跳到正文
11月3日周二
  1. arXiv · 机器人与计算机视觉78

    Roz:世界模型潜变量的味觉测试

    论文指出当前世界模型虽在图像相似度上表现优异,却忽略了质量、形变等关键物理细节。作者提出 Roz 评估框架,包含 10 个对比任务和 3 个连续任务共 1734 个场景,仅需静态帧或视频输入即可运行。该研究旨在推动基准测试的快速迭代与跨模型比较,并已在 NeurIPS 2026 相关研讨会接受。

    推荐理由:提出 Roz 评估框架,通过对比与连续任务验证世界模型是否编码物理属性,解决现有评测不透明问题。

  2. arXiv · 机器人与计算机视觉78

    视频推理中 Best-of-N 验证器的选择增量与解题能力分离研究

    针对长视频复杂问答任务,文章指出标准 Best-of-N 流程的头号指标混淆了验证器的选择增益与自身解题增益。研究在五个基准上测量了选择增量(SI),发现弱验证器主要依赖候选答案提升,而强验证器则能超越多数投票;同时揭示了部分弱验证器存在按选项列表位置而非视频内容选择的失败模式。代码已开源。

    推荐理由:文章分离了验证器在 Best-of-N 流程中的选择增量与自身解题能力,揭示了弱验证器依赖候选答案而强验证器超越多数投票的规律。

  3. arXiv · 机器人与计算机视觉56

    通过时空语义融合实现交互式物体搜索:一种结合 VLM 可信度与几何占位证据的三维信念场方法

    本文提出了一种将语义直觉与几何感知融合至显式三维信念场的交互物体搜索系统,旨在解决现有方法仅依赖单一模态(纯几何或语言模型)的局限。系统通过贝叶斯对数几率滤波累积每个物体的 VLM 可信度分数和几何占位证据,形成统一的高维信念场以驱动行动选择,包括从不同视角观察、导航至未探索区域或与封闭柜体进行物理交互。研究在双足移动机器人上进行了端到端部署,结果表明该方法优于仅基于几何或语言模型的规划方法。

  4. arXiv · 机器人与计算机视觉78

    Spoofing the Latent State:不可察觉的目标图像攻击破坏 LeWorldModel 的规划能力

    该论文研究了联合嵌入预测架构(JEPAs)在 LeWorldModel 中的测试时间鲁棒性。分析发现,物体状态主导了潜在距离,但编码器无法轻易隔离或重定向这种几何结构。实验表明,仅对单帧输入施加极小的白盒扰动即可让编码器将物体姿态记录为攻击者任意选择的状态,导致 Push-T 等任务的规划成功率从 87% 骤降至 32%,且该漏洞在四个标准基准测试中均存在。

    推荐理由:该研究揭示了 LeWorldModel 在测试时对微小图像扰动的脆弱性,攻击可诱导规划器将物体状态误判为任意姿态,导致任务成功率大幅下降。

  5. arXiv · 机器人与计算机视觉72

    MoRE-GS:面向未来高斯泼溅的运动机制专家路由方法

    针对动态新视角合成中单一动力学模型难以同时表征静止区域、协调运动和关节轨迹的问题,该研究提出 MoRE-GS 框架。该方法冻结仅由观测时间前缀重建的高斯表示,利用持久性、系数空间 Transformer、图卷积网络及带刚性/非刚性约束的结构化 Transformer 四个互补专家预测控制关键点运动。

  6. arXiv · 机器人与计算机视觉78

    SPARK:基于物理重观察的自纠正具身记忆

    针对现有具身检索增强生成(RAG)系统易累积语义标签、物体位置及空间关系错误的局限,论文提出 SPARK 框架。该框架在首个任务集后利用语义批评标记知识库错误区域,通过规划器生成针对性重访,并基于新观察结果选择性合并信息以修正记忆。

    推荐理由:提出 SPARK 框架,通过语义批评与目标重访修正具身记忆错误,在 AirSim 仿真环境中显著降低存储开销并提升问答性能。

  7. arXiv · 机器人与计算机视觉82

    Anchor 1:用于全身精准稳定操控的人形机器人控制器

    Archon Robotics 发布 Anchor 1,一种面向人形机器人全身精准稳定操控的控制器及基准测试集。该方法采用校准后的稀疏运动参考以保留任务相关的人体运动结构,无需在线关节空间重定向;通过离线整理机器人运动数据塑造训练分布,并引入与运动编码解耦的显式误差反馈以提升控制精度。

