跳到正文
11月2日周一
  1. arXiv · 机器人与计算机视觉45

    PEPS:执行前解析——基于可执行原语的时空推理高效范式

    PEPS 提出一种无需训练的代理范式,通过“先解析后执行”原则在 Frame、Entity、State 和 Metric 架构下提升 VLM 的时空推理效率。实验表明该方法相比强工具集成基线显著提高了准确率,同时大幅减少了优化轮次、API 调用成本及端到端延迟。该研究已发布预印本 arXiv:2610.41389,代码与权重暂未提及开放许可。

  2. arXiv · 机器人与计算机视觉78

    GenDSR:从视频生成模型转移表征以进行动态空间推理

    GenDSR 是一个框架,它将视频生成模型(VGM)的中间表征转移给视觉语言模型(VLM),用于解决 VLM 在保持场景状态的同时追踪空间关系演变的挑战。该框架构建了两个互补分支:一个保留整体生成上下文的原始分支和一个强调时间变化的增量分支,并通过任务条件化的逐 token 门控融合信号并注入原生视觉表征。

    推荐理由:该工作提出将视频生成模型的中间表征迁移至视觉语言模型,在动态空间推理基准上取得新最优结果。

  3. arXiv · 机器人与计算机视觉47

    SketchDirector:通过智能体布局推理与细节 refinement 实现复杂场景草图绘制

    SketchDirector 是一个模仿人类绘图工作流的智能体框架,能根据文本提示自动生成多概念复杂场景草图。该系统先利用大语言模型将场景分解为贝塞尔曲线资产,再通过自进化记忆循环规划空间布局,最后借助扩散先验增强细节并保留几何结构。研究还引入了 MCSketch8K 数据集以支持多概念场景生成研究,实验显示其在语义与构图质量上优于现有基线且有效保持轮廓组织。

  4. arXiv · 机器人与计算机视觉60

    UFMF:雷达引导的运动学先验用于实时 4D 占用预测

    论文 UFMF 提出一种实时 4D 占用预测器,通过无注意力对角状态空间核心结合雷达引导的速度感知动态先验(VADP),在保持低延迟的同时提升长时域对快速移动目标的预测精度。该方法在 nuScenes 数据集上达到 0.45 mIoU,单 RTX 4090 运行帧率达 122 FPS,显著优于近期占用世界模型且计算成本更低。

  5. arXiv · 机器人与计算机视觉78

    让激光雷达决定看向何处:用于高效稀疏潜在世界模型的几何测量 Token 选择

    针对以视觉为中心的自动驾驶模型冗余编码天空、建筑等无关内容的痛点,提出 Geometry-Aware Token Selection (GATS) 方法。该方法利用 LiDAR 和雷达点投影在视觉骨干网络运行前筛选关键图像区域,使端到端计算量最高降低 18 倍。

    推荐理由:提出基于 LiDAR 几何的 Token 选择方法,在大幅降低计算量的同时提升规划相关场景的预测精度与安全性。

  6. arXiv · 机器人与计算机视觉57

    EgoHSI3R:基于第一人称视频的在线 4D 手 - 场景交互重建

    arXiv 论文 EgoHSI3R 提出一种统一的前馈框架,用于从单目第一人称视频中在线重建 4D 手 - 场景交互。该方法通过循环场景表示维持共享世界空间与尺度,结合手部中心提示融合预训练先验与局部场景上下文,利用 MANO 顶点查询预测密集接触点。

  7. arXiv · 机器人与计算机视觉54

    Drone-PUR:从视觉线索发现到无人机场景的理解与推理

    论文介绍 Drone-PUR 数据集与基准,旨在解决通用视觉语言模型(VLM)在无人机场景中因小目标、细微属性及视角变化导致的感知与理解局限。该基准包含 11 项任务,涵盖单图、序列、跨模态及多视角数据,共提供 17.5 万训练样本和 2 万经人工审核的测试样本。

