跳到正文
11月3日周二
  1. Hugging Face Daily Papers33

    Lab2Sim:将真实实验视频转化为交互式虚拟实验的基准与代码生成方法

    EduVideo2Code 方法通过分层提取实验步骤、编码为显式状态机并执行验证,解决了多模态模型难以忠实重构实验装置的难题。该方法在两个骨干模型上均提升了四项评估维度,其中装置保真度增益达 24.15 分。基准包含 218 个科学实验视频及 11,881 项评分细则,旨在为学习者提供可交互的虚拟实验环境。

  2. arXiv · 机器人与计算机视觉78

    高斯混合端点的高斯舒罗丁格桥:投影间隙与路径空间障碍

    论文研究了布朗运动先验下高斯混合分布间的随机密度控制问题。由于直接求解无闭式解,作者引入升维路径空间构造,将轨迹增广源目标标签,分解为显式的分量间桥接问题及有限维熵耦合分配。

    推荐理由:该文提出高斯混合分布的升维路径空间构造,量化了投影间隙与路径空间障碍,为密度控制提供理论边界。

  3. arXiv · 机器人与计算机视觉23

    AR 引导机器人超声在脊柱手术中的可行性研究:CBCT 与实时超声融合降低误差

    该系统集成 CBCT 三维模型与实时光学透视 AR,辅助针道规划并减少辐射暴露。十六名参与者在 facet joint injection 和 lumbar puncture 两项任务中测试显示,AR 显著缩短执行时间、降低跨任务放置误差并减轻认知负荷。研究证实了该技术在脊柱介入手术中的可行性及提升效率与用户体验的潜力。

  4. arXiv · 机器人与计算机视觉72

    Solving Stochastic Inverse Problems in Embedding Space 预印本发布

    该论文提出在嵌入空间中求解随机逆问题的方法,通过将随机模式映射到不变嵌入空间来恢复未知因果参数,无需手工设计目标函数或启发式规则。研究利用在大图像数据集上训练的嵌入模型获取鲁棒表示,并在物理、生物和社会三个自组织系统(反应扩散系统、胚胎发育模型及社会隔离代理模型)中验证了该方法在模式结果存在随机性时仍能可靠恢复参数的能力。

  5. arXiv · 机器人与计算机视觉80

    ExeWorldBench:首个基于代码的可执行三维世界建模基准

    ExeWorldBench 是首个全面评估世界理解与可执行实现的基准,旨在衡量将物理原理转化为代码系统的能力。该基准包含机制可执行性、组合可执行性和意图驱动的可执行世界合成三项任务。实验显示当前前沿模型在构建具有物理交互行为的系统中存在显著局限。

    推荐理由:ExeWorldBench 填补了代码化可执行世界建模的评测空白,通过三项任务揭示前沿模型在物理因果理解与实现上的局限。

  6. arXiv · 机器人与计算机视觉38

    SCALOFT 仿真框架下模糊逻辑引导的突变测试研究

    针对地下矿井无人飞行器(UAV)在不确定运营设计域(ODD)中的安全验证难题,该研究利用 SCALOFT 仿真框架开展突变测试。实验对比了均匀随机生成与模糊逻辑风险优先两种策略,结果显示后者能获得更高的突变分数并更有效暴露难以检测的故障。

  7. arXiv · 机器人与计算机视觉42

    LM-Grasp 基准与残差姿态后验提升仿真抓取规划成功率

    LM-Grasp 基准基于 1.58 万张 LINEMOD RGB-D 图像,揭示仅满足 ADD(-S) 精度标准的姿态在仿真中规划成功率仅为 0.791。该方法利用标注帧误差构建残差姿态后验,在不重训估计器前提下将仿真成功率提升至 0.859,且在遮挡场景下缩小了与标注姿态 66% 的差距。

  8. arXiv · 机器人与计算机视觉72

    大离散策略:通过随机迭代评分推进显式行为建模

    大离散策略(LDiP)是一种全离散的行为建模框架,从大量物理合理的候选动作中选择动作,而非扰动动作。它通过空间中的随机性逐步重新评分和剪枝候选项,实现细粒度排序与探索,同时保留显式的决策过程。在端到端规划、闭环驾驶、机器人操作及视觉语言动作设置中,LDiP 在自动驾驶任务上优于强离散和连续基线,在机器人操作中超越或匹配连续生成策略。

  9. arXiv · 机器人与计算机视觉84

    基于机器人渲染的因子化世界模型

    该论文提出了机器人因子化世界模型(RoFacto),通过将动作实现与场景响应预测解耦:首先利用控制器和运动学将指令序列转化为无需未来状态的名义轨迹,随后通过 URDF 进行机器人渲染以显式处理几何、运动学和外观。该方法利用末端执行器深度和静态 RGB 上下文构建共享视觉接口,实验表明其优于向量条件基线,支持未见过的机器人本体迁移,并能从重定向的人类演示中生成操作视频。