    推荐理由:该工作提出 Anchor 1 控制器与基准,在仿真和硬件上均实现更优的全身操控精度与稳定性。

  8. arXiv · 机器人与计算机视觉75

    Scaling Trusted Autonomy: Towards Generally Capable Verifiable Robots

    该论文提出 Scaling Trusted Autonomy 框架,旨在解决基础模型驱动机器人缺乏内部状态可验证性的问题。研究通过神经符号方法融合学习模型的通用性与显式结构:LIMP 利用空间推理将自然语言指令映射为任务约束与语义地图以支持规划;REALM 维护可编辑的光照逼真 3D 高斯场景并预测操作后果以实现局部修正;PACTS 联合生成动作轨迹及其符号效应预测。

  9. arXiv · 机器人与计算机视觉5

    SpatialVec:一种支持边界感知的地理空间对象统一表示学习框架

    SpatialVec 提出了一种通过自适应采样几何边界及其周边区域来捕获细粒度结构的统一表示学习框架。该基于 Transformer 的编码器 - 解码器模型在两个真实数据集上的评估显示,其显著提升了多边形交互中复杂拓扑关系的保留能力,并在下游预测与分类任务上大幅超越最先进基线。论文已被 IEEE International Conference on Big Data 接收为全文研究论文。

  10. arXiv · 机器人与计算机视觉48

    Pano2BIM:基于几何约束的视觉语言智能体生成竣工 BIM 模型

    Pano2BIM 是一款几何约束型视觉语言智能体,能利用已知尺寸的平面图和单张 360°照片生成 LOD 200 级别的近似 IFC4 建筑信息模型。在实验室初步评估中,其测量工作流家具足迹交并比(IoU)达 0.53,优于基线的 0.44,且单次运行耗时约 42 分钟、API 成本仅 11 美元。该研究证明了低成本快速生成竣工 BIM 的可行性,有助于维护反映物理状态变化的数字孪生体。

  11. arXiv · 机器人与计算机视觉78

    生成的平面图止步何处:基于构建基准的校准样本级检查

    针对机器人生成的平面图缺乏建筑知识评估的问题,作者将行业生产软件中的接受规则编码为六项固定顺序的检查,并校准房间形状限制以匹配真实公寓的 5% 拒收率。研究在四项生成器和两个真实数据集上验证发现,仅凭比例检查即可拒绝 33.7% 的 House-GAN++ 平面图,而现有邻接关系指标无法反映这些缺陷。作者已开源校验工具 floorcheck v0.1.1,但指出通过检查并不等同于实际工程验收。

    推荐理由:作者将建筑规范编码为六项检查,揭示现有生成模型在比例与合规性上的缺陷,并开源了校验工具。

  12. arXiv · 机器人与计算机视觉63

    SparseWAM:驱动世界动作模型仅需 16 个注册 Token

    论文提出 SparseWAM,旨在解决基于视频生成器的世界动作模型(WAMs)推理延迟高及丢弃世界分支的问题。该方法将冻结的 DINOv2 特征压缩至每帧仅 16 个稀疏 Token 的注册空间,利用联合规划与评分预训练集中决策相关信息,并采用解耦模态的混合 Transformer 架构保留显式的“想象后行动”推理能力。

  13. arXiv · 机器人与计算机视觉52

    FORCE:面向视频世界模型的反事实编辑因子化物体关系

    论文 FORCE 提出一种能从原始视频中推断并显式表示成对物体交互关系的视频世界模型架构,支持直接移除、改变或引入特定物体间的相互作用。该方法利用冻结自监督特征的槽注意力提取物体,通过关系编码器将短时观察窗口转化为力,并在 rollout 过程中保持潜变量固定以确保编辑持久性。

  14. arXiv · 机器人与计算机视觉82

    TRACE-CBM:一种可干预的概念动力学视频活动预测模型

    该论文提出了 TRACE-CBM(Temporal Relational Activity Concept Evolution)模型,旨在解决概念瓶颈模型无法预测未来概念演化的问题。

    推荐理由:提出 TRACE-CBM 模型,通过稀疏时空图预测概念演化并支持干预编辑,在视频活动预测任务上显著优于现有方法。

  15. 盖世汽车 · 汽车资讯33

    智己 LS8 NEO 全系标配宁德时代定制电池与 Momenta 世界模型物理 AI

    智己 LS8 NEO 于 10 月 29 日开启预售,全系标配宁德时代定制高品质电池及 Momenta 世界模型赋能的全域物理 AI。新车提供 93kWh 和 103kWh 两款电池版本,CLTC 续航分别达 684 公里和 752 公里,百公里电耗低至 15.2kWh。双大厂协同实现了低温 SOC 估算精度提升至 2%-3%、15 分钟补能 529 公里及全系标配全线控灵蜥底盘等越级配置。