  8. arXiv · 机器人与计算机视觉68

    DyCraft:一种用于长周期 4D 场景生成的代理系统

    论文介绍 DyCraft 系统,通过分步策略解决通用编码代理在长周期动画中易产生物理违例的问题。系统将提示词扩展为详细计划以构建静态场景,再创建关键动作帧的 3D 故事板,将复杂时空约束分解为可独立调试的起止状态对。实验覆盖人形机器人、人物及机械装置等 24 个长周期多镜头任务,结果显示 DyCraft 相比原生 GPT-6 代理及基线显著减少物理违例并提升生成质量。

11月1日周日
  1. 量子位87

    清华姚期智团队发布代数世界模型:让AI像牛顿一样思考

    清华大学姚期智和袁洋团队提出「代数世界模型」(AWM),利用范畴论中的投射极限与归纳极限工具,将大模型的试错探索转化为形式化数学证明。在ARC-AGI-3游戏集测试中,基于Opus 5.5的AWM以99.9%得分和43%人类基准动作数全部通关,并能准确判断无解关卡。论文由本科生潘冠成、谭淇心撰写,项目主页与arXiv预印本已公开。

    推荐理由:清华团队提出代数世界模型,利用范畴论工具将试错探索转化为形式化证明,在ARC-AGI-3测试集实现99.9%通关率。

  2. Hugging Face Daily Papers75

    Is Your Long-Horizon Benchmark Really Deep? Measuring and Synthesizing Depth in Terminal Tasks

    该论文指出长视界终端任务评估中,现有方法用回合数衡量长度、LLM 标签衡量难度存在偏差。作者提出以工作量和深度(必须顺序执行的回合数)定义任务,审计发现合成数据多为增加工作量而非深度。提出的 DEPTH 基准包含 105 个高深度任务,现有六款模型均无法通过半数,但微调 Qwen3-8B 后在两个终端基准上表现提升。

10月31日周六
  1. 智东西 · 机器人80

    大晓机器人联合南洋理工大学发布世界模型 Mundo

    大晓机器人联合南洋理工大学S-Lab发布面向具体环境的世界模型Mundo,具备场景重建、自由视角探索和时空模拟能力。该模型仅需1至12张真实图像即可构建可编辑的三维代理场景,并通过代码定义物体质量与摩擦等物理属性,利用MuJoCo引擎计算运动与碰撞,最终由视频扩散模型渲染出符合物理规律的动态画面。

    推荐理由:大晓机器人联合南洋理工大学发布Mundo,支持少量图像构建含物理属性的可交互三维环境,为机器人Real-to-Sim训练提供新工具。

  2. IEEE Spectrum · Robotics31

    Video Friday 展示多足机器人 ANYmal X、双足机器人 Spot 及微型四足 Lite3 等全身操作与移动演示

    IEEE Spectrum Robotics 周刊视频集锦展示了包括 ANYmal X、Spot、Lite3 在内的多款机器人的全身操作能力。内容涵盖 ETH 苏黎世联邦理工学院的接触中心学习框架、Pollen Robotics 的轮式机器人 Racey Mini 以及 DEEPRobotics 在广西景区的双机协作等真实场景演示。

10月30日周五
  1. arXiv · 机器人与计算机视觉42

    SCoPE-Reg:通过状态空间相关与闭式位姿估计实现高效刚性超声切片到体积配准

    SCoPE-Reg 模型结合双输入状态空间交互、稠密三维坐标预测及无参加权 Kabsch 估计,在 CAMUS 和μ-RegPro数据集上实现0.73mm与2.27mm的平均目标配准误差。该模型参数固定为649万且独立于分辨率,在512²分辨率下维持51 FPS推理速度,显著优于现有基线方法。论文已获WACV 2027录用,代码与权重通过提供的链接开放获取。

