跳到正文
11月9日周一
  1. arXiv · 机器人与计算机视觉72

    Augmentron:用于机器人学习的可扩展多视图视觉增强方法

    论文介绍了一种名为 Augmentron 的几何感知数据增强流水线,旨在解决现有生成式方法计算成本高及跨相机时间戳不一致的问题。该方法通过生成可复用的场景表示并渲染至录制相机位姿,在保持机器人、任务对象、动作和标注不变的前提下,产生时间和多视角一致的环境与工作空间变化。

  2. arXiv · 机器人与计算机视觉83

    Flex-RSI:前沿智能体在视觉与机器人任务中的递归自我改进基准

    Flex-RSI是一个针对视觉和机器人任务的智能体递归自我改进基准。该基准允许智能体在固定预算下利用反馈改进其解决方案及自身架构(包括提示词、工具和记忆)。评测涵盖感知、推理、机器人操作、3D重建等多个领域,发现当智能体构建自身解决方案时自我改进最有效,且编辑执行器本身对增益有显著贡献。

    推荐理由:Flex-RSI基准评测了智能体在视觉与机器人任务中的递归自我改进能力,发现编辑执行器本身对提升效果至关重要。

  3. arXiv · 机器人与计算机视觉78

    On Agentic Manipulation Policies:通用 AI 代理策略实现机器人操作新基准

    论文提出通用 AI 模型可直接控制机械臂的代理操纵策略(AMPs),无需演示或特定训练即可在 RoboLab-120 和 CaP-Gym 基准上达到最先进结果。AMP1 参考框架支持单臂、双臂及移动操作,在真实世界实验中零样本成功率达 85.6%,显著优于现有 VLA 和 WAM 策略。研究还展示了通过持久化记忆提升经验学习能力的潜力,相关代码与视频已公开。

    推荐理由:该文提出通用 AI 代理策略在零样本任务中优于专用 VLA/WAM,并开源参考框架 AMP1。

  4. arXiv · 机器人与计算机视觉73

    Grasp-TAGS:基于评论家蒸馏的任务感知抓取选择用于 prehensile 位姿的 locomotion-manipulation

    论文提出了 Grasp-TAGS 框架,旨在解决移动操作器在长时序任务中协调运动与操作的挑战。该方法训练统一的 PPO 强化学习策略,并将学到的评论家蒸馏为轻量级抓取效用网络,仅凭候选抓取配置和目标信息即可对候选抓取进行排序。

  5. arXiv · 机器人与计算机视觉52

    利用蛇形机器人进行自主全身运动操控

    针对蛇形机器人全身同时作为推进机制和操控工具的挑战,作者提出了无需区分功能的闭环全身运动操控方案。研究开发了统一处理机器人 - 地面、机器人 - 物体及物体 - 地面相互作用的接触隐式动力学模型,并在 Moreau-Jean 时间步进框架下构建了基于几何规划器和名义比例控制器的轨迹优化方法。该方法在硬件上验证了侧行推物任务的能力,并提供了简化轨迹优化的仿真结果以解析相关接触问题。

  6. arXiv · 机器人与计算机视觉78

    可穿戴输入输出接口学习个性化触觉感知模型

    该研究开发了一种集成 36 通道电触觉阵列与电容触摸感应的可穿戴触觉输入输出设备,在 24 名参与者中揭示了显著的个体间感知变异性。基于此,作者提出了一个人机环校准框架,通过前向预测策略为每个用户生成个性化感知模型,并实现了针对特定用户的逆渲染。该平台已在机器人遥操作、视觉到触觉的感官替代、人际触觉通信及虚拟现实等场景中演示了个性化的触觉渲染能力。

    推荐理由:原文提出了基于人体在环的校准框架,利用可穿戴设备生成个性化触觉感知模型以支持逆渲染。

  7. arXiv · 机器人与计算机视觉82

    PoseRieFlow:面向全身文本到姿态生成的黎曼流匹配方法

    作者提出了 PoseRieFlow 框架,用于条件生成全身 3D 人体姿态。该方法直接在 SMPL-H 关节旋转的乘积流形上构建生成模型,利用黎曼测地线将样本从各向同性高斯先验传输至数据分布。

