跳到正文
11月6日周五
  1. arXiv · 机器人与计算机视觉58

    基于相对位置测量的刚性差速驱动编队分布式几何优化与控制

    针对仅具备相对位置测量和单一绝对位置锚点的差速驱动机器人团队,提出一种直接从优化推导的两层估计控制方案。该方法利用图邻域估计器重构质心、锚点向量与中心坐标,结合距离梯度形状调节与有限旋转消除姿态漂移,在 ROS 2 Gazebo 仿真及五台物理机器人的实验中验证了局部指数收敛性。

  2. arXiv · 机器人与计算机视觉74

    OopsieRecover:基于语义干预的可迁移 VLA 修正学习

    论文提出 OopsieRecover 框架,旨在解决视觉语言动作(VLA)模型在部署时易失败且难以泛化的问题。该方法假设语义能捕捉失败原因及修正逻辑,利用反事实推理从少量修正演示中推断意图,并将其编码为密集空间表示和条件代价以引导策略。实验涵盖 6 个任务及物体姿态、场景变化等变体,结果表明仅需少量修正即可让 VLA 在广泛的新情境下克服失败,无需针对每种变体收集新数据。

  3. arXiv · 机器人与计算机视觉68

    T3R:面向高效鲁棒 VLA 模型的免训练两阶段 Token 精炼方法

    针对视觉语言动作模型推理昂贵且易受背景干扰的问题,论文提出 T3R 框架,通过分割引导剪枝移除无关视觉 Patch,再利用显著性引导注意力偏置聚焦关键区域。在 LIBERO-Spatial 基准上,该方法去除 85% 的视觉 Token 同时保持成功率,并在分布外扰动下提升最多 7 个百分点,推理耗时降低约 3.3 倍。

  4. arXiv · 机器人与计算机视觉72

    Social Humanoid:面向社会响应的类人机器人交互系统

    针对类人机器人难以与人类伙伴协调的问题,本文提出了 Social Humanoid 系统。该系统在 Unitree G1(29-DoF)上生成并执行对社会响应性的全身运动,其高层策略通过共享标记化表示对人与机器人的运动进行灵活序列建模,能在遮挡时预测伙伴动作;低层控制器负责执行生成的运动。

  5. arXiv · 机器人与计算机视觉43

    SCALE:面向物理智能体的实时潜在通信方法

    SCALE 提出一种针对网络受限与异构任务截止时间的物理智能体实时潜在通信方案,通过匹配连续消息中的 token 相似度来复用信息并避免冗余传输。该方法在三个基准测试及蜘蛛机器人案例中显著提升了带宽受限网络下的任务性能与准时交付率。代码已开源供复现。

  6. arXiv · 机器人与计算机视觉43

    SLA:通过持续预训练扩展空间语言动作模型

    SLA 是一个从 pi05 策略初始化、利用冻结三维感知模型进行联合优化的空间语言动作模型,旨在将隐式空间对齐能力扩展至持续预训练阶段。该模型通过特征依赖门控自适应聚合多 VLA 层视觉嵌入,并融合部分深度与相机标定数据以支持异构机器人数据集的空间学习。所有辅助组件仅在训练时使用,允许直接复用预训练的 VLA 权重并保持原始推理架构不变。

  7. arXiv · 机器人与计算机视觉38

    Radio-to-Pose Information 用于协作定位中的量纲漂移校正

    该研究提出 Radio-to-Pose Information(RPI)接口,利用注册在同一世界坐标系下的无线电衰减图修正机器人团队的量纲漂移。在 50×50 米竞技场中,RPI 将仅用无线电加权相对测量的基准位置均方根误差从 0.542 米降至 0.140 米。该方法基于接收功率对世界地图共享位移的敏感性,通过高斯信息矩阵与向量更新姿态并最小化不确定性。

  8. arXiv · 机器人与计算机视觉38

    USB Gym:超声引导闭环测试床与基准线发布

    USB Gym 是一个基于公开患者 CT 构建的超声图像匹配测试床,其标准引擎利用网络从 CT 标签绘制器官纹理以模拟超声。该测试床包含可替换的三个部分(器官分割器、控制器和奖励函数),在六个预留患者的 60 个回合中评估了 20 种已发表方法,最终确定仅使用图像相似度奖励(SSIM)的组合作为基准线。

  9. arXiv · 机器人与计算机视觉82

    GPWM:将世界建模为 3D 粒子运动

    论文介绍 GPWM,一种直接操作 3D 物理空间的生成式粒子世界模型,通过结合流匹配与扩散强制力来生成刚性、可变形及颗粒材料的连贯轨迹。该模型在包含 2550 万帧的 ParticleWorlds 数据集上训练,统一架构覆盖多种材质与交互场景,平均将预测误差降低 31%。此外,GPWM 支持噪声空间规划,通过搜索潜在噪声而非动作空间来实现目标导向的操作,在推和抓取等接触丰富任务中表现优于传统方法。

