跳到正文
11月17日周二
  1. arXiv · 机器人与计算机视觉78

    ROSE:一种用于人形机器人表情表达的共享跨具身面部运动隐空间

    针对现有系统仅能实现有限唇部运动或脚本化表情的局限,本文提出 ROSE 框架,整合仿生硬件与跨具身运动表示学习。硬件上构建集成 34 个执行器的 19.5 cm 仿生头部结构;算法上利用 ROSE-VAE 从人、数字人和机器人观测中学习身份无关的共享面部运动隐空间,ROSE-Flow 直接将文本或音频映射为运动轨迹,ROSE-ACT 将其转换为受约束的执行器指令。

    推荐理由:提出 ROSE 框架,通过解耦执行器布局与面部动作点实现紧凑头部全脸表达,并构建跨模态运动生成管线。

  2. arXiv · 机器人与计算机视觉78

    TacBridge:通过跨传感器对应学习统一触觉表征

    针对 GelSight、DIGIT 等光学触觉传感器因成像几何和背景差异导致观测不一致的问题,论文提出 TacBridge 框架。该框架利用跨传感器掩码预训练学习时空表征,并在同传感器与跨传感器重建任务上联合训练,实验证明了其跨传感器泛化性与下游感知任务的迁移能力。

    推荐理由:提出 TacBridge 框架,通过跨传感器掩码预训练学习统一触觉表征,验证了多传感器间的泛化与任务迁移能力。

  3. arXiv · 机器人与计算机视觉73

    ProSE:面向 MoE-MLLM 的语义引导专家跳过与重建误差探测研究

    针对混合专家多模态大语言模型(MoE-MLLMs)中激活专家存在计算冗余的问题,本文提出 ProSE 框架。该方法无需训练,通过探测层间重建误差来促进表示一致性,并构建查询感知的语义掩码以识别关键视觉 token,进而为每层校准模态特定的跳过阈值。

  4. arXiv · 机器人与计算机视觉78

    TRR:一种用于机器人仿真与 RGBT 数据生成的热交互引擎

    论文提出 TRR(Thermal Robot Renderer),这是一个将空间解析的热状态附加到接触对象、并通过接触/传输/分离更新局部热交换的渲染器。材料展示了受控干预如何证明保留热量对后续接触结果的影响,并发布了包含 2,224 个静态 - 动态对的六任务基准数据集(共 4,448 条轨迹)。

    推荐理由:TRR 引擎引入热力学状态模拟,生成带热历史的 RGBT 基准数据集与工程工作流,旨在提升机器人接触安全选择率并加速仿真到现实迁移。

  5. arXiv · 机器人与计算机视觉72

    VA-Assembly:基于视图对齐分数引导的免训练 3D 部件装配方法

    论文提出 VA-Assembly 框架,解决独立 3D 部件在无预设关系和坐标下的装配问题。该方法利用冻结的视图条件扩散模型生成几何对齐的分数梯度,优化部件的平移、旋转和缩放,无需标注布局或特定类别先验。实验显示其在多视角结构线索下优于几何配准基线,且支持部件级编辑与重组。

  6. arXiv · 机器人与计算机视觉73

    RoboKit:加速机器人学习的并行可微分优化工具包

    论文介绍 RoboKit,这是一个基于 GPU 并行多种子求解器的高性能通用工具包,旨在加速机器人学习中的并行可微分优化。材料指出其在七个任务上比特定任务基线快 2-60 倍,利用混合表示法在 2.97 秒内优化了 4096 次抓取,并将优化成本转化为策略蒸馏和强化学习的训练优势,使蒸馏策略精度相当时速度快 9-240 倍。

  7. arXiv · 机器人与计算机视觉48

    复用层何时助益多模态嵌入?——MMEB-V2 基准上的循环 Transformer 研究

    该研究在 MMEB-V2 基准的 78 个数据集上验证,标准附加循环使检索分数下降 0.46 分,而中间生成阶段则提升 0.36 分。预训练引入循环的模型相比去环控制组增益 4.23 分,且在视觉问答与文本定位任务中受益于查询条件化的图像更新。研究区分了前向信息流保持查询独立性与双向注意力下的状态敏感性机制。

