跳到正文
10月27日周二
  1. arXiv · 机器人与计算机视觉38

    分布式窄带声源定位与对抗性声学监测技术报告

    该报告提出一种针对离岸数据中心威胁的被动声学监控框架,通过移动接收器构建锚点约束解决稀疏传感器下的多义性问题。方法在仿真中实现 91% 的定位成功率,野外试验中 10 次里有 9 次追踪误差低于 2m。研究经蒙特卡洛模拟、ROS-Gazebo 演示及开放水域实验验证了技术可行性。

  2. arXiv · 机器人与计算机视觉63

    ScheNav:基于示意图的目标导向导航方法

    针对复杂环境中具身智能体寻找目标物体的任务,本文提出了 ScheNav 框架及 Furnished-RPLAN 数据集。该工作利用草图(如手绘或方向标注)作为低成本引导信息,通过 SchemaField 模块融合引导信息与观测数据以预测空间价值场,实现了从粗糙示意图到探索与停止决策的转化。

  3. arXiv · 机器人与计算机视觉83

    HumanoidNDM:通过人形神经动力学模型弥合运动跟踪的训练与部署差距

    针对人形机器人在真实部署中因物理扰动或仿真不准导致的训练 - 部署差距问题,本文提出 HumanoidNDM 在线微调框架。该方法在数据采集阶段引入低频自适应参考扰动机制,在模型训练阶段利用可微前向运动学构建基于本体的神经动力学模型以消除对昂贵动作捕捉系统的依赖,并在策略微调阶段通过反向传播梯度直接优化策略。

    推荐理由:提出首个无需动作捕捉的在线微调框架,通过本体感知神经动力学模型实现人形机器人对扰动的快速适应。

  4. arXiv · 机器人与计算机视觉83

    X-World:将视频先验迁移至可变视角机器人控制框架

    该论文提出了 X-World 框架,旨在解决将视频扩散模型生成的交互表示迁移到机器人控制的问题。方法上,通过残差跨视角注意力分支扩展预训练视频骨干网络以支持一到三个视角,利用层对齐的 Q-Former 聚合特征,并通过数据集特定模块映射原生状态与动作接口至共享动作专家。

    推荐理由:该框架将视频先验通过固定长度 token 序列迁移至共享动作专家,在 LIBERO 基准上达到 98.5% 成功率,并展示了跨视角融合与去耦训练对真实双臂任务的效果。

  5. arXiv · 机器人与计算机视觉38

    LiDAR-Based Sim-to-Real GNN Framework 实现建筑机器人无标签轨迹交互感知路径修正

    该研究提出一种基于激光雷达的实时框架,从无标签演示中学习交互感知的路径修正以应对动态施工环境。在砌砖试验中,该方法将路径不规则性降低 39.2% 并提升最小 TTC;在 Dynablox 序列中,TTC 增加 38.3% 且生成更平滑路径。消融研究验证了 1.0 秒预测区间及上下文增强等策略的有效性,论文已提交至 Automation in Construction。

  6. arXiv · 机器人与计算机视觉72

    T-ConSG:面向动态演化环境的基于 LiDAR 的实时时序施工场景图

    针对施工等动态演化环境,本文提出 T-ConSG 方法,利用 LiDAR 几何证据增量构建包含自由空间、静态对象、动态对象及安装移除事件的统一时空场景图。研究在砌砖测试床导航、ConSLAM 数据集进度监测及仿真环境变化检测三个应用中验证了该方法对短期动态与持久变化的联合表征能力,支持机器人跨环境推理。

  7. arXiv · 机器人与计算机视觉78

    基于 RGB-D 的移动端机器人实时行人轨迹预测:TrajMamba 模型

    针对移动机器人在动态环境中导航的短时段行人轨迹预测任务,该研究提出 TrajMamba 模型以解决传统方法中训练数据理想化与推理端传感器噪声之间的分布差异。模型采用单一路径处理姿态提取、深度反投影及平滑过程,利用堆叠双向 Mamba 块编码髋部中心速度并配合 GRU 头解码未来速度。