    推荐理由:提出将机器人动力学与渲染显式分离的世界模型架构,支持跨本体迁移及从人类演示生成操作视频。

  10. arXiv · 机器人与计算机视觉35

    On the Limits of Sampling-Based Reachability:几何、动力学与样本复杂度研究

    针对哈密顿 -雅可比等经典方法随状态维度扩展性差的问题,该研究将基于采样的可达集恢复建模为几何支撑估计。理论证明在初始集补集具有正距离且动力学满足 Lipschitz 连续时,可获 Hausdorff 距离精度保证,但样本复杂度呈指数级依赖状态维与时域。实验证实对抗采样仅改善常数项而无法改变这一内在的指数缩放规律。

  11. arXiv · 机器人与计算机视觉42

    UAV-DualCog:首个针对具身无人机智能体的双认知基准评测

    研究团队提出 UAV-DualCog,这是首个将无人机智能体状态推理与世界状态推理进行联合评估的基准。该基准利用 SUSP 仿真平台与 DCCS 采集系统构建 4096 张图像和 2048 个视频样本,涵盖 12 个场景及共享的智能体 - 地标上下文。对 45 种多模态大语言模型的广泛评测显示,当前模型在无人机双认知任务中可靠性不足,状态推理弱于世界推理且语义回答缺乏空间时间配准。

  12. arXiv · 机器人与计算机视觉35

    几何层级失效审计:MERU、HyCoCLIP 与 PHyCLIP 模型未实现有效径向或锥体层级

    针对 MERU、HyCoCLIP 和 PHyCLIP 七个检查点,审计发现其收敛后曲率半径远低于产生显著度畸变的阈值,且语义遍历与乱序测试均未检测到有效的全层级读出。研究指出低曲率捷径导致模型通过放宽蕴含锥而非学习顺序来抑制违规,证实这些公式在当前诊断下未展现可操作的径向或基于锥体的层级结构。作者据此提炼出五数几何报告以评估未来关于层级的主张。

  13. arXiv · 机器人与计算机视觉43

    时变马尔可夫决策过程下的遗憾引导更新调度:机器人何时重规划?

    针对非平稳环境中机器人在线预算受限问题,研究提出基于动态遗憾的自适应更新规则以优化状态估计与重规划时机。该方法在火星车导航仿真及室内障碍场中的 Crazyflie 四旋翼实验里,均优于其他有预算基线方案。相关代码与论文已公开于 arXiv。

  14. arXiv · 机器人与计算机视觉67

    HaltNav:基于轻量级拓扑先验的反应式视觉制动导航方法

    论文提出 HaltNav 分层导航框架,耦合基于 osmAG 的稳健全局规划与 VLN 本地执行能力。通过 MLLM 大脑模块将全局路线转化为局部指令,并利用反应式视觉制动机制检测异常、更新拓扑并触发重规划以应对环境变化。研究引入生成模型合成障碍物的数据管道来增强困难样本训练,实验表明该方法无需繁琐语言指令即可在环境变化下显著提升长视界导航鲁棒性。

  15. arXiv · 机器人与计算机视觉42

    OmniGuide:通用空间引导场增强泛化机器人策略

    OmniGuide 提出利用任意来源的引导(如 3D 基础模型、语义推理 VLM)作为可微能量函数,显著提升 VLA 模型在复杂任务中的成功率与安全率。实验涵盖仿真与真实环境,证实该框架能匹配或超越此前针对特定引导源的方法,有效增强 $\pi_{0.5}$、GR00T N1.6 等最先进泛化策略的表现。论文已接受 CoRL 2026,项目页面提供相关代码与资源。

  16. arXiv · 机器人与计算机视觉68

    基于场景图的感知受限运动规划:MOPS-PRM 方法

    针对高自由度机器人在复杂环境中需同时满足多对象监控等感知约束的问题,本文提出 MOPS-PRM 这一基于路图的运动规划器。该方法将感知成本作为场景图的一部分嵌入每个物体中,在构建路图时选择性采样配置以隐式执行感知约束。实验表明,相比其他感知受限基线,该方法在平均检测对象数量上提升约 36%,跟踪率提升约 17%,且规划时间和路径长度相当。