    推荐理由:该工作提出基于黎曼流匹配的紧凑框架,在保持手部细节的同时实现了全身姿态生成中最低的关节运动学误差。

  8. arXiv · 机器人与计算机视觉82

    SURE:用于高效视觉语言动作学习的时空不确定性表征

    论文提出SURE框架,旨在解决视觉语言动作(VLA)策略对大量演示数据的依赖问题。该方法通过引入轻量级转置卷积概率动作解码器来捕捉空间不确定性,并利用Soft-DTW对齐监督来处理预测与演示之间的局部时序差异。实验在LIBERO、RoboTwin 2.0及真实操作任务上验证,结果显示即使仅使用10%的演示数据或20%的训练步数,SURE的操作成功率也能匹配或超越基线VLA模型。

    推荐理由:SURE通过显式建模动作空间的空间与时间不确定性,在仅用10%演示数据或20%训练步数下即可达到基线水平。

  9. arXiv · 机器人与计算机视觉82

    Goodhart in the Planner:基于采样的控制利用从人类偏好学习的奖励

    论文发现机器人通过搜索对抗从人类偏好学习的奖励模型时,真实目标回报会受损;在 HalfCheetah 和 Hopper 等任务中,更难的 MPPI 搜索使真实回报下降最高达 76%,且人类标签在某些场景下仍被利用。研究证明经校准的χ²正则化 MPPI 是测试中最安全的修复方案,能从预训练策略中恢复 86-94% 的真实回报。

    推荐理由:研究揭示基于人类偏好的奖励模型在规划搜索中易被利用,并提出经校准的采样控制方法以恢复真实目标回报。

  10. arXiv · 机器人与计算机视觉78

    LACART:一种用于安全关键机器人的前瞻增强型碰撞避免与参考跟踪策略

    arXiv 预印本论文 LACART 提出了一种结合前瞻控制屏障函数、松弛控制李雅普诺夫函数和二次规划的方法,旨在解决自动驾驶赛车场景下的碰撞避免与参考跟踪问题。该方法在仿真中显示具有更低的计算耗时,并展示了基于摄像头的估计与无线执行机构在小型车辆上的演示。论文还分析了前瞻点清除与车身清除之间的关联条件及硬件限制。

    推荐理由:原文介绍了结合前瞻控制与二次规划的碰撞避免方法,并在仿真中验证了计算效率提升。

  11. arXiv · 机器人与计算机视觉78

    HiMEM:面向三维场景的视觉语言动作模型的类海马体记忆巩固、剪枝与组合方法

    针对视觉语言动作(VLA)模型在复杂三维场景中执行长程任务时面临的记忆噪声问题,该研究提出了一种受海马体启发的记忆机制。该方法首先通过语义整合将大量情景经验压缩为关键语义记忆;其次利用剪枝机制移除被语义记忆覆盖的冗余情景记忆以释放容量;最后通过灵活的记忆组合增强跨场景泛化能力。

    推荐理由:该工作提出海马体启发的记忆机制,通过语义整合与冗余剪枝提升 VLA 模型在复杂三维场景中的长程任务成功率。

  12. arXiv · 机器人与计算机视觉58

    Horizon-Coupled Obstacle Guidance for Relative-Action Diffusion Policies

    该论文提出一种推理时的障碍物引导框架,用于适配预训练的相对动作扩散策略以应对未见过的障碍物。方法将累积相对动作展开为工作空间轨迹,利用基于 SDF 的障碍物模型评估交互,并在去噪过程中将障碍响应传播至所有贡献的动作增量。

  13. arXiv · 机器人与计算机视觉58

    MDF++:具备端到端表征学习的视觉 - 触觉世界动作模型

    针对现有世界动作模型依赖冻结预训练编码器导致表征不适配机器人控制的问题,本文提出 MDF++,一种基于扩散骨干网络的视觉 - 触觉世界动作模型。该方法通过多任务学习策略利用跨模态相关性解决联合训练的特征坍塌问题,并在螺栓拧入和螺母配对等接触丰富操作任务上评估,结果显示其性能优于基于冻结预训练表征的世界动作模型基线,提升幅度最高达 50%。