    推荐理由:该工作提出轻量级双向状态空间模型解决训练部署分布差异,在移动机器人上实现实时行人轨迹预测。

  8. arXiv · 机器人与计算机视觉53

    RoboLongR:因果一致奖励让机器人逐步掌握长视界操作

    论文提出 RoboLongR 框架,旨在解决长视界操作中视觉进展掩盖任务先决条件的问题。该方法通过阶段打乱监督、循环记忆和两轮训练学习依赖历史的奖励,引导策略从行为克隆过渡到在线强化学习。模型在 RLBench 88 个任务预训练后,对未参与预训练的 18 个长视界任务平均成功率达 31.8%,超越最强基线 9.2 个百分点;在四个真实机器人任务上成功率为 57.5%,提升 32.5 个百分点。

  9. arXiv · 机器人与计算机视觉72

    AdaDexTrack:面向语言指令的自适应灵巧操作跟踪新框架

    论文提出了 AdaDexTrack 框架,通过引入循环调制器解决语言指令转化为长程接触丰富手物交互时的噪声与偏差问题。该框架包含蒸馏后的通用跟踪器作为技能载体,以及执行参考调制、物体潜变量调制和位置目标调制三种反馈修正机制。研究在大规模数据集上训练并验证了该方法在未见轨迹和物体上的鲁棒性与泛化能力,同时在真实硬件上实现了零样本仿真到现实的迁移,显著提升了纯跟踪器变体的性能。

  10. arXiv · 机器人与计算机视觉82

    一次扫描即够:无需演示的语言引导导航自适应方法

    针对语言引导导航在新环境中部署失败的问题,该方法利用单次 iPhone 扫描构建训练环境并合成可执行导航片段,通过解析重建场景的帕累托效用直接适配策略,无需人工标签或模仿学习。在五个真实环境中,RealNav 系统达到 85% 的成功率,显著优于依赖人工演示基线的 49%,且在未扫描区域也保持 82% 的性能。

    推荐理由:提出用单次手机扫描替代人工演示,通过解析重建场景实现免标签策略适配,在真实机器人上导航成功率提升至 85%。

  11. arXiv · 机器人与计算机视觉65

    Open-World Law-to-Action:融合视觉语言先验与触觉的未知物理部件操作研究

    该研究提出了 Open-World Law-to-Action 框架,旨在解决机器人在未见过的家庭场景中操作具有隐藏物理属性(如门锁、阻力)的可动部件问题。系统利用视觉语言模型生成运动学约束作为先验,并通过贝叶斯线性回归在线识别部件的物理规律,同时保留触觉推翻假设的能力。实验在仿真环境中进行,结果显示该方法能显著提升对需要新物理项物体的任务成功率,并在未知场景中保持较高的完成比例。

  12. arXiv · 机器人与计算机视觉31

    灵巧操作学习综述:手、仿真器、训练与评估

    该综述调研了 113 种基于学习的灵巧操作方法,涵盖其运行的手部硬件、训练的 GPU 仿真器及结果报告方式。研究发现近半数方法采用强化学习在单一仿真器中训练并蒸馏至视觉学生模型,而另一半则通过遥操作演示利用视觉语言动作模型学习。自 2022 年以来相关发表工作已增长三倍,且几乎所有实验均基于四种手部硬件进行。

  13. arXiv · 机器人与计算机视觉58

    RAIWAY:一种配备 20 英寸车轮的接触感知盲式双足机器人

    该研究介绍了 RAIWAY,一款由团队自主研发的大轮双足机器人,其核心在于提出了一种基于接触信息的控制方法,用于在不规则和不连续地形上的滚动运动。该方法利用仿真中的接触信息蒸馏出潜变量表示,部署时控制器仅需本体感知即可在线推断该表示,无需直接安装接触传感器。

  14. arXiv · 机器人与计算机视觉73

    Gaussian Episodic Memory for Long-Term Spatiotemporal Reasoning

    论文介绍 GEMS 框架,通过一次性重建并仅更新变化区域的持久化 3D 高斯溅射图,结合代理推理管线按需渲染新视角以回答时空问题。作者构建了包含 15 个环境、473 对问答的 GEMS-Bench 基准,实验显示该方法在物体定位和时空问答上优于基线,且渲染质量与专用更新方法相当。代码和数据已公开。

