了机器人硬件、任务规划行为、合作关系及部署组成。

  10. arXiv · 机器人与计算机视觉78

    Latent Policy Steering:基于单步流策略的潜在策略引导

    针对离线强化学习中回报最大化与行为约束间的脆弱权衡问题,本文提出 Latent Policy Steering (LPS) 方法。该方法通过反向传播原始动作空间 Q 梯度至可微单步 MeanFlow 策略来更新潜在动作空间的 Actor,消除了代理潜在评论家,使原始动作空间评论家能端到端引导潜在空间优化。

    推荐理由:提出 Latent Policy Steering 方法,通过可微单步流策略实现高保真潜在策略改进,在 OGBench 及真实任务中优于强基线。

  11. arXiv · 机器人与计算机视觉82

    接触丰富机器人任务的安全学习:从经典方法到安全基础模型的综述

    这篇论文是发表在 npj Robotics 上的综述,全面回顾了接触丰富机器人任务中基于学习的控制方法,特别是如何确保探索与执行阶段的安全性。文章将现有方法分为安全探索和 safe execution 两类,涵盖了约束强化学习、风险敏感优化、不确定性建模、控制屏障函数和模型预测安全盾等技术。

    推荐理由:该综述系统梳理了从经典方法到基础模型在接触丰富任务中的安全学习进展,为相关团队评估现有技术与未来方向提供参考。

  12. arXiv · 机器人与计算机视觉68

    OmniVIC:一种融合视觉语言上下文学习的自改进变阻抗控制器

    论文提出了 OmniVIC,这是一种结合视觉语言大模型(VLM)的通用变阻抗控制器(VIC),旨在提升富接触操作任务的安全性与适应性。其核心采用自改进检索增强生成(RAG)与上下文学习(ICL),从结构化记忆库中检索相关先验经验并结合当前任务提示词,利用 VLM 生成感知上下文的自适应阻抗参数,同时结合实时力/扭矩反馈确保交互力在安全阈值内。

  13. arXiv · 机器人与计算机视觉63

    VeriCUA:作为智能体探索的计算机使用代理验证

    arXiv 预印本介绍 VeriCUA,这是一个跨平台的通用验证框架,旨在解决计算机使用代理(CUAs)在桌面、移动和 Web 环境中的任务完成验证难题。该方法将验证视为动态证据收集与评估过程,先构建任务评分标准,再选择 GUI 或代码检查以补充缺失信息,从而减少因视图受限导致的误判。实验显示其在离线难例和在线拒绝虚假完成声明方面优于基线方法。

  14. 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。

  15. arXiv · 机器人与计算机视觉42

    SymAnt:通过可适应符号先验实现长时序动作预测的神经符号方法

    SymAnt 是一种结合神经网络表达力与场景知识图推理能力的神经符号方法,能在仅凭短时视频观察下高效预测长序列未来动作。该方法通过对两个图谱进行联合搜索构建符号上下文作为先验,支持用户直接编辑底层知识以调整预测而无需重新训练。实验在 Breakfast、50 Salads 等五个数据集上验证了其有效性,论文已获 WACV 2027 接收。

  16. arXiv · 机器人与计算机视觉58

    BURGER:基于具身绘图的机器人泛化基准评测

    论文介绍 BURGER 这一语言条件化的机器人绘图基准,利用可扩展的提示驱动流程生成了涵盖仿真与真实世界的连续绘制轨迹。研究使用 28,200 个跨越 282 项任务的模拟演示,评估了五个代表性 VLA 模型在数据规模、语言 grounding 和多模态行为上的表现,揭示了各模型在空间构图与动作生成上的不同失效模式。

  17. arXiv · 机器人与计算机视觉78

    HiFOR:面向视觉语言动作模型的动作引导分层前瞻与世界对齐研究

    该论文针对现有方法将短期动态与长期任务目标割裂、且未充分考虑预测未来与当前动作需求相关性的问题,提出了 HiFOR 框架。该方法通过层级依赖掩码联合预测短期状态演化、语义里程碑及最终目标状态;利用结构感知隐式世界建模沿时间、视角和空间维度组织未来潜在表示以支持细粒度检索;并在去噪过程中基于演化的动作表示自适应检索相关信息以指导动作生成。实验在两个仿真基准和六个真实机器人操作任务上验证了有效性。

    推荐理由:提出分层前瞻框架,通过层级依赖掩码统一预测短期状态与长期目标,并结合结构感知隐式世界建模实现动作引导的未来信息检索。

  18. arXiv · 机器人与计算机视觉53

    JEDI:用于上下文内模仿学习的联合嵌入演示压缩

    arXiv 预印本论文提出 JEDI 方法,旨在解决长多模态轨迹限制上下文容量的问题。该方法将演示压缩为潜在槽位,在冻结的视频 JEPA 空间中训练以预测查询阶段的下一关键帧,并利用任务与过程反事实保留执行细节。实验基于 LIBERO 基准和真实机器人验证,显示其在支持多示例上下文及保持动作遵循方面优于仅动作压缩方法。

