跳到正文
11月18日周三
  1. arXiv · 机器人与计算机视觉78

    SCAN:面向神经疾病分类的站点感知协作隐私保护视觉语言模型适配方法

    针对全球神经影像数据因隐私规则无法集中化的问题,本文提出 SCAN 框架,允许新站点在不共享患者扫描数据或重新训练的情况下,对 3D 医学视觉语言模型进行本地化适配。

    推荐理由:提出无需共享影像或重训的站点感知协作框架,在保护隐私前提下实现多中心神经影像模型适配。

  2. arXiv · 机器人与计算机视觉56

    AR-WAM:用于自动驾驶的高效流式世界 - 动作建模

    论文提出 AR-WAM,一种结合自回归时序建模与单次前向未来条件化的高效流式世界 - 动作模型。其因果视频骨干网络可增量更新视觉上下文并复用过去计算,利用最近观测的未来特征在单次前向传播中增强动态交通泛化能力,并通过强化学习直接优化驾驶奖励。

11月17日周二
  1. 量子位72

    光轮智能推出RoboFinals RL Envs强化学习仿真环境

    光轮智能发布RoboFinals RL Envs强化学习仿真环境,依托自研SimFoundry底座实现刚体、柔体与关节体的协同交互,支持时长超8分钟的长程任务如汽车修理。产品包含资产重建、物理建模与任务定义的生成链路,提供RL Ready标准以承载策略试错与迭代,并配套独立评测基准。

  2. 量子位38

    Aimotion 李沐出任联合创始人兼 CTO 聚焦产业级世界模型与商业 AI Agent

    前 AWS 首席科学家李沐正式出任硅谷公司 Aimotion 联合创始人兼 CTO,将联合 Boson AI 打造面向汽车等高价值行业的产业级世界模型。该技术旨在对商业规则与客户决策逻辑建模,推动 AI Agent 从被动问答升级为可自主执行复杂销售业务的智能主体。Aimotion 已完成数千万美元 A 轮融资,业务覆盖美洲、欧洲及亚太市场。

  3. arXiv · 机器人与计算机视觉38

    World-Model Gradient Refinement in CEM:一项实证研究

    该研究通过仅替换首模型排名精英集为环境排名精英集的固定状态干预,使 Walker/Cheetah 任务中选定序列的实现追踪成本在所有 12 个种子单元均降低。跨 32 项任务的 52 个冻结 TD-MPC2 检查点对比显示,在改进显著的 10 个检查点上平均收益为 67.8 分(95% CI [31.9, 103.6]),其余 42 个仅提升 0.2 分。

  4. arXiv · 机器人与计算机视觉65

    Rollback-Induced Reflection:面向长程 LLM 智能体的回滚诱导反思方法

    针对多步环境交互中单点错误导致状态改变且经验丢失的问题,提出 Rollback-Induced Reflection (RIR) 框架。该方法将可靠恢复定义为联合决定干预时机、恢复位置及保留信息的边界控制问题,在回滚至选定先验状态的同时,蒸馏废弃轨迹中的可复用知识以指导后续决策。实验表明,该结构化反思记忆与选择性回滚机制能提升多个 LLM 骨干网络在长程基准任务上的平均性能。

  5. arXiv · 机器人与计算机视觉78

    ODEWorld:一种通过物理时间流的连续预测架构

    arXiv 论文介绍了一种名为 ODEWorld 的新方法,利用物理时间流(PT-Flow)构建基于常微分方程的连续潜在世界模型。该方法在压缩的潜在空间内将未来预测重构为 ODE 求解器的时间积分,有效解决了表示坍塌问题,支持任意时序分辨率、回溯预测及丰富的规划导向信息。实验表明其在视频生成和机器人控制任务中表现优异。

    推荐理由:该工作提出基于 ODE 的连续时间世界模型,解决了离散模型的表示坍塌问题并支持任意时序分辨率与回溯预测。

  6. arXiv · 机器人与计算机视觉72

    RC-aux:一种用于潜在世界模型的可达性修正辅助目标

    该论文指出潜在世界模型虽能实现短期准确预测,但其隐空间常与长期规划不匹配,核心在于时空错位。作者提出 RC-aux 这一轻量级修正方法,在保持骨干网络不变的前提下,沿时间轴进行多步开环预测训练,沿空间轴引入预算条件的可达性监督及时间硬负样本,使隐空间能区分最终可达状态与当前规划视界内可达状态。