  2. arXiv · 机器人与计算机视觉54

    Turbo4DGen:面向 4D 生成的超快加速框架

    Turbo4DGen 是一个针对基于扩散的多视角 4D 内容生成提出的超快加速框架,旨在解决长链一致性带来的计算与内存开销问题。该框架引入时空缓存机制以跨去噪步骤复用中间注意力,并结合动态语义感知注意力剪枝及自适应 SCM 链旁路调度器,大幅减少冗余的 SCM 注意力计算。

  3. arXiv · 机器人与计算机视觉42

    DSM 辅助航空定位基准与基线锚定不确定性校准研究

    该研究定义了位置可用性、分组误差结构等五项基准任务,评估数字表面模型辅助定位中的观测质量。方法结合图像与地图敏感度及配置子集二阶矩进行校准,在包含所有定位失败的条件下,将归一化位置更新风险平均降低 7.70%(728 种工况)和 5.46%(142 种独立先验工况)。论文提交至 IEEE 期刊,导航收益与真实时间累积效应尚未测试。

  4. arXiv · 机器人与计算机视觉38

    SLVR 模型通过语义增强潜空间推理提升视觉任务鲁棒性

    SLVR 提出两阶段学习框架,利用细粒度属性监督构建约 400K 区域级标注与 800K 问答样本的 SLV-Set 数据集。该方法引入 Multi-query Group Relative Policy Optimization (M-GRPO) 对齐多查询潜表示,并在 SV-QA 基准上验证了相比现有基线更优的鲁棒性与语义一致性。

  5. arXiv · 机器人与计算机视觉83

    CaC:一种基于层级时空聚焦的视频奖励模型

    论文提出 CaC(Concentrate and Concentrate),这是一种基于视觉语言模型的粗到细粒度异常奖励模型。该模型首先进行全局时间扫描以锚定异常窗口,随后在局部区间内进行精细的空间定位,最后通过结构化的时空思维链推理得出稳健判断。

    推荐理由:提出基于 VLM 的层级时空异常奖励模型 CaC,通过构建首个带细粒度标注的合成视频异常数据集及强化学习训练范式,在基准测试中提升精度并降低生成视频中的异常比例。

  6. arXiv · 机器人与计算机视觉65

    面向自主实验室安全监测的视觉语言模型:通过场景结构学习识别隐患

    针对实验室安全隐患难以实地采集数据的难题,本文构建了一套将文本场景转化为图像、图关系及标注的合成数据生成管线,构建了包含 1207 组四元组的合成数据集。实验表明,现有视觉语言模型在仅凭像素提取结构化物体关系时表现不佳。

  7. arXiv · 机器人与计算机视觉42

    NeuroBridge:基于认知先验的双向语义对齐实现脑电至图像解码

    NeuroBridge 架构通过认知先元增强与共享语义投影器,在零样本检索任务中实现单被试 Top-1 准确率提升 12.3%、Top-5 提升 10.2%,分别达到 63.2% 和 89.9%。该模型在跨被试设置下同样超越现有最先进方法,有效解决了神经表征与视觉内容间的语义失配问题。研究展示了其在脑机接口及人工智能领域的转化潜力,相关代码与数据许可情况需查阅原文。

  8. arXiv · 机器人与计算机视觉35

    EarthScape:地理域偏移下的地质测绘与地表感知多模态基准评测

    EarthScape 是一个针对地理域偏移的地质测绘及地表感知学习多模态基准,整合了航拍影像、LiDAR 高程等多源数据构建 37 通道输入。实验表明工程化地形表征比原始高程更具鲁棒性,且空间支撑与多模态输入显著影响性能,但复杂交叉注意力并未带来一致优势。该基准代码与数据集已开源,论文已被 IEEE/CVF WACV 2027 接收。

  9. arXiv · 机器人与计算机视觉75

    字典序下降:通过参数化标量化优化全序规则集的一种基于梯度的方法

    针对安全关键系统需满足冲突约束且通常按优先级排序的问题,现有预emption优化存在次优解风险,而联合优化又难以保持严格优先级。本文提出 Lexicographic Descent 方法,利用随优先级衰减的相对权重实现参数化标量化,在极限处恢复字典序顺序并收敛至高优先级规则的受约束驻点。该方法能利用问题结构达到字典序最优,并在自动驾驶案例研究中优于预emption方法。