  15. arXiv · 机器人与计算机视觉78

    Saga:一种用于多模态患者世界模型的体内本体论

    论文介绍 Saga,这是一个多模态患者世界模型,能够从患者历史中学习共享状态以预测临床事件并生成多模态图像。研究基于 12 种癌症类型、461,370 名患者及 112 个中心的数据。

    推荐理由:该工作提出 Saga 多模态患者世界模型,通过共享状态连接病史与未来事件,在癌症纵向预测任务中展现出优于基线的性能。

10月26日周一
  1. 盖世汽车 · 汽车资讯42

    模感科技完成亿元级天使+轮融资,推出基于电磁超构力学的MoSkin全身电子皮肤以解决Sim-to-Real触觉鸿沟

    10月26日,由港科大冠军队孵化的模感科技宣布完成亿元级天使+轮融资,资金将用于全身触觉产品研发及量产测试体系建设。其核心产品MoSkin基于电磁超构力学技术,覆盖手部至足底,旨在通过高频多维反馈修正低频决策以缩小仿真到现实的差距。目前公司仍处于量产测试体系建设阶段,尚未披露营收与客户名单。

  2. arXiv · 机器人与计算机视觉70

    机器人世界模型是否真的遵循动作?——WorldEcho 诊断与世界 Sync 对齐研究

    针对动作条件世界模型在专家演示外轨迹上可靠性不足的假设,本文提出 WorldEcho 通过视觉完整性与 SE(3) 末端执行器轨迹对齐评估动作跟随能力。研究发现专家训练模型对非专家轨迹表现不佳,产生运动不一致或视觉无效生成。

  3. arXiv · 机器人与计算机视觉55

    具身智能与机器人仿真的3D生成:综述

    这篇论文是2026年10月发布的arXiv预印本,系统回顾了3D生成技术在具身智能和机器人仿真领域的应用。文章将3D生成的作用归纳为三类:作为数据生成器提供可交互的物理对象;构建支持任务执行的仿真环境;以及搭建数字孪生与合成演示以弥合仿真到现实的差距。研究指出该领域正从追求视觉逼真度转向关注交互就绪性,并列举了物理标注有限、几何质量与物理有效性存在差距等关键挑战。

  4. arXiv · 机器人与计算机视觉74

    Regularised RL improves sim-to-real transfer

    论文研究强化学习正则化对仿真到现实迁移的影响,提出新型算法 Soft MellowMax Actor-Critic (SMM-AC)。在 MuJoCo 连续控制基准测试中,SMM-AC 表现与 Soft Actor-Critic (SAC) 相当;在真实机器人上,SMM-AC 获得更高回报,且对观测、环境和动力学扰动表现出更强的鲁棒性。

  5. arXiv · 机器人与计算机视觉48

    SceneBloom:具身学习框架实现无碰撞室内环境生成与导航策略提升

    SceneBloom 结合视觉布局采样与合同引导的三维编译,在五种房型中实现了最高视觉质量、物理稳定性且零网格碰撞。其生成的场景分布更接近真实房间,训练出的物体导航策略在独立真实扫描中的成功率优于同等数量真实训练数据。代码已开源。

  6. arXiv · 机器人与计算机视觉78

    面向代理自博弈的语义表示:VERID 基础设施在自动化实验室中的应用

    针对复杂高维生物搜索空间探索中物理执行受限于静态自动化和未建模物理变异的瓶颈,本文提出 VERID(Verified Infrastructure for Discovery Laboratories),这是一种持久化、高保真的实验室工作站语义数字孪生基础架构。

    推荐理由:提出 VERID 语义数字孪生基础设施,通过仿真验证与错误恢复机制解决湿实验室自动化瓶颈。

  7. arXiv · 机器人与计算机视觉82

    SemGeo-Gen:一种基于弱对齐3D物体集合的无监督近似跨实例语义几何对应关系生成方法

    该研究提出 SemGeo-Gen 方法,旨在从仅具粗略类别级旋转对齐的弱对齐 3D 物体集合中自动生成具有语义意义且几何一致的近似跨实例对应关系。该方法将多视图 DINOv2 特征提升至 3D,利用连续分段仿射配准对齐物体实例,并通过语义一致性剪枝候选匹配。