  8. arXiv · 机器人与计算机视觉82

    RETR:一种用于鲁棒 3D 车道检测的结构保持 RGB-事件 Transformer

    论文提出了 RETR,这是首个尝试将事件相机引入 3D 车道检测的工作。作者构建了包含真实世界序列的 DSEC-3DLD 和大规模仿真序列的 Ev-OpenLane 两个多模态基准数据集。

    推荐理由:提出首个将事件相机引入 3D 车道检测的模型,在真实与仿真基准上均达到最先进水平。

  9. arXiv · 机器人与计算机视觉46

    SearchChord:免训练框架实现一步图像编辑的提示词预选与场重组

    SearchChord 提出一种免训练框架,通过文本预选、图像验证和潜在场重组平衡编辑保真度与计算成本。消融实验显示在 200 个候选者池中选取 100 个最具性价比,而 TextSim 仅需预选 10 个即可优于全量输入。该方法在 PIE-Bench 及新提出的 CropWeed-EditBench 上验证了文本预选提升对齐、重组保留源内容的权衡机制,代码与数据将公开。

  10. arXiv · 机器人与计算机视觉48

    阿维加机器人实验室发布 1:10 比例自动驾驶车辆技术报告

    沙希德贝赫什蒂大学机器人智能自动化实验室设计了集成 ESP32 微控制器与 Jetson Orin NX 模块的 1:10 比例自动驾驶平台。系统通过 UART 链路协同运行,利用 ROS 栈及 Stanley、PID、Pure Pursuit 算法在类城市环境中实现稳定导航。该报告包含 62 页内容、32 张图表及 11 个表格,作为未来自动驾驶研究的模块化实验平台。

  11. arXiv · 机器人与计算机视觉43

    T2T 技术报告:从视频教程规模化合成 GUI 智能体轨迹

    T2T 提出全自动流水线,将桌面、Web 及移动端未标注视频教程转化为结构化可执行交互轨迹。该管线结合主动片段过滤与两阶段动作空间归一化,在百万级无人类标注样本上微调 Qwen3-VL-8B。模型在 OSWorld-G、ScreenSpot-Pro 等基准实现跨应用泛化提升,且无需目标域分布内训练数据。

  12. arXiv · 机器人与计算机视觉82

    Whole-Slice Misses Escape Round-Trip Filtering and Volumetric Dice in a Source-Free Flow-Matching Segmenter

    Guobiao Wang 审计了一种无源流匹配分割器在 120 名未见训练数据上的表现,发现模型常漏检脾脏且现有质量门控(往返过滤和体积 Dice)无法识别此类错误。作者提出 Chain-and-Fill 方法在 119 名患者上满足所有预注册终点,其严重组增益与 SAM 2 传播不可区分,且仅 1/357 的患者种子对受损。

    推荐理由:原文审计了无源流匹配分割器在 CT 影像中的脾脏漏检问题,并验证了链式填充修复方法的有效性。

  13. 智东西 · 机器人40

    鹰瞰智翼完成数千万元 Pre-B 轮融资,聚焦物理 AI 扑翼机器人与 Vortrix 流体仿真引擎研发

    深圳具身智能公司鹰瞰智翼宣布完成由商汤国香资本独家投资的数千万元人民币 Pre-B 轮融资。资金将用于下一代具备约 15 个自由度的“白鹰”扑翼机器人及 Vortrix 流体仿真引擎研发,并推进 Eagle X 量产爬坡与欧洲、日本市场拓展。

  14. 盖世汽车 · 汽车资讯35

    鹰瞰智翼获商汤国香资本独家 Pre-B 轮融资,研发基于物理 AI 的扑翼机器人与 Vortrix 流体仿真引擎

    深圳鹰瞰智翼近日完成数千万元 Pre-B 轮融资,由商汤国香资本独家投资。资金将用于下一代扑翼机器人整机与 Vortrix 流体仿真引擎研发、产线建设及海外拓展。其首款消费级产品 Eagle X 已于 9 月在 IFA 2026 全球首秀并进入量产爬坡阶段,同时推进具备约 15 个自由度的“白鹰”下一代产品研发。