    推荐理由:该工作提出基于粒子运动的生成式世界模型,在统一架构下实现多材质预测并支持噪声空间规划以解决接触丰富任务。

  10. arXiv · 机器人与计算机视觉45

    Fault-Geometry-Aware Control Allocation 实现单电机失效下四旋翼应急着陆

    研究对比了三种控制分配器在 Crazyflie 软件环仿真中的表现,发现故障几何感知策略在剩余效率η=0.496时能实现117/120次安全首次接触着陆。该工作区分了电机条件选择与植物模型失配敏感性,为具身智能应急控制提供了可验证的算法基准。

  11. arXiv · 机器人与计算机视觉78

    H-TRIP:面向多机器人探索的精确多对多距离索引

    针对基于前沿的探索系统需反复计算机器人位姿与候选视点间测地线成本的问题,本文提出 H-TRIP 方法。该方法利用 Kleene 代数在 min-plus 半环上构建精确距离索引,将地图划分为具有固定边界端口的空间层次结构。

    推荐理由:提出基于层次化热带秩一增量传播的精确距离索引,解决多机器人探索中全局捷径导致的缓存失效问题。

  12. arXiv · 机器人与计算机视觉78

    基于视觉的轮式机器人自主导航集成开源栈

    该研究提出了一套面向轮式移动机器人的视觉自主导航开源栈,旨在有限传感与计算资源下整合感知、定位、规划与控制。系统连接了YOLOv8n检测、几何方向估计、RGB-D SLAM、轮惯状态估计及运动学感知规划,并通过行为树管理任务。

    推荐理由:该研究提供了一套面向轮式移动机器人的视觉自主导航开源栈,集成了YOLOv8n检测与RGB-D SLAM,在Jetson Orin NX上实现了低延迟感知,并公开了数据集与评估日志。

  13. arXiv · 机器人与计算机视觉78

    STEP:用于感知人形机器人运动的空间时间显式预测训练

    论文提出 Spatiotemporal Training with Explicit Prediction (STEP) 框架,旨在解决感知型人形机器人运动中地形几何与身体状态演化的关联问题。

    推荐理由:提出 STEP 框架,联合监督跨模态关系与动作依赖的状态演化,在仿真及硬件实验中提升地形穿越成功率。

  14. arXiv · 机器人与计算机视觉68

    Leave It Better Than Found:基于价值引导的序列任务协作

    该论文针对多机器人协作中因组合爆炸导致无法共训练的问题,提出一种无需预先联合训练的自适应序列协作方法。通过让机器人共享其价值函数以明确表达环境偏好,并引入 KNN 不确定性过滤器防止在分布外状态下的过自信,该方法在仿真和真实世界实验中均显著提升了任务成功率。

  15. arXiv · 机器人与计算机视觉78

    HITCH:教视觉语言模型通过全身 harness 操控人形机器人

    论文提出 HITCH(Harness Interfaces To Command Humanoids),一种让 VLM 控制人形机器人的接口,感知端返回图像中任意点的 3D 位置,执行端将髋部、躯干、手部、行走和注视指令转化为全身运动。

    推荐理由:提出 HITCH 接口让 VLM 通过全身 harness 控制人形机器人,微调后在无特定轨迹下完成 51% 任务,加五条轨迹后 SIMPLE 成功率升至 95%,并在真机 G1 上实现无真实训练数据的搬运行走。

  16. arXiv · 机器人与计算机视觉28

    CHARMIE 人形协作与服务机器人手臂开发:开源 3D 打印臂与遥操作及运动学控制方案

    CHARMIE 项目展示了一款用于协作和服务机器人的开源 3D 打印手臂,支持通过摄像头结合机器学习进行基于遥操作的手部姿态估计。该设计还利用 Denavit-Hartenberg 方法通过运动学定义动作并计算末端执行器在三维空间的位置。论文包含 20 页内容和 16 张图示,已在 arXiv 提交待注册 DOI。

  17. arXiv · 机器人与计算机视觉78

    面向动态操作延迟感知的技能选择与时序的时间索引技能成功模型

    针对机器人操作移动物体时观测滞后导致技能成功率预测不准的问题,作者提出时间索引技能成功模型,用于预测给定延迟后启动技能的整任务成功率。该模型在 MuJoCo 仿真中,于 100 至 300 毫秒延迟下比静态能力模型提升 2.8 至 6.2 个百分点;在真实 UR5e 机器人上,针对注入 0.2 秒延迟的滚动球捕捉任务,该模型预测成功率与校准度优于静态模型。