  19. arXiv · 机器人与计算机视觉76

    TouchBridge:面向灵巧操作的触觉条件化人机转移框架

    TouchBridge 是一个软硬协同设计的框架,用于将人类演示高效转化为机器人领域的训练数据。其核心 Tac-Retarget 方法利用测量的接触信息对齐指尖接触区域并保留空间关系,无需物体网格、姿态估计或物理仿真即可实现跨形态映射。

    推荐理由:提出无需物体网格或物理仿真的触觉重定向方法,将人类演示转化为机器人训练数据,在四项任务中平均成功率达 72.5%。

  20. arXiv · 机器人与计算机视觉43

    Gaussian Distillation of Flow Policies:GAR 模型以 0.02% 数据蒸馏实现近教师成功率与两倍推理速度

    Gaussian Action Readout(GAR)将流策略末层替换为高斯读出,仅用 0.02% 合格状态训练即冻结其余网络。该方法单次动作网络遍历即可采样并给出闭式似然值,在保持近教师任务成功率的同时提升最高两倍的推理速度。研究分析表明流策略的连续动作分布可由高斯良好近似,相关代码与论文已公开于 arXiv。

  21. arXiv · 机器人与计算机视觉48

    LLM-guided Planar Loco-Manipulation for Quadruped Robots 实现语言引导的四足机器人平面推拉导航

    该研究提出一种联合选择技能、物体与几何目标的决策空间,利用微调后的语言条件任务规划器在仿真中达到 93.3% 成功率,优于分层基线并缩短超 60% 完成时间。硬件实验显示层级方法在 45 次尝试中正确组合技能 44 次,端到端成功 34 次。预印本 arXiv:2610.40248 包含附录与代码链接,无需预训练即可通过结构化表示实现动作组合。

  22. arXiv · 机器人与计算机视觉78

    RoboAtom:大规模原子动作监督用于机器人学习

    针对现有机器人数据集缺乏细粒度子任务标注且格式不统一的问题,该工作提出 RoboAtom-Data,为多源数据添加统一的、时间对齐的原子动作标注,涵盖 145 万条轨迹和 688 万个技能标记片段。

    推荐理由:该工作提出 RoboAtom-Data,为多源机器人数据提供统一原子动作标注与基准,并证明其能提升技能识别精度及分层执行的任务成功率。

  23. arXiv · 机器人与计算机视觉58

    AdMuse:一种基于技能引导的创造性广告图像生成方法

    AdMuse 是一个技能引导的多智能体框架,旨在解决在渲染前选择具有说服力的概念桥梁的挑战。该工作将高质量广告抽象为可重用的创意技能库,而非检索孤立示例。生成时协调技能路由、多候选构思与 VLM 引导的视觉细化。实验表明该方法能生成视觉上吸引人且忠实传达产品定位的广告。材料为 arXiv 预印本,属于计算机视觉领域研究。

  24. arXiv · 机器人与计算机视觉31

    VLMs 在检索任务中表现:探测准确率与千级候选召回无关联

    研究对比了六款视觉语言模型(VLM)在图像文本匹配与千项候选检索中的表现,发现基于手工负样本的探测准确率为 85%,而面对其他模型错误结果时降至 77%。实验表明,通过探测任务无法预测模型能否从数千个选项中正确召回首项,且开源基准\svo{}因标签不完整导致分数偏低。该研究揭示了当前 VLMs 在细粒度理解与大规模检索能力间缺乏直接关联。

  25. arXiv · 机器人与计算机视觉78

    基于二元可行性预言机的安全流匹配机器人策略学习

    针对流基动作生成难以保证关节限位和碰撞避免的问题,本文研究仅通过黑盒可行性预言机访问可行集的设定,提出一种引导的可微分防护机制。该机制在正向传播中利用二元查询修正不安全更新,在反向传播中提取局部边界信息提供约束感知学习信号。

    推荐理由:该文提出一种无需可微分约束模型的引导机制,利用二元可行性查询在训练与推理阶段同时保障物理约束满足。

  26. arXiv · 机器人与计算机视觉82

    RoboSeed:VLA 与世界动作模型的多维评估框架

    论文提出 RoboSeed 框架,旨在解决机器人动作模型选型中仅看成功率信息不足的问题。该框架从能力、下游训练成本、部署成本、本地验证研究价值及复现证据五个维度,利用固定归一化锚点将实证测量映射为 0-100 分档画像。

    推荐理由:提出 RoboSeed 多维评估框架,从能力、资源成本及复现证据等维度量化 VLA 与 WAM 模型,为不同预算团队提供选型依据。

  27. arXiv · 机器人与计算机视觉84

    LOGIV:用于长程机器人任务的因果验证执行与局部修复框架

    论文提出 LOGIV 框架,利用显式任务图连接符号规划、观测验证与具身动作,在现有 VLA 和世界动作模型策略之上运行。实验显示,该框架在不注入干扰时将 RoboTwin~V2 和 BiCoord 基准的平均任务成功率分别提升 10.67 和 15.33 个百分点;在预设扰动下表现优于三种恢复基线;在三项真实机器人任务中成功尝试数从 12/30 增至 17/30。

