跳到正文
10月16日周五
  1. arXiv · 机器人与计算机视觉18

    拓扑保持的多用途管路中心线优化技术报告发布

    该技术针对增材制造液压歧管等永久占用流体管的场景,从固定路由拓扑出发对管路中心线进行几何细化。在包含 8 组×8 终端且胶囊间隙为 2 的测试套件中,方法实现了全硬接受成功、曲率半径比小于等于 1,并使软目标相对下降约 95%。研究将基于物理的压力降优化推迟至后续偏微分方程阶段,当前目标仅保留几何属性。

  2. arXiv · 机器人与计算机视觉78

    NavAble:面向盲助导航的大规模数据集与合成数据生成管线

    NavAble 是一个针对盲助导航感知的大规模数据集,涵盖 11 类无障碍关键物体(如听觉行人信号、门激活按钮等),整合了 4.1 万张精选开源图像和 8000 张新采集的密集标注真实世界图像。

    推荐理由:NavAble 数据集与合成生成管线公开,填补了盲助导航关键物体类别的数据稀缺问题。

  3. arXiv · 机器人与计算机视觉48

    CoRE-MPC 实现非线性降阶模型预测控制的满序系统安全约束

    CoRE-MPC 是一种利用非线性降阶模型进行规划并保证满序系统递归可行与约束满足的鲁棒 MPC 方法。该方法在 80 态振荡器链、Burgers 方程及 9,768 态软体机器人仿真中验证,两态 ROM 方案求解时间低于 1ms,速度比全序鲁棒 MPC 快 13 至 61 倍且闭环成本仅高 27% 至 35%。代码将于发表时开放。

  4. arXiv · 机器人与计算机视觉72

    Into the LidarVerse:一种跨任务与传感器的实时统一 LiDAR 世界模型

    论文介绍了 LidarVerse,这是一个统一的 LiDAR 世界模型,旨在解决现有仿真器在几何重建与生成一致性之间的权衡问题。该方法通过通用分词器将 LiDAR 序列映射到共享潜在空间,利用双向教师网络学习条件接口,支持基于 LiDAR 前缀、高精地图、持久化空间缓存及文本的多种输入。

  5. arXiv · 机器人与计算机视觉15

    Benchmarking 3D Reconstruction for Under-Ice Robotic Perception in Arctic Environments

    针对北极冰下环境视觉特征稀疏与感知条件恶化的挑战,该基准利用 MOSAiC 科考真实数据及 Unreal Engine 水下机器人仿真器生成的合成数据,评估基于运动恢复结构(SfM)和单目深度估计的冰下三维重建性能。研究通过跨模态配准技术实现与向上凝视多波束声纳的定量对比,旨在弥补声学传感器缺乏光谱和高纹理信息的局限,为海洋 - 冰层 - 大气热交换模型及冰下栖息地监测提供关键数据支撑。

  6. arXiv · 机器人与计算机视觉74

    Action Jets:学习动作条件数据流形的局部形状

    针对高维动作条件预测模型计算昂贵的问题,提出 Action Jet 方法直接估计当前状态下动作变化引起的图像区域移动流形局部形状(至三阶泰勒多项式)。该方法仅需单次推理即可评估任意数量候选动作,在 BridgeData V2、DL3DV 等基准上相比 IRASim 和 WorldGym 等生成器加速超过 300 倍且计算量减少超 100 倍,同时在短视界内对未见帧的预测更准确。

  7. Hugging Face Daily Papers58

    基于 DAO 和 JING 的生成式世界仿真框架技术报告

    XGEN Team 发布技术报告,提出一种将持久化共享世界状态与连续第一人称视听生成耦合的框架。该框架集成可计算世界引擎 DAO 用于维护角色、物体及空间关系并推进世界演化,同时利用 Egocentric Interactive Experience Model JING 结合观测条件生成特定视角的体验。