  16. 量子位66

    GPT-6 Astra通过权重空间编程实现模型零训练微调与从零构建

    MIT团队展示了一种名为“权重空间编程”的新范式,让通用大模型(如GPT-6 Astra)在不使用梯度下降或重新训练的情况下,直接分析并修改神经网络权重以优化性能。实验显示,该方法将Qwen3.5的数学能力从7.9%提升至48.1%,指令执行能力提升3倍;在MinAtar游戏中,从零构建的网络得分超传统PPO训练20倍。

11月2日周一
  1. arXiv · 机器人与计算机视觉82

    SV-WAM:一种高效的环视世界 - 动作端到端自动驾驶模型

    该论文提出 SV-WAM,旨在解决现有世界模型因生成未来视频导致推理开销大、常被迫仅用单前向摄像头的局限。方法利用未来视频预测作为训练监督而非推理输出,通过动作中心因果掩码防止动作 token 关注未来视频 token,使部署时可丢弃视频分支实现高效规划;同时引入可微驾驶区域合规正则器以增强安全与边界感知。

    推荐理由:SV-WAM 利用未来视频预测作为训练监督而非推理输出,结合因果掩码与可微合规正则器,在保持六路摄像头输入的同时实现低延迟规划。

  2. arXiv · 机器人与计算机视觉83

    Adaptive-WAM:一种基于视频扩散中间特征的自适应早退规划方法

    论文介绍 Adaptive-WAM,这是一种构建于 Wan2.2-5B 骨干网络上的质量感知多出口规划器。该方法将轨迹扩散头附加到选定的 DiT 块上,利用轻量级评分器在满足质量阈值时终止推理,从而避免完整的迭代去噪和 VAE 解码过程。

    推荐理由:该工作提出基于中间层特征的质量感知早退规划器,在 NAVSIM 上取得最佳结果并实现低延迟推理。

  3. arXiv · 机器人与计算机视觉78

    超越单纯操作:为自由浮动航天器规划无燃料姿态机动

    本文研究利用机械臂运动进行无燃料姿态控制的可行性,将其视为执行机构而非仅作为干扰源。通过构建包含关键关节和避撞约束的轨迹优化问题,使用内点法求解非线性程序,计算了多种航天器 - 机械臂系统的复杂变轨与去旋轨迹。

    推荐理由:提出利用机械臂运动实现无燃料姿态控制,通过轨迹优化解决关节与碰撞约束,为在轨组装提供新方案。

  4. arXiv · 机器人与计算机视觉66

    视频基础模型如何编码直觉物理:跨预训练范式的探测研究

    该论文探究视频基础模型是否在冻结表征中编码了可用的直觉物理信息,以及这种能力是否自然涌现于大规模视频预训练中。研究利用 IntPhys2 和 MVP 基准,对比了预测联合嵌入(V-JEPA)、掩码重建(VideoMAE)和扩散生成(LTX-Video)三类模型在冻结特征上的表现。

  5. arXiv · 机器人与计算机视觉72

    WildOS:野外开放词汇物体搜索统一系统

    针对复杂非结构化户外环境,该研究提出了 WildOS 统一系统,实现长距离、无先验地图的开放词汇物体搜索。该系统融合稀疏导航图与基于基础模型的视觉模块 ExploRFM,在保障几何安全的同时进行语义推理;引入粒子滤波方法对远距离目标进行粗略定位以支持有效规划。野外闭环实验表明,WildOS 在非道路和城市场地均实现了鲁棒导航,效率与自主性显著优于纯几何或纯视觉基线。

  6. arXiv · 机器人与计算机视觉70

    EquiContact:一种用于空间可泛化接触丰富任务的分层 SE(3) 视觉到力等变框架

    论文提出了 EquiContact 框架,旨在学习适用于接触丰富操作任务的基于视觉的机器人策略,使其能跨任务配置实现空间泛化。该框架由高层视觉规划器(如扩散等变描述场 Diff-EDF)和底层顺应性视觉运动策略(如几何一致性动作分块变换器 G-CompACT)组成。

  7. arXiv · 机器人与计算机视觉20

    NeurIPS 2026 位置论文:下一代游戏引擎应基于交互式生成视频构建

    该位置论文主张以交互式生成视频(IGV)作为感知与世界生成的核心,构建由设计师控制的新一代生成式游戏引擎(GGE)。文章通过六个功能模块的进展分析,提出了从 L0 到 L4 的五级成熟度路线图。此外,研究还探讨了九种替代观点及伦理考量,旨在推动社区关于该架构变革的讨论。