  17. arXiv · 机器人与计算机视觉75

    LangMap:首个支持四层层级目标的开放词汇导航基准

    针对现有导航基准依赖大模型生成且存在歧义的目标描述问题,本文提出了 LangMap 基准和 HieraNav 任务。该工作基于 HM3D 构建,首次通过人工验证为室内三维扫描数据添加了涵盖场景、房间、区域和实例四层语义的标注,覆盖 414 个类别及超 18K 任务。

  18. arXiv · 机器人与计算机视觉68

    MindEye2:共享主体模型实现仅需一小时数据的脑活动到图像重建

    MindEye2 通过预训练跨多个受试者并微调新受试者的少量数据,实现了仅需一小时 fMRI 训练数据的高质量视觉感知重建。该方法利用功能对齐将脑数据映射至共享潜在空间,并结合 Stable Diffusion XL 实现从 CLIP 空间到像素空间的转换,在图像检索与重建指标上优于单受试者方法。代码已开源。

  19. arXiv · 机器人与计算机视觉58

    面向人类的世模型:一种整合上下文、历史与环境的预测框架

    论文提出了‘面向人类的世模型’(HOWM)这一概念框架,旨在通过整合当前观察、个人历史与环境社会背景来组织持续的状态估计、个性化动力学预测及行动支持。该框架利用动态期望与新观测共同修正状态估计,并基于共享知识与个体经验生成个性化预报;同时引入外部策略将不同条件下的预报与人的目标偏好关联,并利用实际响应结果反哺模型修订。

  20. arXiv · 机器人与计算机视觉12

    DAT 屏幕通过空间投影与触觉传感实现虚拟代理的可触摸交互设计

    桌面中触(DAT)屏幕结合半透明可变形网格的空间投影、触觉传感及阻力电机控制,使虚拟代理能模拟接触表面的形变与抗推响应。系统原型从检测单次触摸位置深度演进至通过张力控制调节屏幕抗凹陷能力,演示了物理反馈交互的可行性。该研究在 HAI 2026 工作坊提出设计问题:虚拟代理是否应表现出偏好或边界,以及何时实施此类行为。

  21. arXiv · 机器人与计算机视觉82

    大规模神经系统中在线主动学习的端到端稳定性分析

    该预印本论文针对安全关键应用中的在线主动学习(OAL)提出了稳定性理论框架。研究将预测误差作为反馈信号更新结构化深度模型,并证明仅靠输出误差收敛不足以保证全局参数收敛。通过分离输出调节、内部零动力学及层间耦合,结合持续激励与主动阻尼消除残差空模态,利用级联李雅普诺夫分析确立了整体学习过程的渐近稳定性,同时利用单调激活函数和微分同胚映射确保目标参数轨迹的唯一性。

    推荐理由:该文提出基于李雅普诺夫稳定性的在线主动学习框架,解决了大规模多层神经网络在动态环境下的参数收敛与稳定性问题。

  22. arXiv · 机器人与计算机视觉73

    大语言模型智能体能否通过观看教程视频进行学习?

    本文介绍 Tutorial Agentic Learning(TAL),一种无需参数更新的非参数化持续学习范式,通过两阶段对抗过程将教程视频整合为持久化的结构化记忆库,并在推理时利用目录树进行检索。研究构建了 VidLearn 基准,基于 72 个国际象棋教程视频,结果显示 TAL 在训练和测试集上分别比基线模型提升 113% 和 91%,且在双人实战中 69% 的对局开局阶段表现更强。

  23. arXiv · 机器人与计算机视觉42

    CalVLA:通过结果监督塑造视觉语言动作策略的原生置信度

    CalVLA 利用成功与失败的回放数据,在不引入辅助故障检测器的情况下,仅用低秩适配器微调 OpenVLA-7B 以预测任务失败。在 LIBERO-10 基准的独立测试集中,适配后的置信度将联合故障判别 AUROC 从 0.4485 提升至 0.7392±0.0480,但平均任务成功率由 58% 降至 55%。

  24. arXiv · 机器人与计算机视觉5

    Catenary Visibility:系留机器人几何可见性规划框架发布

    该研究提出“悬链线可见性”概念,为地面机器人与空中无人机组成的系留系统构建几何规划框架。算法先求解二维平面子问题以确定可行发射点及缆绳长度范围,进而推广至三维受限障碍物场景。论文解决了确定从给定三维目标出发、在地面平面上可行的部署区域这一计算挑战。

  25. arXiv · 机器人与计算机视觉49

    Spectral and Conformal:基于光谱骨干与规范分位回归的轨迹预测与控制点区间校准方法

    该研究提出一种结合光谱神经网络、规范分位回归及区间算术的框架,为四旋翼飞行器在闭环线性二次调节器下提供可校准的轨迹预测与控制点区间。经重构后的网络在树莓派 Zero 2 W 上实现 3.45ms 的推理时间,含轨迹推断的总流水线耗时 9.81ms(约 100Hz),满足典型控制频率要求。