10月14日周三
  1. Hugging Face Daily Papers85

    MAI-Gym:面向移动与计算机环境的 GUI Agent 评测与 RL 训练开源平台

    论文介绍 MAI-Gym 这一开放的一体化平台,统一了移动端、电脑端和 Web 端的 GUI Agent 评测、数据收集及在线强化学习训练流程。该平台通过共享部署管道确保行为一致性,支持十个基准测试并扩展至两万并行环境实例。

    推荐理由:MAI-Gym 平台统一了移动与计算机环境的 GUI Agent 评测与在线强化学习训练,支持合成任务并实现了从模拟到物理设备的技能迁移。

10月13日周二
  1. Hugging Face Daily Papers75

    Cowork-Gym:大规模合成交互式工作环境框架

    论文介绍 Cowork-Gym 框架,利用构建、执行和修订循环合成包含状态感知用户模拟器的交互式工作环境,涵盖工具依赖与共享工作区编辑。研究合成了 64.9K 个环境并用于微调 Qwen 系列模型(9B/27B/35B),在六个代理基准上平均表现优于基线,其中 27B 版本在 PawBench 和 ClawEval 上得分最高,超越百十亿参数模型。

  2. Hugging Face Daily Papers78

    Evidence-First Agentic Verification:一种基于证据优先的智能体验证方法

    针对长程半可验证智能体任务依赖评分标准却易受错误报告影响的问题,研究提出 Sauron 验证器。该方法独立调查环境状态与执行轨迹,仅在验证来源后接受声明,并通过有界查询减少冗余工作。

    推荐理由:Sauron 方法在长程任务中通过独立验证证据提升评估准确率,相比基线成本更低且抗攻击性强。

10月12日周一
  1. arXiv · 机器人与计算机视觉63

    ModAR:首个多模态自回归世界动作模型

    论文提出 ModAR,这是首个对多种未来模态(点轨迹、DINO 特征、深度图)进行自回归去噪后再预测动作的世界动作模型。实验表明,结合点轨迹和深度图能提升性能,而额外预测 RGB 图像收益不显著;ModAR 在三种真实双手任务上优于基线,平均成功率达 75%,且训练 FLOPs 约为视频初始化基线的二十分之一,无需预训练。

  2. arXiv · 机器人与计算机视觉42

    DeVI:基于合成视频模仿的物理灵巧人机交互框架

    DeVI 提出一种通过模仿文本条件生成的合成视频来学习物理基础的人机交互控制,利用混合模仿目标规避不可靠的三维物体运动重建。视觉 HOI 对齐模块进一步修正人体参考以适配生成视频与初始三维配置,显著提升重构质量与模仿成功率。实验表明该框架无需动作捕捉演示即可实现目标感知与多连杆物体的物理可行功能操作。

  3. arXiv · 机器人与计算机视觉43

    AnomalyAgent:通过工具增强强化学习实现工业异常合成

    AnomalyAgent 提出具备自我反思与知识检索能力的异常合成智能体,利用 PG、IG、QE 等五类工具构建闭环优化。该方法在 MVTec-AD 数据集上 IS/IC-L 达 2.10/0.33,分类准确率 57.0%,AP 分别达到 99.3% 和 74.2%,超越所有零样本最先进方法。代码已公开,论文被 ACM MM 2026 接收。

  4. arXiv · 机器人与计算机视觉38

    MARGoS:面向 ARGoS 仿真器的可复现多智能体强化学习配置驱动平台

    MARGoS 是一个轻量级、配置驱动的开源平台,旨在解决基于 ARGoS 的多智能体强化学习实验复用与复现难题。该平台通过配置哈希、端到端种子传播及不可变配置等机制,将环境指纹与训练脚本提升为一级管理对象,支持跨机器结果回放与验证。项目代码已公开,相关论文作为 VARIABILITY 2026 卫星会议项目展示轨道的提交版本(待同行评审),收录于 LNCS 17104。

  5. arXiv · 机器人与计算机视觉38

    本地智能体 AI 框架生成边缘案例以保障自动驾驶安全

    该研究提出基于笔记本电脑的本地大语言模型智能体框架,通过“思考 - 行动”循环自动生成边缘案例场景。系统利用独立模型批判与仿真评估指标进行闭环优化,最终产出可追溯的安全保证证据。此方法无需人工介入或依赖规则策略,有效解决了长尾分布下的场景多样性问题。

