跳到正文
11月19日周四
  1. arXiv · 机器人与计算机视觉76

    WM^MLLM:将多模态大语言模型转化为世界模型

    论文提出了 WM^MLLM,这是首个构建在多模态大语言模型(MLLM)之上的交互式世界模型,旨在实现基于单张图像的持久化、可编辑的世界生成。该架构将世界状态外置为带有修订历史的 panorama 全景图,由 MLLM 负责管理:它将用户请求转化为对状态的运算,选择局部编辑写入位置,并在状态更新前检查候选结果;图像生成器仅提议视图,视频仅用于展示。

    推荐理由:该工作提出首个基于 MLLM 的交互式世界模型,将世界状态外置为带修订历史的全景图,确保重访与局部编辑的一致性。

  2. arXiv · 机器人与计算机视觉73

    Worth Another Look:受限世界模型规划用于视觉检查

    该论文针对野外机器人与环境监测中的多目标定位问题,提出一种将紧凑循环世界模型与精确符号可行性解耦的神经符号观测规划方法。通过有限视野束搜索结合在线重规划,联合调度类别查询、裁剪、增强及终止操作,并在大预算下引入松弛感知影子定价与法律回退机制。

  3. arXiv · 机器人与计算机视觉49

    VideoACE:通过高帧率动作评估智能体视频理解的基准测试

    VideoACE 是一个针对支持持续交互条件的视频理解基准,专注于高帧率动作视频以捕捉细微变化。该基准包含 1000 道多选题及时间证据标注,结合视频检查工具与用户模拟器,允许模型调整采样密度并在反馈下修正判断。对五个模型的评估揭示了其在获取证据和响应交互机会上的不同模式,确立了其作为超越固定观察设置测试智能体视频理解的能力平台地位。

  4. arXiv · 机器人与计算机视觉73

    AVTR:通过视觉想象进行自适应多模态推理

    该论文针对现有视觉语言模型过度依赖文本推理的局限,提出了 AVTR 方法,将视觉想象引入作为互补推理模态,使模型能通过生成式视觉反思重访观察并提炼关键证据。研究构建了学习路由机制以根据输入需求自适应选择视觉或文本推理路径。实验显示该方法在 16 项基准测试中平均得分较 Qwen3.5 基线提升 4.5 分,同时降低 33% 的推理延迟,且在小规模骨干网络上表现优异。

  5. arXiv · 机器人与计算机视觉72

    重新思考放射学语言图像预训练中的对比目标:CorLIP 方法

    针对放射学中 CLIP 风格对比预训练中出现的零样本评估先升后降及大样本训练失效问题,作者提出这是由于未配对报告间存在临床事实重叠导致的目标误配。通过构建合成测试床验证该结构假设,论文提出了无需架构修改的 CorLIP 方法,仅在文本断言与图像一致时视为正样本。该方法消除了峰值后的性能退化,使大样本(B=2048)训练稳定收敛,并显著提升了数据增益,且可从胸部 X 光迁移至三维 CT 模态。

  6. arXiv · 机器人与计算机视觉58

    WaveView:利用噪声中的新视角生成高质量动态场景

    arXiv 论文 WaveView 提出一种基于扩散模型的生成式新视角合成方法,通过将双树复小波包变换注入初始噪声相位来约束生成器。该方法在 DL3DV 基准上所有重叠区间均优于基线,最难区间 PSNR 提升 0.84 dB 且推理速度加快 2.1 倍;对动态场景微调 AnyView 后零样本 PSNR 从 11.58 提升至 12.35 dB。

  7. arXiv · 机器人与计算机视觉5

    SIRAZ:稀疏跨层残差聚合实现零样本视觉神经解码

    SIRAZ 框架通过模拟生物视觉层级,在 THINGS-EEG 数据集上实现 92.5% top-1 准确率,并在 THINGS-MEG 数据集达到 50.25% top-1 准确率。该方法利用高斯差分变换与残差门控适配器对齐神经表征,显著提升了跨模态对齐与零样本图像检索能力。相关预印本已提交至 arXiv,代码与权重暂未提及开放许可。