  14. arXiv · 机器人与计算机视觉42

    任务驱动闭环设计优化被动变形四旋翼实现接触介导窄缝穿越

    该方法联合优化四旋翼几何与两臂扭矩偏转响应,利用仿真中接触介导穿越的任务成功率作为反馈信号迭代采样候选设计。原型机宽度从 31.3 cm 被动缩减至 14.1 cm,以 2 m/s 参考速度穿越 15 cm 宽开口,且能容忍高达 30 度的接近角度误差及 40 cm 长受限通道折叠。相比刚性双旋翼,软构型在接触自由飞行时位置 RMSE 仅增加 2 mm,电耗低于 1%。

  15. arXiv · 机器人与计算机视觉75

    EGT:基于学习闭环轨迹分布的执行接地可通行性研究

    针对传统点级指标在复杂地形评估中的保守性问题,本文提出执行接地可通行性(EGT)方法,利用潜在空间流匹配模型预测闭环轨迹分布以评估车辆 - 控制器对在未知地形的执行概率。实验显示该方法将安全路径误拒率降至 2.2%,不安全接受率为 7.7%,并集成于采样规划器后显著降低导航失败率与到达时间延迟。研究展示了从仿真到现实户外环境的零样本迁移能力,相关代码与数据将在 arXiv 发布。

  16. arXiv · 机器人与计算机视觉54

    SUGARv2:基于合成交互参考学习多样化视觉人形机 loco-操作技能

    论文提出 SUGARv2 统一框架,通过复用任务模板合成协调的机器人与物体运动以低成本获取多样参考,并利用基于参考的模仿作为跨任务的共同学习目标。研究先在特权教师上执行这些参考,再通过教师蒸馏和强化学习训练视觉策略,结合域随机化支持泛化与仿真到现实迁移。在五个具身智能操作任务中,该框架在仿真环境达到 91.0% 平均成功率,并在真实人形机器人上验证了全身操作的 sim-to-real 转移效果。

  17. arXiv · 机器人与计算机视觉84

    迈向代理具身智能时代:A2-MEAS 框架发布

    论文介绍了 A2-MEAS 具身多智能体框架及 A2-WLA 动作模型,利用代码作为扩展接口结合 MetaBrain 进行训练监督与运行时引导。在 BEHAVIOR 2026 基准上 Q-score 达 0.5755-0.6411,RoboTwin 2.0 平均成功率超 93%,真实机器人长程任务失败后恢复率从 8% 提升至 82%,训练吞吐量提升 4 倍。

    推荐理由:该框架通过代码接口与冻结权重的自适应设计,在仿真与真实机器人任务中均实现了显著的性能提升。

  18. arXiv · 机器人与计算机视觉5

    Safe Circumnavigation on Heterogeneous Orbits:一种仅基于距离的 HOCBF-QP 非完整多智能体安全绕行框架

    该研究提出了一种针对异质轨道半径的多机器人团队的安全控制框架,仅需测量与目标的距离即可同时满足 standoff 距离、队形保持及避障约束。仿真对比显示,相比依赖全状态信息的现有设计,该方法在违反目标安全距离和机器人间距方面表现更优且无需改动标称控制器。

  19. arXiv · 机器人与计算机视觉84

    DobotTrack:面向具身智能的目标 grounded 视觉 - 语言 - 动作学习框架

    论文提出了 DobotTrack,这是一个结合辅助 grounding 监督与高效时序建模的视觉 - 语言 - 动作(VLA)框架,旨在让移动智能体根据描述识别目标并持续跟踪。

    推荐理由:该工作提出 DobotTrack 框架,通过辅助监督与历史特征压缩提升目标跟踪成功率,并在四足机器人上构建了大规模真实数据集。

  20. arXiv · 机器人与计算机视觉48

    ToolDex:面向创意物理工具使用的自中心 - 他中心人类演示数据集与基准套件

    ToolDex 是一个大规模自中心 - 他中心人类演示数据集,旨在解决现有基准多基于仿真且缺乏真实世界多样性的问题。该数据集利用同步的自中心相机和八个他中心相机,捕捉人类选择、适应并重新利用物体作为工具的场景,提供高保真多视角观测及手部、工具和变形交互的详细标注。

  21. arXiv · 机器人与计算机视觉72

    FASTFUNNELS:通过自适应动态漏斗实现狭窄空间内的敏捷多机器人导航

    论文 FASTFUNNELS 针对拥挤且空间受限环境下的高速多机器人导航难题,提出一种层级算法以平衡安全性与敏捷性。高层采用强化学习策略生成随环境实时形变的动态椭圆区域(类似水滴),低层利用分布式模型预测控制确保机器人在该区域内运动并避障。