11月16日周一
  1. 盖世汽车 · 汽车资讯58

    恩智浦推出统一机器人平台加速可信物理人工智能部署

    恩智浦半导体发布全新的统一机器人平台,该平台基于其“神经轴架构”,能够安全连接感知、实时控制及 AI 处理功能。通过预集成的软件和经过验证的子系统互操作性,开发者可从电机控制等单一功能快速扩展至构建完整的自主无人机系统,将原本需数月的集成与验证工作量缩短至几天或几周。平台整合了恩智浦在安全与功能安全方面的技术,助力开发人员构建下一代值得信赖的物理人工智能系统。

  2. IEEE Robotics and Automation Society2

    IEEE RAS Soft Robotics Day 活动发布:全球多地举办软体机器人主题演讲与辩论

    IEEE RAS 软体机器人技术委员会将于 2026 年 12 月 20 日举办 Soft Robotics Day,通过线上及墨西哥、瑞士、印度等多地混合现场形式开展系列演讲与辩论。活动面向全球社区开放,特别招募学生担任演讲者分享研究成果并连接同行。具体在线详情及 Zoom 链接将随后公布。

  3. arXiv · 机器人与计算机视觉78

    Vision-as-a-Tool:一种将视觉作为工具的视觉 harness 框架

    该论文提出了 Vision-as-a-Tool (VaaT) 范式,通过 VHarness 框架将通用多模态大模型重构为可被调用的外部工具,使纯文本智能体在代理执行中完全卸载视觉推理任务。研究在图像转 HTML、SVG 及 3D 生成等任务上进行了评估,结果显示该架构显著提升了视觉保真度和几何准确性,证明了模块化视觉推理作为未来代理编码系统基础的有效性。

    推荐理由:提出将通用多模态大模型作为外部工具调用,使纯文本智能体具备视觉推理能力并提升生成质量。

  4. arXiv · 机器人与计算机视觉72

    通过探测激活恢复蒸馏图像和视频生成器的多样性

    蒸馏扩散模型虽降低采样延迟但导致样本多样性严重坍缩。本文探究发现学生模型将激活方差集中到更少的方向,且该现象位于去噪初始步骤的中间层。为此提出 ReDiverse 方法:训练时通过轻量适配器微调回归教师特征方差,推理时无训练机制沿预计算的主成分方向引导激活。在图像和视频蒸馏基准测试中,该方法在保持生成质量的同时一致恢复了样本多样性,并得到用户研究支持。

  5. arXiv · 机器人与计算机视觉23

    遥操作干预提升自驱动实验室韧性研究

    针对自驱动实验室(SDL)自动化流程故障,该研究开发了基于 UR3e 机械臂与 3Dconnexion SpaceMouse Pro 的遥操作接口。对比测试表明解耦控制器模式缩短了任务完成时间并减少旋转运动,且无参考路径引导时用户更具目标导向性。工作验证了人机回环机制在 SDL 故障恢复中的可行性,为未来共享自主性研究奠定基础。

  6. arXiv · 机器人与计算机视觉72

    DeepBA:一种基于图神经网络的深度光束法平差方法

    论文 DeepBA 提出一种图神经网络架构,用于从任意数量视图的二维匹配中恢复相机位姿、内参和场景结构。该方法将传统光束法平差的非线性最小二乘求解过程转化为可学习的迭代优化,支持冷启动且无需逐场景归一化。模型包含 2.04M 参数,在重建质量和位姿指标上优于先前的学习型 SfM 方法,并在视图数量增加时计算效率超越经典方法。

  7. arXiv · 机器人与计算机视觉58

    RecurIR:通过递归自我改进学习何时以及如何修订恢复策略

    针对现有基于代理的图像修复方法缺乏对策略有效性边界显式识别的问题,本文提出 RecurIR 框架。该框架引入假设发现机制以识别条件依赖规则,设计由规则证伪驱动的任务演化机制生成针对性退化变体并验证规则适用性边界,进而开发变化条件感知的策略修订机制来调整工具选择、执行顺序及操作强度。