    推荐理由:提出 LOGIV 框架,通过显式任务图与因果局部修复机制,在不增加可训练组件的前提下提升长程机器人任务的鲁棒性与成功率。

  28. arXiv · 机器人与计算机视觉75

    VLA 应如何信任其推理?基于测量动作价值的步骤级引导

    论文提出 CoC-CFG 与 Q-adaptive guidance 方法,通过调节分类器自由引导的权重来平衡 VLA 策略中推理痕迹对动作生成的影响。该方法将权重选择建模为马尔可夫决策过程,利用专家冻结和固定噪声精确测量各步骤的动作价值,并拟合小批评网络进行保守优化。

  29. arXiv · 机器人与计算机视觉56

    M-PFT:一种用于微调视觉语言模型的校准提示词调整方法

    论文提出 M-PFT 方法,针对提示微调后视觉语言模型在基类与新颖类上的双重校准偏差问题,引入两个互补目标以扩大角距离并保留语义几何结构。实验表明该方法能有效降低新颖类的平均校准误差,同时保持基类竞争力和准确率,且计算开销可忽略。

  30. arXiv · 机器人与计算机视觉75

    面向黑盒视觉定位的代理不确定性方法

    本文针对机器人利用黑盒视觉语言模型进行视觉定位时的不确定性问题,提出一种形式化的贝叶斯定义与外部代理贝叶斯模型。该方法将 VLM 预测视为观测,通过分层检索在保留校准集局部邻域内量化每查询的不确定性,并分解为偶然性与认知性成分。研究结果表明,该方法能改善校准度与任务性能,并在真实 Fetch 机器人上实现自信行动与信息收集的权衡,提升鲁棒性。

  31. arXiv · 机器人与计算机视觉82

    思考型 VLM 的细粒度感知:局部化 - 头部对齐

    针对思考型视觉语言模型在高分辨率图像中遗漏细节的问题,研究提出利用注意力头作为训练信号的对齐方法。该方法让模型在学习推理陈述视觉事实时,将注意力聚焦于关键区域而非背景,从而提升细粒度感知准确率。

    推荐理由:提出利用注意力头作为训练信号的对齐方法,在无需多轮推理的情况下提升细粒度视觉任务准确率。

  32. arXiv · 机器人与计算机视觉42

    CulturalBind 基准评估视觉语言模型的跨模态文化知识编辑能力

    CulturalBind 基准包含来自 6 个领域的 1K 概念共 3.2K 张图片,用于评估视觉语言模型(VLM)的跨模态文化知识及概念级知识编辑。预编辑测试显示文本与视觉知识解耦,现有方法虽能修正单点错误但缺乏跨模态迁移性且连续编辑性能急剧下降。该工作揭示了将长尾文化概念注入现有模型的挑战,并呼吁开发更全面的适应方案以巩固多模态知识。

  33. arXiv · 机器人与计算机视觉82

    从推理到行动:基于后果的对齐框架用于视觉语言动作模型

    论文介绍 CoRAct 框架,旨在解决现有具身智能模型中推理与动作生成仅隐式关联的问题。该方法将运动指定和路径点作为可验证信号,利用混合 Transformer 架构联合建模推理、动作生成及未来预测。通过在动作噪声空间进行奖励引导的优化,使生成的动作与预期后果显式对齐。实验在 RoboCasa、VLABench 及真实操作任务中均显示出优于强基线的效果,并支持零样本适应新场景。

    推荐理由:提出 CoRAct 框架,通过奖励引导优化将 VLA 模型的推理与动作显式对齐,提升任务成功率与泛化能力。

  34. arXiv · 机器人与计算机视觉68

    PRIME W0:基于世界模型的具身操作物理先验框架发布

    PRIME W0 是一个分层条件流匹配框架,旨在解决 VLA 模型仅依赖当前观测而忽略长时序上下文与层级结构的问题。该工作通过三层设计实现突破:一是将预训练 VLM 的每层 KV 注入到自适应 MoE 动作专家;二是利用异步世界模型子目标图像预测及 DINOv2 历史帧语义桥进行动力学感知条件化;三是采用尊重机器人运动学耦合的动作动态流形(ADM)流匹配与协方差结构噪声。

  35. arXiv · 机器人与计算机视觉75

    Ask to Evolve:一种支持终身具身导航的统一框架

    论文提出了 EvoLife 统一导航框架,赋予智能体自主选择移动方式、何时提问及保留何种经验的自由。其混合动作空间涵盖航点导航、局部离散调整、像素级导航及物体导向导航;主动交互机制允许在遇到歧义或困难时寻求澄清或协助;持久空间记忆则将观察与对话绑定至具体位置以复用经验。