  26. arXiv · 机器人与计算机视觉74

    Pixel-UMI:基于传感器化人类演示的环境感知全身操作学习

    论文提出 Pixel-UMI 框架,利用传感器化的人类演示数据学习环境感知的全身操作策略。该方法引入环境感知重定向(EAR)结合场景几何与人体轨迹生成避障关节目标,采用延迟校准动作分配解决运动学差异,并通过误差感知掩码(REAM)减少部署时的视角失配,最后利用 DAgger 收集在线人类修正以增强接触丰富交互的性能。

  27. arXiv · 机器人与计算机视觉57

    通过机器人助手中介人类 - 群体交互:一种受牧羊启发的方法

    本文研究了利用中间机器人助手引导大型群体的技术,针对野生动物群等“不可治理”的群体场景,对比了低层级遥操作与基于集体形状(如边界控制)的高自主性运动原语接口。实验结果表明,后者在虚拟现实牧羊任务中提升了表现并降低了感知工作负载。该论文已接受发表于 IROS 2026,属于预印本状态。

  28. arXiv · 机器人与计算机视觉42

    ALOE:一次特征对齐实现基础视觉 Transformer 的可扩展 B-cosification

    ALOE(ALign Once to Explain)提出一种无需标签的一次性特征对齐方法,将基础视觉模型转化为可解释的 B-cos 变体。在 ImageNet 分类任务中,该方法使 DINOv3 ViT-B/16 的 Top-1 准确率较普通 B-cosification 提升 10.5 个百分点,同时保留与 DINOv3、SigLIP2 相当的线性探测和零样本迁移能力。

  29. arXiv · 机器人与计算机视觉73

    面向不确定性感知与物理基础的拟人世界模型研究

    该工作论证了现有两个独立组件可构成完整的人体世界模型:KNOWN 负责实时三维人体重建并估计偶然性与认识论不确定性,PhysMoP 负责基于学习动力学项求解欧拉 - 拉格朗日方程以预测未来身体构型。作者定义了两者接口,提出了三种让不确定性进入物理模型的机制,并制定了野外视频评估协议。材料未报告新的实验结果,仅作为 CoRL2026 UncertainWM Workshop 的预印本提交。

  30. arXiv · 机器人与计算机视觉58

    ASCoR:面向遥感领域的非对称语义 - 空间学习通用化方法

    该论文提出 ASCoR 框架,旨在解决遥感语义分割中仅在源域监督下对未见域的泛化问题。该方法基于 SAM3 构建非对称架构,通过文本条件分支提供类别引导,利用探测一次动态自适应 LoRA 限制源域特异性,并引入轻量级可靠性路由器整合多尺度空间表征。实验在 ISPRS、LoveDA 和 OpenEarthMap 基准上验证,实现了新的平均 IoU 记录,代码已开源。

  31. arXiv · 机器人与计算机视觉42

    Safe-Ballbot:基于控制屏障函数的倾斜一致 MPC 球型机器人导航方案

    Safe-Ballbot 提出了一种三层球型机器人(ballbot)导航架构,上层利用 jerk 模型预测控制器配合离散时间控制屏障函数处理静态及动态障碍物,下层采用扩展状态观测器的分层滑模控制器。MuJoCo 仿真显示该方案规划耗时仅 9--12ms,比全模型非线性 MPC 快 10--15 倍,同时保持至少 10cm 安全间隙、轨迹跟踪误差小于 2cm RMS 且倾斜角始终低于限制。

  32. arXiv · 机器人与计算机视觉78

    VerifLM:面向机器人操作的物理验证图像编辑引导目标位姿生成

    VerifLM 是一个将图像编辑生成的目标配置转换为经物理验证的六自由度物体位姿的框架。该方法利用编辑后的图像恢复主动与被动物体间的初始相对位姿,提示视觉语言模型生成分轴采样约束和任务特定验证程序,并在物理模拟器中评估候选位姿。

    推荐理由:该框架将图像编辑目标转化为经物理验证的位姿,在无需预定义网格的情况下实现高成功率。

  33. arXiv · 机器人与计算机视觉48

    TRAILS:一种用于自动室内移动研究的轨迹生成框架

    TRAILS 是一个自动化框架,可生成包含环境布局、路径及时间参数化运动剖面的完整虚拟导航场景。该工具结合基于约束的程序化环境生成器与优化三次贝塞尔曲线技术,在仅需少量直观用户定义参数的情况下,自动产出满足预设几何与运动学约束的多样化室内场景。代码已公开于相关 URL,适用于遥操作与人机实验研究。