  6. arXiv · 机器人与计算机视觉43

    分布鲁棒自适应迭代协方差引导提升小行星近距操作安全性

    该方法结合迭代协方差引导与 L₁ 分布鲁棒自适应控制,在包含重力、太阳辐射压及扩散不匹配的蒙特卡洛试验中,将禁入区违规率从 32.7% 降至 0.2%,物理碰撞率从 16.4% 降至零且无执行器饱和。研究通过匹配名义规划模型与真实动力学差异,实现了小行星近距操作下的风险感知避撞。

  7. arXiv · 机器人与计算机视觉78

    SimVTA:基于仿真的视频 - 轨迹对齐用于驾驶世界动作模型

    针对驾驶世界动作模型(WAMs)在强化学习后训练阶段缺乏替代轨迹视觉监督的问题,本文提出 SimVTA 框架。该方法结合轨迹优化与视频监督,利用真实世界模拟器渲染高奖励候选轨迹的未来视频,并在有限渲染预算下优先处理高误差未来以更新共享表征。

    推荐理由:提出 SimVTA 框架,利用仿真生成视频监督以解决驾驶世界动作模型的轨迹规划问题。

  8. arXiv · 机器人与计算机视觉35

    Gaussian Splatting with Reflections Guided by What is Seen 提出基于 2DGS 的新框架,利用输入图像中的直接环境信息建模近场反射与视向高光效果。实验在公开基准及新构建的近场反射数据集上验证,该方法在渲染质量与几何精度方面优于现有依赖环境贴图或间接监督的技术。论文已接受至 IEEE ICIP 2026,代码与数据开放许可待注册。

    Gaussian Splatting with Reflections Guided by What is Seen 提出基于 2DGS 的新框架,利用输入图像中的直接环境信息建模近场反射与视向高光效果。实验在公开基准及新构建的近场反射数据集上验证,该方法在渲染质量与几何精度方面优于现有依赖环境贴图或间接监督的技术。论文已接受至 IEEE ICIP 2026,代码与数据开放许可待注册。

  9. arXiv · 机器人与计算机视觉38

    生成式增强提升 AI 测试与评估语义覆盖度

    针对测试数据集在时间、天气等关键输入条件下语义覆盖不足的问题,研究提出无需真值标签的三阶段生成式 AI 流程。该流程利用视觉语言模型零样本标注并聚类影响下游行为的语义,再通过扩散图像到图像模型将现有图像转化为欠表示域以增强外观特征。实验验证显示,在日/夜语义差距场景下,经增强的测试集能更准确区分模型是否接触过缺失语义,使评估结论更接近理想全覆盖数据集的结果。

  10. arXiv · 机器人与计算机视觉83

    X-AVDD:一种基于交叉注意力的音频 - 视觉数据集蒸馏方法

    论文提出了 X-AVDD,这是一种基于交叉注意力的音频 - 视觉数据集蒸馏方法,旨在从大规模配对数据集中合成小数据集并保留训练效用。该方法通过解耦跨模态对齐与联合优化,显著降低了内存需求,将端到端合成成本减少了约 8 倍 GPU 小时。

    推荐理由:针对现有音频 - 视觉数据集蒸馏方法内存占用高且跨模态语义对应弱的问题,提出基于交叉注意力的 X-AVDD 方法。

  11. arXiv · 机器人与计算机视觉36

    PhysForge:基于可分离组件的材料可控三维重建框架

    PhysForge 是一个基于视频扩散模型(VDM)的框架,通过 PhysFit 和 PhysComp 两个模块实现材料可控的物理拟合与组件级交互建模。在 PhysAssets 和 Google Scanned Objects 数据集上,该方法在常见及罕见材料的 CLIP 分数与物理可控性评分均优于现有方法,并支持组件独立优化与灵活组合。项目页面已公开,代码与数据许可状态待进一步确认。