  8. arXiv · 机器人与计算机视觉28

    DPOCGAGP 算法在动态不稳定性下实现移动自组织网络全覆盖

    该研究扩展了部分可观测合作警卫画廊问题框架,提出适应 Agent 丢失与世界变化的动态场景解决方案。改进后的 CADENCE 与 DADENCE 算法在包含超 4500 个不同规模结构测试用例的基准集上均优于现有最先进基线。论文已获准参加 2026 IEEE MIT 本科生研究技术会议,代码与数据暂未开放。

  9. arXiv · 机器人与计算机视觉18

    当建筑空间开始行动:关于具身智能与交互的反思性论文

    该研究探讨建筑机器人(如活动隔断、天花板等)如何使静态空间具备自主移动和重构能力,进而改变人类对空间的居住体验。作者指出,理解此类系统需超越短期人机交互,关注空间在动作停止后的持久配置及其引发的公平性与控制权问题。论文为 arXiv 预印本,属于机器人学与人机交互领域的理论反思,未涉及具体模型发布或实验数据。

  10. arXiv · 机器人与计算机视觉73

    当深度说谎:镜面诱导的 RGB-D 模糊性下的视觉语言模型基准测试

    作者构建了一个包含 1011 张图像的镜面场景 RGB-D 数据集及 MIRA-Bench 基准,涵盖六种反射表面与昼夜条件。评测发现现有 VLM 在区分真实物体与镜像、匹配对应关系及空间推理上普遍失败;提供深度数据反而降低性能,表明模型无法识别镜中错误的深度信息。代码与数据已开源。

  11. arXiv · 机器人与计算机视觉78

    Attention Maps Know When to Think:无需训练的困难感知思维链用于推理分割

    针对多模态大模型在复杂视觉任务中因过度思考导致性能下降的问题,本文提出 Difficulty-Aware Chain-of-Thought (DA-CoT) 框架。该方法利用注意力图熵值作为内在难度信号,自适应决定是否触发思维链提示;同时引入双向反思机制以从过思考和欠思考导致的错误中恢复。实验表明,该训练免费的方法在推理分割基准上达到最先进性能并显著提升推理效率。

  12. arXiv · 机器人与计算机视觉78

    DrawSplat:一种基于亚特兰大世界引导的隐式高斯 SLAM 框架用于室内重建

    该论文提出 DrawSplat 框架,旨在解决现有高斯 SLAM 在室内弱纹理、大面积平面及噪声深度场景下易出现位姿漂移和几何伪影的问题。方法采用类似绘画的流程:先通过点线联合跟踪构建显式结构布局,再利用亚特兰大世界(Atlanta World)的先验推断重力方向并生成可微正则项填充隐式神经高斯以获取高保真外观与连续几何细节。

    推荐理由:该工作提出基于 Atlanta World 先验的隐式高斯 SLAM,通过点线联合跟踪与结构采样解决室内弱纹理场景下的位姿漂移与几何重建问题。

  13. arXiv · 机器人与计算机视觉78

    VoxLution:一种用于高保真室内场景生成的体素进化方法

    该论文介绍 VoxLution,这是一种基于粗到细(coarse-to-fine)的 Transformer 架构,旨在解决现有生成模型几何过于平滑的问题。该方法将高分辨率体素超分辨率建模为多分辨率稀疏体素网格上的序列问题,通过无训练、与分辨率无关的标记化方案编码八分体信息,并利用相邻块边界信息确保局部生成的连贯性。

    推荐理由:提出基于粗到细的 Transformer 方法,在标准基准上显著降低几何模糊度与生成差异。

  14. arXiv · 机器人与计算机视觉74

    SAFARI:面向危险环境探索的语义与前沿驱动自主风险巡检框架

    论文提出 SAFARI 框架,将物体检测作为统一概率地图的原生通道,联合几何证据与语义信息进行探索与规划。研究在三个实地站点通过四足机器人完成了 11 次任务,平均覆盖可达区域 98.7%,无人干预时间占比 97.6%,并能检测到最小特征尺寸 15cm 的物体。

  15. arXiv · 机器人与计算机视觉42

    GeoReasoner:超越试错的城市空中视觉语言导航地理空间主动推理框架

    GeoReasoner 提出将城市空中视觉语言导航(VLN)范式从反应式试错转向地理空间引导的主动推理,通过预搜索推导区域先验、假设驱动探索及一致性验证来抑制高海拔视角下的视觉歧义。在 CityNav 基准测试中,该零样本方法设定了新的最先进水平(SOTA),并在与监督方法的竞争中表现优异。论文为 arXiv 预印本(arXiv:2610.41446v1),代码与权重开放许可情况原文未提及。