    推荐理由:提出时间索引技能成功模型以解决延迟下的技能选择与定时问题,在仿真与真实机器人实验中均验证了校准性。

  18. arXiv · 机器人与计算机视觉75

    基于假设空间推理的碰撞结构恢复方法

    该论文提出 Structure from Collision (SfC) 方法,旨在从多视角碰撞观测中恢复物体的隐藏内部结构(如空腔)。针对传统密度表示法难以直接指示空腔位置及梯度信息弱的难题,作者将问题重构为假设空间推理:全局阶段利用前向仅材料点法 (MPM) 进行无梯度优化筛选假设,局部阶段通过可微 MPM 模拟以拉格朗日粒子系统形式进行基于梯度的细化。

  19. arXiv · 机器人与计算机视觉75

    AffordJEV:通过确认候选区域进行功能定位的研究

    该论文针对具身操作中的功能定位任务,提出一种无需生成中间文本的 System One 推理框架。系统利用冻结分割器提出候选区域,由专用模型直接判断哪些区域可执行目标操作,并通过层级间证据双向传递实现自校正。该方法在 InstructPart 数据集上训练,相比链式思维方法在零样本迁移至 UMD 和 IIT-AFF 时表现更优,且所需推理请求更少。

  20. arXiv · 机器人与计算机视觉78

    RoboImagine:一种利用语义和视觉反馈进行后训练的机器人世界模型框架

    论文提出了 RoboImagine 框架,旨在通过后训练自回归式机器人世界模型来支持规划与决策。该方法通过候选未来轨迹的多样性搜索、冻结的多模态评估器提供的语义偏好以及像素级视觉一致性反馈,共同驱动策略优化。实验在 RT-1、BridgeV2 和 RoboCasa 等真实及仿真操作任务上验证了其在提升 PSNR、降低 LPIPS 指标以及增强长序列预测方面的有效性。

    推荐理由:该框架通过语义与视觉反馈结合,在机器人世界模型训练中提升了预测质量与长序列生成能力。

  21. arXiv · 机器人与计算机视觉33

    城市无人机配送的序贯工程框架:网络设计、车辆选型与能耗成本评估

    该研究提出针对城市无人机配送的序贯工程框架,整合枢纽选址、路径规划及基于混合整数线性规划的频率优化。应用首尔区级数据验证显示,将枢纽从 1 个增至 4 个使所需航程由 30.6 km 降至 21.9 kg,月能耗降低 13.1% 至 13.2 MWh,但单件配送成本因租金与人力上升而从 1.18 美元增至 2.20 美元。

  22. arXiv · 机器人与计算机视觉78

    双臂桌面重排:结合可移动堆叠与感知间隙推转移的方法

    针对杂乱桌面场景中的双臂重排挑战,本文提出一种结合可移动堆叠(movable stacking)与感知间隙推转移(Gap-Aware Push Transfer)的框架,实现异步跨边界物体交换。

    推荐理由:提出结合可移动堆叠与感知间隙推转移的双臂重排框架,在密集场景中优于固定交接基线。

  23. arXiv · 机器人与计算机视觉73

    AffectiveVLA:面向人机社交的意图感知与安全控制 VLA 研究

    论文提出了 AffectiveVLA,一种部署在宇树 G1 人形机器人上的意图门控视觉语言动作(VLA)管道。该系统利用轻量级 RGB 模型从双摄像头识别交互意图并转化为提示词,低置信度预测会抑制运动执行以保障安全;接触期间通过调整臂阻抗和独立语音触发机制实现合规与安全停止。

  24. arXiv · 机器人与计算机视觉73

    ArtCrafter:一种基于成对图像的关节式 3D 对象前馈生成与解析推导方法

    论文介绍 ArtCrafter,这是一种用于从成对图像(静止态与张开态)生成可控关节式 3D 物体的前馈生成模型。该模型基于 DiT 架构,通过共享基槽和配对槽布局联合生成部件级网格,并利用三元组注意力机制确保跨状态几何一致性,同时引入排斥损失防止部件穿透。

  25. arXiv · 机器人与计算机视觉68

    GraspBench:MuJoCo 环境下基于执行的六自由度抓取跨机器人评估基准

    论文提出了 GraspBench,这是一个受控的 MuJoCo 协议,用于在逆运动学滤波、运动规划及固定接近 - 提升执行流程后评估完整的抓取生成管道。研究在四种机器人本体、五种诊断物体和结构化桌面姿态网格上运行了六种配置管道,共产生 3240 次方法 - 场景评估。