  7. arXiv · 机器人与计算机视觉70

    线性循环记忆足以蒸馏空气曲棍球世界的策略

    该论文研究了模拟空气曲棍球防守任务,发现即使在没有追踪冰球的临时情况下,控制仍需依赖记忆。研究将 DreamerV3 教师模型蒸馏为具有 64 维状态的紧凑循环策略,结合对角线线性循环与可选的秩 k 非线性创新,而观测编码器和动作头保持非线性。

  8. arXiv · 机器人与计算机视觉82

    PRG-Fusion:基于重建证据编排生成先验以合成驾驶视角视频

    针对驾驶场景下视图切换导致的空间退化与生成不一致问题,论文提出 PRG-Fusion 框架,利用稀疏 LiDAR 投影建立几何控制并学习稠密 3DGS 渲染的外观控制。该方法根据重建证据将像素划分为保持、修复和生成三类区域,分别执行外观保留、结构修正和内容补全,在 Waymo 数据集上实现了具有优异视觉质量与几何保真度的新轨迹视频合成。

    推荐理由:提出 PRG-Fusion 框架,利用重建证据在可靠区域保持内容、受损区域修复结构、无支撑区域生成新视图,实现高几何保真度的驾驶轨迹视频合成。

  9. arXiv · 机器人与计算机视觉68

    VANDERER:基于未来感知与视觉好奇心的无图探索扩散策略

    论文提出了 VANDERER 框架,旨在解决移动智能体在无地图环境下的自主探索问题。该方法利用单目图像数据,通过视觉好奇心模块(VCM)预测导航世界模型中的动作结果并计算好奇心成本,以此引导预训练的扩散策略生成最大化探索效率的动作。实验表明,该框架在多种仿真环境中表现优于前沿搜索等基线方法,实现了 2.3 倍的探索效率提升,验证了视觉与几何好奇心在户外环境中的关联性。

  10. arXiv · 机器人与计算机视觉72

    Flying on Imagination: DreamerV3-Style World Models under Environment Distribution Shift for Quadrotor Navigation

    该论文研究了基于潜变量动态重建的世界模型在四旋翼飞行器导航中的应用,特别是在训练环境分布发生偏移时的表现。研究对比了四种不同的深度感知训练环境设置,并评估了强化学习微调前后的重建质量及策略性能。

  11. arXiv · 机器人与计算机视觉75

    NeurIPS 2026:Simulation-Informed Diffusion 用于去中心化多机器人运动规划

    论文介绍 Simulation-Informed Diffusion(SID),一种基于约束感知扩散模型的去中心化框架,通过模拟邻域机器人的未来轨迹来指导自身规划并仅在拥堵时触发协调。实验显示该方法在规划有效性和约束满足上优于基线,可扩展至 108 个机器人和 160 个障碍物的场景。材料为 NeurIPS 2026 论文,链接指向 arXiv 预印本。

  12. arXiv · 机器人与计算机视觉70

    OA-WAM:一种面向鲁棒机器人操作的物体可寻址世界动作模型

    针对标准世界动作模型在视角或布局变化时性能骤降的问题,该研究提出 OA-WAM,通过固定于回合的身份地址定位对象并读取其状态变化。模型在预训练多模态主干的每一层中,物体槽位键仅依赖地址和帧位置,值携带当前状态;同一地址同时索引动作指针和逐对象预测,可触发重定位。

  13. arXiv · 机器人与计算机视觉82

    LatentUM:通过潜在空间统一模型释放交错跨模态推理潜力

    论文介绍 LatentUM 统一模型,其核心创新在于将所有模态表示于共享语义潜在空间中,消除生成视觉状态时的像素解码中介,使内部推理更灵活高效。实验显示该模型在 Visual Spatial Planning 基准上达到最先进水平,通过自我反思提升视觉生成功能,并在共享空间内预测未来视觉状态以展示世界建模能力。代码与模型已开源,论文为 NeurIPS 2026 Oral 录用版本。