  8. arXiv · 机器人与计算机视觉59

    LaST1.0:一种具有控制中心时空推理的统一潜在世界动作模型

    LaST1.0 是一种统一潜在世界动作模型,将世界建模重构为潜在空间中的控制导向未来预测,而非传统的重建导向外观细节建模。该模型采用无视觉编码器设计并引入 LaST-Attention 机制,专注于手腕视角衍生的紧凑几何感知潜在目标以捕捉机器人 - 物体交互。

  9. arXiv · 机器人与计算机视觉45

    头引导相机控制提升四足机器人遥操作导航与巡检效率

    一项包含 17 名参与者的虚拟现实中 2x2 研究显示,在四足机器人穿越迷宫任务中,头引导相机控制相比摇杆控制显著加快完成速度、降低墙体接触成本并减轻工作负荷。混合效应分析表明,摇杆移动配合头引导相机的组合实现了最强的客观性能,而全向跑步机加头引导则提供了最佳体验折衷。该研究证实了视点控制在导航与巡检复合任务中是比运动控制更强的差异化因素,且所有条件下均未出现严重的模拟器不适。

  10. arXiv · 机器人与计算机视觉65

    Scalable Iterative Multi-Agent Path Finding under Turn Constraints

    针对大规模移动机器人系统在真实运动约束下的路径规划需求,本文提出了 PIBT*_T 迭代求解器以解决转向动作带来的计算负担与死锁问题。该方法在标准基准测试中实现了高成功率并能在秒级内处理千量级代理实例;结合 ADG 执行仿真与柔性制造系统案例研究,证实了转向感知规划能更真实反映机器人执行过程并缩短实际完工时间;TurtleBot4 机器人的实验进一步验证了其工程可行性。

  11. arXiv · 机器人与计算机视觉58

    Estimation-Aware Reachability:面向状态估计不确定性的哈密顿 - 雅可比可达性方法

    针对真实机器人基于噪声估计的状态特性,该研究将哈密顿 - 雅可比可达性扩展至信念与不确定性层面,把意外测量视为有界对抗并扩大不安全集合。仿真结果显示,该方法在保持安全概率的前提下,几乎消除了确定性等价 HJ 方法的碰撞,且比同等安全的加不确定度基线更不保守。代码已开源。

  12. arXiv · 机器人与计算机视觉68

    CoT-WAM:基于计划潜变量的视觉语言模型与世界动作模型协同训练

    针对现有世界动作模型缺乏语义能力的挑战,本文提出 CoT-WAM 框架,通过可学习嵌入交换信息并采用两阶段策略实现 VLM 与 WAM 的联合优化。该方法在 LIBERO、CALVIN 和 RoboCasa-Kitchen 等基准上达到最先进性能,并在未微调情况下展现出更强的零样本泛化能力,同时在 RoboCasa365 上改善了长程规划效果。

  13. arXiv · 机器人与计算机视觉75

    递归策略自改进:面向零样本开放词汇多目标导航的方法

    针对零样本开放词汇多目标导航任务,本文提出 RPSI-Nav 递归策略自改进框架,旨在让机器人无需训练即可在未知环境中高效搜索多个物体。该方法不仅优化导航程序,还动态修订诊断与生成修订的机制本身:当现有观测无法区分竞争原因时请求诊断视图,并将后续目标搜索的反馈关联至产生修订的规则,从而指导诊断、观测获取及修订规划的更新。

  14. arXiv · 机器人与计算机视觉75

    CoScan:面向因果状态空间图像恢复的多尺度内容自适应填充扫描

    该论文针对选择性状态空间模型(SSMs)在图像恢复中因线性化导致的扫描顺序敏感性难题,提出 CoScan 方法。该方法通过可微代理监督学习图像依赖的空间填充遍历路径,并引入多尺度构建策略与频率引导起始选择机制,以提升因果上下文形成效率。材料为 NeurIPS 2026 录用论文,在多个恢复基准上表现一致且开销低,代码将开源。