  22. arXiv · 机器人与计算机视觉82

    VLA Handover:基于失败预测的从机器人端到大模型服务器的切换方法

    针对大视觉语言动作(VLA)模型难以实时运行而小模型易失败的问题,提出 VLA handover 方案,让机器人本地运行小 VLA,仅在预测可能失败时切换至服务器端的大 VLA。该方法通过最小化请求成本并满足成功率约束,在 LIBERO 仿真套件中相比纯小模型提升 11-22 个百分点的成功率,同时比纯服务器控制减少 49-77% 的请求量且对网络延迟更鲁棒。

    推荐理由:提出基于失败预测的 VLA 切换框架,在仿真中显著提升成功率并降低服务器请求量。

  23. arXiv · 机器人与计算机视觉63

    Wellness Robots and the Path to Full Autonomy

    该论文引入‘健康护理机器人’作为社会辅助系统的独立类别,并基于 SAE J3016 标准提出六级‘护理机器人自主性量表(CRAS)’。研究以 Ryan 机器人为案例,引用 NIH/NIA 资助的纵向数据(N=18, 887小时),显示其在认知功能(SLUMS +2.61)和抑郁症状缓解方面具有统计学显著性或临床意义,且无新奇效应。

  24. arXiv · 机器人与计算机视觉45

    HOC2R:从人类视频提取机器人手物接触轨迹以辅助运动迁移

    HOC2R 结合 DINOv3 与 SAM 2.1 特征,在 30 任务基准上将接触计数准确率提升至 71.4%,定位距离降至 10.46 像素。该方法在六组机器人评估序列中成功完成三项任务,展现出对多手场景的强鲁棒性。作为伪标签提取工具,该研究已获 ACRA 2026 口头报告录用并公开预印本。

  25. arXiv · 机器人与计算机视觉78

    PRISM:通过上下文技能混合实现 Retentive VLA 适应的原语路由方法

    针对现有 VLA 模型缺乏技能保留与长程组合能力的局限,PRISM 将可复用技能表示为参数级原语,利用低秩动作专家适配器存储技能家族,并通过 VLM 条件化的路由器在推理阶段根据任务前缀动态组合技能。

    推荐理由:PRISM 提出基于低秩更新的技能原语与路由机制,在 RoboCasa365 上显著提升了原子技能与长程复合任务的成功率。

  26. arXiv · 机器人与计算机视觉73

    HomeLoop:面向家庭助手的机器人-IoT 协同仿真框架与基准

    HomeLoop 是一个基于 Isaac Sim 构建的仿真框架和基准,旨在支持机器人在已有摄像头、IoT 设备和可穿戴设备的家庭中提供协助并处理安全隐患。该框架包含 20 个任务(涵盖五类家庭场景)、2100 种可自动布置的家庭布局、5 种机器人机身及 20 种联网设备类型,并模拟了随时间演变的故障传感器和危险源。

  27. arXiv · 机器人与计算机视觉53

    FATHOM:面向稀疏标记 AUV 跟踪的世界模型引导扩散动作轨迹选择

    针对非线性动力学与退化水下视觉条件下的相对跟踪难题,本文提出 FATHOM 框架。该框架整合结构化标记观测、惯性测量及历史动作,利用多模态任务监督的递归状态空间模型构建预测跟踪信念;通过扩散动作先验生成多条专家级推进器轨迹,并基于学习到的潜在动力学预测未来后果;最终在显式移动视界目标下选择最优候选方案。

  28. arXiv · 机器人与计算机视觉78

    毫米波雷达人体状态感知受限因素分析:误差理论与策略评估

    针对烟雾、黑暗及隐私敏感环境下的机器人感知需求,本文提出将人与环境视为时变散射场的统一框架,并推导了基于带宽、孔径、信噪比等参数的联合定位误差理论下限(Cramer-Rao 型)。研究利用现有帧融合、多视角和姿态估计方法作为探针验证该理论,实验表明增加第二视角可将关节平均位置误差从约 97mm 降至 65mm,而更强估计器主要通过补全无法解析的关节来降低整体误差。