    推荐理由:该工作提出共享语义潜在空间的统一模型架构,消除像素解码依赖,在视觉空间规划基准上达到最先进水平并展示世界建模能力。

  14. arXiv · 机器人与计算机视觉70

    稀疏视频生成推动现实世界的越视域视觉语言导航

    针对现有大语言模型在越视域导航任务中短视行为的挑战,该方法首次引入视频生成模型以利用长视界监督优势。通过提出 SparseVideoNav 技术,将原本需数十秒的视频生成长度压缩为亚秒级轨迹推断,同时保持 20 秒的未来视界跨度。实验表明,该方法在越视域导航任务上的成功率是现有大语言模型基线的 2.5 倍,并首次实现了夜间复杂场景下的有效导航能力。

  15. arXiv · 机器人与计算机视觉42

    PrefCVAE 通过弱偏好对齐实现自动驾驶轨迹的可控生成预测

    PrefCVAE 是一种增强型 CVAE 框架,利用弱标签偏好对赋予隐变量语义属性,在保持基线精度的同时实现了可控且具语义意义的轨迹多样性。该方法以平均速度为例证,验证了偏好监督作为提升基于采样生成模型效率的低成本方案的有效性。研究结果发表于 arXiv,属于预印本状态,旨在解决现有方法缺乏可控多样化轨迹生成的问题。

  16. arXiv · 机器人与计算机视觉63

    Galilean Symmetry in Robotics:基于机器人视角的伽利略对称性阐述

    本文提出了一种面向机器人的伽利略对称性阐述方法,利用刚体变换和位姿表示来构建建模框架。该方法将经典的齐次矩阵代数直接映射到伽利略模型中,为处理涉及惯性测量和时空变量的机器人问题提供了有力工具。作者通过开发地球固定旋转参考系下的车辆运动研究模型以及融合具有不确定时间戳的测量值的算法,展示了该方法的潜力。

  17. arXiv · 机器人与计算机视觉72

    DYMO-Hair:面向多模态目标条件化的机器人理发动作学习

    论文介绍 DYMO-Hair 系统,通过预训练分层 3D 体素潜空间建模梳子引起的头发形变,结合物理仿真器实现大规模预训练以泛化至未见发型。该系统耦合模型预测路径积分规划器,支持视觉参考和自然语言指令的闭环理发动作。实验显示其在几何误差和用户评分上优于基线系统,并在七种不同属性的真实假发上实现了零样本迁移,无需微调即可达成目标。

  18. arXiv · 机器人与计算机视觉35

    CivilBench:首个土木工程多模态信息融合视觉语言模型评测基准

    CivilBench 是首个针对土木工程与灾害场景的视觉语言模型(VLM)综合评测基准,涵盖序列推理、图像结构理解及开放世界理解三大任务家族。评估显示当前主流 VLM 在从稀疏结构化观测中推断数值关系等序列推理任务上存在显著瓶颈,且该基准将通过公开链接提供以支持可靠 AI 辅助工程决策能力的验证与进展追踪。

  19. arXiv · 机器人与计算机视觉38

    D'BEAST:利用不良体验解释自动驾驶智能体决策

    D'BEAST 方法通过回放包含安全或任务事件训练的固定日志,验证了强化学习智能体的决策可由其“不良体验”解释。在 CARLA 闭环驾驶测试中,保留所有更新的 FULL 版本从 40 次启动中达成目标 33 次,而剔除或中和不良体验的版本均失败。局部分析显示,移除少量不良体验(中位数为 1)导致智能体在 46 个决策案例中选择了失效策略的动作。

  20. arXiv · 机器人与计算机视觉82

    Spectral Steering:冻结扩散生成器的局部逆向几何

    针对冻结扩散生成器需改变部分输出属性同时保持其他属性的需求,本文研究了条件引导的忠实性并引入局部逆修正以改善方向。该方法结合请求特定的余弦增益预测器与阻尼逆修正及固定时间重线性化,适用于有限编辑场景。

    推荐理由:该文提出光谱引导方法,结合局部逆修正与固定时间重线性化,在图像修复等任务中显著优于 Adam 优化器。

  21. arXiv · 机器人与计算机视觉78

    用单子表示微分包含:一种用于组合式控制器合成的框架

    该论文针对混合与非光滑机器人系统的控制器安全认证问题,构建了基于 Filippov 正则微分包含的轨迹单子框架。其核心贡献是将控制屏障函数(CBF)认证转化为子单子结构,证明联合安全性仅需满足一个代数条件,解释了为何平滑交集支持安全合成而分阶段强制则不然。