    推荐理由:该工作提出无监督生成近似跨实例语义几何对应关系的方法,利用弱对齐的3D物体集合替代昂贵的人工标注,为现代对应模型提供可扩展的训练监督信号。

  8. arXiv · 机器人与计算机视觉69

    Tempo-Zero:基于可执行世界的递归自博弈视频推理方法

    论文介绍 Tempo-Zero,一种通过闭环可执行环境、执行验证的自博弈和环境演化来实现自我改进的视频推理框架。该方法让单一策略同时担任出题者和解题者,利用程序执行生成的真实时间戳证据替代噪声伪标签进行训练。尽管仅基于简单程序且无需监督微调或外部视频数据,Tempo-Zero 在十二个真实世界视频基准上平均优于基线模型和近期自博弈方法,尤其在时序定位任务上表现显著。

  9. arXiv · 机器人与计算机视觉45

    RootDown:部署与基准测试边缘设备上的甜菜根检测模型

    RootDown 提出端到端图像流水线,利用 SAM 3 生成标注以解决甜菜根重叠遮挡难题。在 Raspberry Pi 5 搭配 Hailo 加速器的边缘设备上,该方法实现了高精度、低延迟且低功耗的推理性能。研究结果证明基础模型标签可大幅替代人工标注,为移动户外自动质检提供实用方案。

  10. arXiv · 机器人与计算机视觉82

    TravSUITE:基于自监督、不确定性感知的逆强化学习与地形估计的可通行性系统

    论文提出了适用于高速越野导航的 TravSUITE 系统,该系统包含利用视觉基础模型构建几何语义局部地图的高效体素映射器,以及联合预测鸟瞰图下几何、语义、速度和成本的统一神经网络。

    推荐理由:该工作提出无标注的自监督训练策略,结合地图补全与逆强化学习实现越野环境下的可通行性预测与风险自适应。

  11. arXiv · 机器人与计算机视觉45

    基于多模型检索融合与交叉编码器重排序的合成到现实文本化人员异常搜索框架

    该研究提出一种利用合成数据训练并迁移至真实监控图像的文本化人员异常搜索框架,通过 Qwen3-VL-Embedding-8B、SigLIP2 及 Qwen3-VL-Reranker-8B 实现检索与重排序融合。系统在 AI City Challenge 2026 Track 4 测试中取得 94.7815% mAP 和 90.8493% R@1,位列公开排行榜第八名。

  12. arXiv · 机器人与计算机视觉48

    StateBridge:基于相位与轨迹感知的合成到现实交通视频描述与问答框架

    StateBridge 是一种仅使用合成数据训练的交通视频语言框架,通过相位感知剪辑和结构化提示将视觉语言模型锚定在稳定证据上。该框架在 AI City Challenge 2026 Track 2 中取得官方 S2 分数 55.4679,证明了结构证据转移在交通场景描述与问答中的有效性。论文为预印本状态,包含 25 页正文和 5 张图示,投稿于 ECCV 会议。

  13. arXiv · 机器人与计算机视觉78

    WorldMirror:基于野外机器人演示的交互式世界代理式实到仿真生成

    针对机器人学习仿真中场景构建繁琐的问题,该研究提出了 WorldMirror 框架,将实到仿真(real-to-sim)构建定义为可执行世界程序的迭代优化过程。通过智能体分解观测场景、规划重建步骤并编排图像与三维生成工具,结合相机位姿锚定的场景表示来诊断和修正错误,从而从野外机器人演示中生成视觉保真且几何一致的交互式数字孪生,同时保持记录轨迹的物理有效性。

    推荐理由:提出将实到仿真构建视为可执行程序的迭代优化,利用智能体编排工具生成物理一致的数字孪生。

  14. 盖世汽车 · 汽车资讯87

    无界动力发布并开源MWA™-Phoenix隐空间世界模型基座

    无界动力正式发布并开源MWA™-Phoenix端侧7B参数完整预训练模型,该模型在LIBERO-Plus、LIBERO-Pro等六项评测中取得领先成绩,验证了其在环境扰动与复杂操作方面的能力。

    推荐理由:无界动力发布端侧7B隐空间世界模型及仿真工具,在多项评测中验证了仅凭RGB输入完成复杂操作与真机执行的能力。