  26. arXiv · 机器人与计算机视觉38

    安全证书函数综述:Hamilton-Jacobi 可达性与控制屏障函数技术

    Hao Wang 等人发布 arXiv 教程,系统综述 Hamilton-Jacobi 可达性分析与控制屏障函数(CBFs)两类方法在合成安全证书中的应用。文章介绍经典与学习工具,并通过车辆系统基准对比不同方法的证书质量以提供选型指导。该预印本论文暂未开放代码或权重下载,仅作为理论参考。

  27. arXiv · 机器人与计算机视觉73

    Semantics-to-Contact:一种面向丰富接触操作的阶段性稳健框架

    论文提出 Semantics-to-Contact (S2C) 框架以解决复杂接触动力学下的视觉鲁棒性问题。该方法分两阶段进行:首先利用视觉语言模型在视觉上多样的场景中定位任务相关区域,提供粗略空间引导;随后通过人机回环残差强化学习策略,利用力反馈在局部区域内学习精细的接触行为。

  28. arXiv · 机器人与计算机视觉43

    Embodied RAG++:从存在到可行——具身场景中的检索增强生成基准与框架

    Embodied RAG++ 提出 E2W-Bench 基准,利用动态混合场景图关联产品手册以评估机器人 - 物体分配。该框架在 Qwen2.5-32B 上达到 0.90、Llama3.3-70B 上达到 1.00 的配对准确率,优于基线且预处理时间最短。论文已接受至 SII 2027,代码与数据许可状态待 arXiv 注册确认。

  29. arXiv · 机器人与计算机视觉48

    G-Maneuver 实现训练独立验证的 stunt 特技驾驶控制策略

    G-Maneuver 学习型控制器在特技级机动任务中达到 90.11% 成功率,通过 Sim2Real2Sim 闭环筛选出真实车辆试验安全区域,接受率为 16.9%。研究利用汽车安全分析框架识别覆盖测试参数,证实航向变化、侧滑和归一化偏航率等运动学指标在仿真与现实间匹配良好,为安全部署提供依据。

  30. arXiv · 机器人与计算机视觉83

    LMGN:一种用于足式机器人末端抓取导航的统一策略学习模型

    针对现有方法仅关注全局导航或独立操作而忽视末端抓取导航的问题,本文提出 Last-Mile Grasp-Navigation (LMGN) 统一策略学习模型。该模型引入显式距离与方向可达性表示,并开发语义对齐的分层混合专家策略以建模基座调整、预抓取对准、抓取执行及物体提升等阶段行为。实验在 Habitat 和 Isaac Gym 仿真器上进行,结果表明该方法显著优于现有最先进方法。

    推荐理由:提出统一策略学习模型解决足式机器人末端抓取导航难题,仿真实验显示集成可达性表示与分层专家路由能显著提升成功率。

  31. arXiv · 机器人与计算机视觉82

    Concertina:在单一扩散视觉语言模型中体现操作与认知

    论文介绍 Concertina 架构,主张将连续轨迹表示、块式生成及物理坐标监督直接置于共享扩散 VLM 骨干网络路径上,而非外挂独立动作专家。该模型仅用 0.21% 的参数实现主动动作投影,在 LIBERO-Plus 基准上达到 85.9% 成功率,CALVIN ABC-D 平均完成链长为 4.142。代码与权重已开源。

    推荐理由:该工作提出将连续轨迹表示与认知统一于共享扩散骨干网络,显著降低动作生成参数占比并验证了跨时间步耦合机制。

  32. arXiv · 机器人与计算机视觉4

    双闭环四杆腿机构运动学与奇点分析论文提交

    该研究对一种三自由度、双四杆闭环的四足腿部机制进行运动建模与奇点分析,以支持从陆地模式到空中重构模式的切换。作者开发了雅可比矩阵并设计了多种步态,在 MATLAB 仿真中验证了运动,并在单腿测试台上演示了实际实施效果。论文已提交至《Robotica》期刊(ID:ROB-2026-0373),arXiv 版本为 v1。

  33. arXiv · 机器人与计算机视觉75

    MessyNav:基于 VLM 的杂乱环境零样本交互导航研究

    论文 MessyNav 将现实世界中的路径受阻问题形式化为开放世界的交互式导航任务,提出一种无需特定训练、基于视觉语言模型(VLM)的零样本框架。该框架在规划前通过显式的 VLM 可操作属性推理,决定对障碍物是滑开、拾取还是避让,从而生成高层计划。实验在真实移动机械臂上进行,涵盖室内外环境,结果显示该方法相比最强基线将成功率提升了 27 个百分点,且在大规模离线评估中取得了统计显著的提升。