    推荐理由:提出轨迹单子框架将混合系统控制器合成简化为代数条件,并推导失效率模型与验证结果。

  22. arXiv · 机器人与计算机视觉73

    基于学习世界模型的逐次凸化安全离线规划方法

    该研究提出一种将离线数据学习的世界模型用于安全规划的新方法,核心是将规划问题转化为逐次凸优化(SCP)框架,并在每一步施加离散时间控制屏障函数作为约束。为适应 SCP 对平滑动力学的需求,网络采用平滑 MaxMin 激活和谱归一化层,并基于 Lipschitz 界界定线性化误差。

  23. arXiv · 机器人与计算机视觉23

    AttentionUNet-CA 模型在印度勒克瑙土地利用变化仿真中表现优于空基线与随机森林基线

    AttentionUNet-CA 利用高程、距主干道距离等四个驱动因子预测土地覆盖状态,在印度勒克瑙 2010-2020 年测试集上,其图优值(21.0%)略高于加权 U-Net CA(22.0%)和随机森林 CA(20.3%),但均不及空模型的整体一致性。研究指出注意力门未提升精度,人口密度与距 CBD 距离为最有用驱动因子,预测至 2030 年建成区将增长 22-35%。

  24. arXiv · 机器人与计算机视觉78

    SADL:表征坍塌的需求 - 供给几何学分析

    针对联合嵌入预测架构(JEPAs)中编码器表征坍塌的问题,论文提出 SADL(Supply And Demand Loss)。该方法通过约束编码器以匹配正则化器对差异的需求与编码器的供给能力,无需辅助网络或额外参数。在 LeWorldModel 和 INTACT 实验中,SADL 将随机种子下的坍塌率从 50% 降至 0%,有效秩提升显著,且在多个数据集上提升了分类准确率与控制稳定性。

    推荐理由:提出 SADL 方法解决 JEPAs 表征坍塌问题,在 LeWM 和 INTACT 实验中显著降低坍塌率并提升控制成功率。

  25. arXiv · 机器人与计算机视觉73

    Lazy-MOSAIC:通过学习到的技能效果世界模型加速以技能为中心的操纵规划

    针对长视界操纵任务中基于高保真物理模拟器评估每个候选技能的计算成本问题,本文提出 Lazy-MOSAIC 框架。该方法利用廉价学习到的技能效果世界模型预测技能的可行性及产生的世界状态,仅对有希望的候选技能进行昂贵仿真验证,并在假设被证伪时仅修复受影响的搜索部分。

  26. arXiv · 机器人与计算机视觉63

    Lost in the Hallway:发布 ReSpaceBench 基准评测持久化空间记忆

    论文介绍 ReSpaceBench 基准,包含 590 个合成与真实家庭场景及 3244 个问题,用于评测智能体在跨会话访问中的持久化空间理解能力。评估显示最强零样本模型整体准确率为 50.5%,远低于人类标注者的 90.1%;代理框架未带来额外提升。作者提供了 RS-30K 合成训练集,微调 Qwen3-VL-8B 可将准确率从 35.5% 提升至 60.4%。

  27. arXiv · 机器人与计算机视觉82

    LynnReal-Hand:解锁手部控制的世界交互能力

    针对直接物体交互需要精细控制的挑战,本文介绍了 LynnReal-Hand 这一手控视频世界模型,统一了精确的交互建模与高效的流式生成。团队整理了涵盖真实与合成环境的 10 万条交互片段,开发了手部感知监督以改善细粒度动作;利用因果流图实现少步生成,并结合区域感知分数蒸馏融合视频与图像先验来优化交互动力学和视觉外观。

    推荐理由:该工作提出手控视频世界模型,通过因果流图与区域感知蒸馏提升交互精度,并开源数据集、权重及代码以支持相关研究。

  28. arXiv · 机器人与计算机视觉73

    BoBDeLaN:用于深度拉格朗日机器人控制的有界带宽上下文适应方法

    该论文提出 BoBDeLaN 架构,结合收缩增益受限的循环平衡网络上下文编码器与稳定线性滤波,以塑造不同频率下的扰动敏感性并保证指数级遗忘。研究在仿真及真实硬件操作中评估了低通实现于模型预测控制的效果,相比同等输入滤波器的 LSTM 编码器,该方法在高频上下文敏感性、残差扭矩预测误差及抗注入扰动退化方面表现更优。