  15. arXiv · 机器人与计算机视觉36

    Measuring the Conservatism of Latent Safety Filters for World Models

    该研究提出一种方法,通过计算“重叠率”来量化世界模型潜在安全过滤器的保守程度。实验在视觉导航任务中对比了三种架构,发现独立编码器设计在相同校准水平下拒绝的安全动作最少且达成目标最多。该方法适用于任何潜在变量,为平衡安全性与行动自由度提供了理论依据。

  16. arXiv · 机器人与计算机视觉33

    ReDiC:一种面向智能眼镜超分辨率的可恢复性感知课程学习方案

    ReDiC 提出结合可恢复性代理与相对恢复难度的训练课程,仅调整退化生成策略而保持架构不变。该方法在合成基准上将 NAFNet、SwinIR 和 MambaIR 的平均 PSNR 提升约 2.5 dB,语义评分提高约 3 分。真实智能眼镜采集的 200 组数据经 LLM 与人工评估证实了进一步增益。

  17. arXiv · 机器人与计算机视觉5

    Isthmus:在一步流中连接监督孤岛以恢复不确定性与稳定性

    Isthmus 方法通过在网络损失和推理代码不变且无额外成本的前提下,将训练数据对沿时间三角形边缘补充 5%,成功修复了一步采样器丢失不确定性及不稳定的问题。该方法在 MRI 重建、人脸补全及 CIFAR-10 等任务上显著提升了校准度至 0.96 并恢复了与多步采样的相关性至 0.93,且训练时长延长三倍后效果依然稳健。

  18. arXiv · 机器人与计算机视觉83

    DOCK:基于机器人运动学的双流启发自监督物体中心表征

    论文指出潜在空间规划器依赖特征距离判断场景与目标的差距存在偏差。为此提出 DOCK 方法,利用机械臂关节角度的前向运动学作为无标注位移代理,结合视觉双流架构学习物体表征。该方法在仿真厨房场景中从近万条轨迹挖掘数据训练了物体、空间和动力学三个组件,规划成功率接近读取真值位置的 oracle,且具备跨布局与未见过物体的泛化能力。

    推荐理由:该工作提出 DOCK,利用机械臂运动学构建无标注位移代理,在仿真环境中实现接近真值定位的规划成本。

  19. arXiv · 机器人与计算机视觉58

    Panini:一种用于机器人设计的可行文法

    该研究引入带类型的生产文法来生成操作技能与机器人形态,通过案例角色关系、参数继承及基于特异性的规则仲裁机制,将文法组合转化为 SE(3) 空间变换。文中提出的 PANINI 方法在跨熵搜索中表现最佳均值排名,且文法生成的设计天然合法,6000 次采样中肢体配置联合可行性达 95%,显著优于范围受限重采样与平面参数化方法。

  20. arXiv · 机器人与计算机视觉75

    MedHarness:一种用于可靠医疗影像智能体的统一预算运行时

    针对医疗影像智能体在多模态表面部署时面临的验证预算有限及错误接受风险问题,研究提出 MedHarness 框架。该框架将后回答控制重构为提案器预测后的共享决策对象附着机制,通过共享策略与表面配方适配器实现跨模态的停止、开放证据、修复或拒绝控制。

  21. Hugging Face Daily Papers73

    Jeveration:系统一模型实现单前向高质量图像生成

    论文介绍 Jeveration 方法,通过在冻结的视觉语言模型上利用其视觉语义知识,实现了在单次前向传播中生成高质量图像。该方法通过共享随机状态协调并行预测以维持全局一致性,并学习离散图像代码分布来引导生成。实验表明,Jeveration 能在 78ms 内生成 512x512 分辨率的图像,速度比现有统一模型快 122 倍,同时保持了具有竞争力的图像质量和稠密预测性能。

  22. Hugging Face Daily Papers72

    Mechanistic Critics for Sample-Efficient NPU Design-Space Exploration

    论文提出了 CriticNPU 框架,利用在线校准的机械主义批评模型对 NPU 架构进行设计空间探索。该方法通过显式硬件限制评估配置潜力并聚合算子级运行时数据,在六个大语言模型工作负载和十六种部署配置中,实现了 74% 的预填充和 87.5% 解码场景下的最优或并列最低延迟,同时仅使用竞争性基线一半的仿真调用次数。代码已开源,论文已被 NeurIPS 2026 接收。