  8. arXiv · 机器人与计算机视觉78

    通过身体对齐虚拟关节跨人形机器人复用运动控制训练配方

    针对现有传输模型未标准化策略接口导致难以跨机器人复用的问题,本文提出在上游映射层引入身体对齐的虚拟关节空间。该方案使策略动作与观测遵循统一解剖学约定,并通过确定性运动学层将虚拟目标映射到原生坐标,保持底层控制栈不变。实验在三种不同腿部轴布局的人形机器人及宇树 G1 硬件上验证,证明该方法能准确跟踪、保持足部对齐且训练稳定,并将航向漂移降低近六倍。

    推荐理由:提出身体对齐虚拟关节空间,在三种不同构型人形机器人上复用同一强化学习策略,显著降低航向漂移。

  9. arXiv · 机器人与计算机视觉35

    SceneAgent:多智能体框架实现游戏场景生成跨引擎移植

    SceneAgent 是一个多智能体框架,通过维护规范化的场景上下文与后端适配器,实现了构建流程及经验在不同游戏引擎间的复用。该框架在包含 69 个室内外提示词的 GameSceneBench 基准测试中,相比五个基线获得 78.2%-89.4% 的人为调整偏好得分。消融实验表明可复用技能与多智能体协议主要提升了提示词对齐度与场景完整性,且部署至第二引擎时保留了共享协议库并替换了后端集成组件。

  10. arXiv · 机器人与计算机视觉30

    Talk to Act:首个合成多轮对话基准助力小参数模型实现机器人意图提取与动作规划

    Talk to Act 发布了一个合成生成的多轮对话数据集,旨在评估无需特定微调的小参数语言模型(270M 至 8B)在机器人场景下的意图提取与动作规划能力。实验表明,这些紧凑模型在本地部署环境下即可实现合理的任务性能,为构建高效的人机交互系统提供了实用基线。

11月14日周六
  1. Hugging Face Daily Papers72

    Agentic On-Policy Distillation Implicitly Reshapes LLMs' ReAct Patterns

    该论文研究了同策略蒸馏(OPD)如何重塑语言模型智能体在数学、ALFWorld 和 tau^2-bench 等任务中的 ReAct 交互模式。研究发现,通用推理监督能将数学工具尝试率从 70.4% 降至 14.4%,准确率从 16.7% 提升至 38.0%;代码解释器监督改善了家庭操作和零售查询能力。

11月13日周五
  1. arXiv · 机器人与计算机视觉48

    Robo-SWE:首个源自机器人软件仓库的可执行问题修复数据集发布

    Robo-SWE 数据集包含从 28 个公开机器人仓库挖掘的 236 个可执行任务,涵盖 ROS 2、仿真引擎及学习框架领域。五组编码智能体在离线运行中解决率介于 43.9%(Kimi K3.1 Pro)至 56.5%(Claude Opus 5.5),并附带完整的修复补丁与轨迹数据。该数据集已上线公共排行榜,旨在推动针对机器人领域特定系统的代码代理评估研究。

  2. arXiv · 机器人与计算机视觉48

    AROMA:面向视觉语言模型的自适应表征导向多模态控制框架

    AROMA 是一种冻结 VLM 的控制框架,通过分离干预位置、几何增益及目标选择等维度解决因果敏感性与激活能量不匹配问题。在 Llama-3.2-11B-Vision-Instruct 上,该方法将未触碰过程数据的精确计数准确率提升 8.00 个百分点,迭代最小努力动作(MEA)达成率从冻结策略的 34.444% 提升至 38.730%。

  3. arXiv · 机器人与计算机视觉68

    SpotDiff:一种用于遥感影像零样本变化检测的即插即用框架

    SpotDiff 是一个无需训练的即插即用框架,旨在解决传统遥感变化检测依赖大量标注数据的可扩展性问题。该方法组合了 DINOv3、AnyUp 和 SAM 3 等视觉基础模型,利用多尺度推理策略在感兴趣区域比较重建特征以测量变化,不包含可学习组件或微调。