    推荐理由:该文建立毫米波雷达人体感知的误差理论下限,并通过实验验证不同策略对误差的影响方向与幅度。

  29. arXiv · 机器人与计算机视觉71

    ActPrune:面向高效视觉 - 语言 - 动作模型的基于动作的视觉 Token 剪枝

    论文 ActPrune 提出一种无需训练的视觉 Token 剪枝方法,将剪枝决策提前至视觉编码器之前,利用机器人上一时刻预测的动作作为几何先验。该方法在固定第三人称视角保留机械臂轨迹与语义锚点,在腕部视角剔除经动作补偿后不变的区域。

  30. arXiv · 机器人与计算机视觉83

    VICTR:一种用于视觉语言动作模型的基于价值的上下文学习框架

    该论文提出了 VICTR 框架,旨在解决机器人基础模型在未见任务中仅凭视觉相似性进行上下文检索的局限性。研究引入了一种基于参考演示、语言指令和当前观测的“进度感知”上下文检索机制,通过估计任务相对进度来对齐当前状态与已演示的执行阶段。

    推荐理由:针对 VLA 模型在未见任务中上下文检索效果受限的问题,提出基于进度感知的价值函数估计框架,显著提升了真实世界操作任务的成功率与进展率。

  31. arXiv · 机器人与计算机视觉82

    ForPC:一种用于精确人形机器人推车的力感知全身控制框架

    论文提出了 ForPC 框架,旨在解决人形机器人在不修改工作场所的情况下操作现有手推车以搬运重物的难题。该框架通过两阶段强化学习调节车速,首先训练运动先验以提供平衡支持,随后基于车载观测推断力潜变量和状态潜变量(无需外部传感器),并协调手臂、腰部与腿部的调整及基座速度指令。

    推荐理由:提出无需外部力传感器的全身控制框架,在仿真中训练即可将人形机器人推重达 30kg 的推车速度误差降低 68.2%。

  32. arXiv · 机器人与计算机视觉73

    CS-Pi:一种满足约束的流匹配策略采样方法

    针对场端部署的策略需满足演示中未包含的新约束(如避障)问题,现有梯度引导或纯投影/拒绝方法存在效率或合理性缺陷。本文提出 CS-Pi 采样器,利用流匹配采样结合投影与重噪声机制,在保持动作合理性的同时高效满足安全约束。实验显示该方法在货架抓取任务上安全成功率达 81%,硬件部署达 55%,优于对比基线。

  33. arXiv · 机器人与计算机视觉72

    HaNDF:面向手物交互的对象条件几何神经距离场模型

    论文 HaNDF 提出一种对象条件的几何神经距离场,作为建模手在物体上可行构型的数据驱动先验。该方法利用黎曼几何工具表示零水平集上的合理手部姿态并投影给定姿态,同时可优化确定交互对象。评估显示该模型适用于姿态细化、遮挡重建及物理合理的操作合成任务。

  34. arXiv · 机器人与计算机视觉73

    美团机器人发布 Meituan-Robotics-0:一款面向桌面操作的视觉语言动作基础模型

    美团机器人团队发布了 Meituan-Robotics-0(MR0),这是一个针对固定底座桌面操作任务的视觉语言动作基础模型及具身智能体系统。该模型结合了 1.47 亿个视觉语言样本与跨越 12 种实体、总计 15,060 小时的机器人轨迹数据,通过离散动作标记预训练、流匹配中期迁移和真实世界后训练三阶段配方进行训练。

  35. 盖世汽车 · 汽车资讯83

    芯驰科技开源D9-MAX软件SDK,面向具身智能场景

    芯驰科技正式开源D9-MAX软件SDK,该SDK基于车规级异构单芯底座,主要面向具身智能“小脑”场景,旨在为物理AI和机器人研发提供底层算力与软件支持。针对传统多板架构的痛点,D9-MAX芯片在一颗芯片内融合感知、运控与安全岛功能,其基于ARM DynamIQ Shared Unit技术,将12核CPU划分为8核与4核两个物理独立集群,实现运控与交互任务的物理硬隔离。

    推荐理由:芯驰科技开源面向具身智能的D9-MAX软件SDK,提供车规级异构单芯底座与实时协议栈,支持6轴运动控制与功能安全认证。