  23. The Robot Report42

    普渡机器人"One Brain, Multiple Embodiments"战略发布 PuduFM 与 PuduAgent,依托全球超 13 万台部署经验推动具身智能规模化落地

    普渡机器人在阿姆斯特丹峰会上提出"One Brain, Multiple Embodiments"战略,推出基于物理直觉的 PuduFM 基础模型及通用智能体平台 PuduAgent。该架构通过共享底层智能与可复用技能,实现导航、操作与交互能力在不同硬件间的跨平台复用。公司全球已交付超 13 万台机器人服务 5 万客户,为具身智能从商业规模向通用适应性的演进奠定工程基础。

  24. 地平线 · 资讯动态80

    地平线发布 LoFT 原生视频几何基础模型,探索面向物理 AI 的通用视觉表征

    11 月 18 日,地平线机器人实验室发布原生视频几何基础模型 LoFT(Looped Foundation Transformer for Video Geometry)。

    推荐理由:地平线发布原生视频几何基础模型 LoFT,通过双循环架构联合预测相机位姿与深度,在多项基准评测中表现领先。

11月18日周三
  1. arXiv · 机器人与计算机视觉67

    EMRD:VLM 在安全关键场景下的探索、建图、记忆与决策基准

    本文提出 EMRD 评估框架,将视觉语言模型(VLM)的时空推理解耦为探索、建图、记忆和决策四阶段,并在 16 栋建筑及三种环境压力下评测了 11 个 VLM。结果显示,无外部记忆的开放权重模型在 95% 的回合中未访问房间且物体检测率不超过 51%,且其选择受语义先验影响显著;运动噪声、黑暗和烟雾分别导致位置误差增加、建图召回下降及可见物体减少。

  2. arXiv · 机器人与计算机视觉35

    Controllable Texture Tiling with Transformed RoPE-Enhanced Diffusion Models 提出新框架实现可控纹理平铺

    该方法基于扩散 Transformer,通过坐标变换旋转嵌入机制与分离注意力掩码,在无需像素扭曲下精准控制频率、方向和平铺模式。实验显示其在控制精度和纹理保真度上均优于现有最先进基线,且能保持场景原始光照与几何结构。代码与数据集已公开访问。

  3. arXiv · 机器人与计算机视觉82

    Matisse:基于证据空间的主动三维重建推理方法

    Matisse 是一种无需训练的框架,通过利用预训练生成式 3D 模型提供的证据,统一了主动重建与关键帧选择任务。该方法估计证据不确定性并推导证据信息增益,以指导视图获取和关键帧选择。在 GSO30、YCB-V 和 Replica 数据集上,Matisse 相对于最佳基线分别将 Chamfer 距离降低了 12.7%、3.8% 和 9.2%,并在 GSO30 上实现了 1.5 倍的整体加速。

    推荐理由:该工作提出无需训练的框架,利用预训练生成式 3D 模型的证据来指导主动重建与关键帧选择。

  4. arXiv · 机器人与计算机视觉5

    AoI-Aware Multi-Robot Sensing and Transport on Connected Graphs 论文撤回

    arXiv 预印本《AoI-Aware Multi-Robot Sensing and Transport on Connected Graphs》已撤回,作者 John Tadrous Dr. 指出定理 5 关于相位放置最优性的证明存在错误。该研究原旨在推导移动机器人网络中感知延迟与传播延迟的下界,并构建达到理论下界的传输架构。

  5. arXiv · 机器人与计算机视觉45

    Flow Matching 模型实现 Sentinel-2 影像 4 倍超分辨率:CONUS 区域生成 1.58 万亿像素产品且分类准确率达 89.11%

    该研究引入流匹配模型,在单步采样下优于扩散与 Real-ESRGAN 实现 Sentinel-2 影像 4 倍超分辨率。基于 CONUS 区域生成的 2.5 米四波段产品涵盖超 1.58 万亿像素, Chesapeake Bay 流域土地覆盖分类整体准确率达 89.11%。该成果为地理空间应用提供了高效的高分辨率影像生成方案。