  10. arXiv · 机器人与计算机视觉58

    Coupled Guidance for Flow Matching:一种基于几何视角的流匹配专用引导方法

    论文提出了 Coupled Guidance 框架,通过理论分析指出将扩散模型引导直接迁移至流匹配会破坏训练时的耦合分布导致不稳定。该方法从几何角度利用流匹配的固有结构进行优化,并在 ManiSkill3 机器人避障、Adroit 灵巧操作及图像生成任务中验证了其在提升样本质量与稳定性方面的有效性,且无额外开销。材料已接受于 NeurIPS 2026。

  11. arXiv · 机器人与计算机视觉18

    Greenscapes:城市植被优化配置方法

    Greenscapes 提出一种在三维城市场景中放置从灌木到大树植被的新方法,利用条件视觉语言模型生成俯瞰渲染图并转换为 3D 场景。该方法通过确定性可行性修复固定位置后,使用 CMA-ES 优化实例尺度变换及离散植被资产替换,结合阴影与声学暴露代理模型定义目标函数。最终实现了兼顾美学风格(正式、现代主义、如画式)与功能角色(遮阴、碳汇、声屏障)的城市景观布局生成。

  12. arXiv · 机器人与计算机视觉38

    群体穿越泊松森林飞行极限与最优策略理论分析

    Karaman 和 Frazzoli 提出单鸟高速穿越随机林存在速度上限,本文构建泊松圆盘森林中的定向走廊网络并施加时间间隔。最大流量等于最小顶点割容量,通过沿无共享路径重复飞行实现,且在有限视界内最大化完成穿越次数。对于发散深度受宽度约束的情况,该电流独立于正纵横比;当对角线通道可用时,低障碍强度下群体电流为正,高障碍强度下为零。

  13. arXiv · 机器人与计算机视觉78

    用 JEPAs 证明并改进柏拉图表示假设

    Randall Balestriero 和 Yann LeCun 提出柏拉图表示定理,证明联合嵌入预测架构(JEPAs)在良视条件下学习到的表示收敛于同一空间。

    推荐理由:该工作将多模态对齐猜想转化为定理,证明 JEPAs 在良视条件下收敛于同一表示,并揭示语言模型仅靠规模对齐的机制。

  14. arXiv · 机器人与计算机视觉12

    智能体数量与行为对 VR 疏散训练中用户心理反应的影响研究

    该研究结合灾难虚拟仿真与多智能体情感表达,评估了疏散过程中智能体数量及行为对用户决策的影响。结果显示,伴随更多智能体撤离能提升用户自信度,且智能体选择的路线显著影响用户决策。结论表明 VR 训练需考量周围智能体的集体行为对使用者心理状态的塑造作用。

  15. arXiv · 机器人与计算机视觉48

    OrbitalGym 仿真环境揭示规划算法如何决定轨道对抗博弈结果

    OrbitalGym 是一个基于 JAX 的轨道博弈仿真环境,支持多智能体、显式通信及锥形视场传感器等配置。研究对比了 PD、LQR、MPCPI 和 MCTS 策略在追逃与护卫任务中的表现,发现燃料比主导多数遭遇,而针对能触及资产的攻击者,更优的守卫策略在 56 至 74 种能力配置中将防御概率提升至少 10%。

  16. arXiv · 机器人与计算机视觉33

    SonoWorld4D:通过扩散同步将单目视频转化为可探索的 4D 视听场景

    SonoWorld4D 框架接收单目视频输入,生成包含动态物体运动轨迹与物理一致声场的 360 度静态背景及 4D 场景。该方法利用双空间音频扩散同步技术,实现了实时新视角视觉与空间音频渲染。真实世界动态场景评估与用户研究表明,生成的视听场景在几何与内容上具备感知真实的物理基础。