  12. arXiv · 机器人与计算机视觉72

    超越成功的机器人演示:从人机交互中学习并建模失败动力学

    arXiv 论文介绍 HF-WM,这是一个基于动作的条件世界模型,旨在预测行动后果并弥补现有数据集缺乏失败动态的不足。该研究提出双分支框架,结合视频生成与辅助点流预测以统一人形与机器人运动的表征;同时利用 GRPO 在受扰动动作上进行后训练,引导模型学习合理的失败动力学而不依赖成对的真实失败视频。实验表明 HF-WM 在动作条件视频生成方面达到最先进水平,并对下游机器人任务的策略评估具有实用价值。

  13. arXiv · 机器人与计算机视觉78

    VideoAWR:通过解耦时间步优势加权校正强化视频流模型

    该论文针对基于回归的 RL 在流模型中面临的冷启动病理与几何引导爆炸问题,提出 VideoAWR 方法。该方法通过将采样与优化锚点解耦,利用 EMA 参考策略生成引导式 rollout 恢复奖励可分性,同时训练策略对无引导条件锚点进行校正。

    推荐理由:提出 VideoAWR 方法解决视频流模型优化中的冷启动问题,实现单分支推理且保留 CFG 语义。

  14. Hugging Face Daily Papers68

    Dream2Discern:面向多智能体系统运行时故障预测的困难潜在变体学习

    针对大语言模型驱动的多智能体系统部署中运行时审计器面临的验证轨迹数据有限且难以扩展的问题,本文提出 Dream2Discern 方法。该方法通过隐式增强策略,利用审计器自身的预测损失生成困难潜在变体样本,从而在不收集新轨迹或进行额外结果验证的情况下扩充训练语料。

10月9日周五
  1. arXiv · 机器人与计算机视觉74

    More Than Meets the Eye? Uncovering the Reasoning-Planning Disconnect in Training Vision-Language Driving Models

    该研究构建 DriveMind 大规模驾驶视觉问答数据集与训练免费探测工具,发现视觉语言模型中的推理过程并非规划轨迹的因果驱动因素,而是自回归生成的副产品。实验表明移除自车或导航先验会导致规划分数大幅下降,而移除思维链(CoT)仅产生微小变化,证实了推理与规划的脱钩现象。

  2. arXiv · 机器人与计算机视觉43

    4D-GSW:一种针对 4D 高斯泼溅的时空一致水印框架

    4D-GSW 提出了一种运动学感知的水印框架,通过引入时空曲率(STC)指标识别动态时刻并自适应门控梯度注入。该方法联合 HMM-MRF 能量最小化模型同步水印相位,利用各向异性梯度路由机制确保水印嵌入与光度重建保真度解耦。实验表明,该方案在抵御各类攻击的同时,有效维持了高渲染质量与时空一致性。

  3. arXiv · 机器人与计算机视觉35

    A Survey on Industrial Anomaly Synthesis:工业异常合成方法、基准与未来方向综述

    该论文将工业异常合成(IAS)确立为独立研究方向,系统梳理了手工合成、分布假设、生成模型及视觉语言模型四大范式。文章建立了专用分类法,总结了常用数据集、基准测试指标及多模态合成进展,并提供了关于输入需求、输出形式、可控性与成本等部署导向的实用对比指南。

  4. arXiv · 机器人与计算机视觉43

    数字孪生框架用于 AI 驱动工业边缘控制环路的预部署验证

    该研究提出一种模块化数字孪生(DT)框架,统一建模物理过程、无线通信与应用逻辑。在 BI-REX 试点线通过 5G 连接自主移动机器人(AMR)运输危险液体的真实概念验证中,DT 预测与实测的网络级指标及端到端应用指标高度一致。分析表明网络建模误差会严重影响低延迟工业控制环路的可行性,证实了该框架作为下一代工业系统预部署设计与验证工具的价值。

  5. arXiv · 机器人与计算机视觉32

    Φsat-2 星载海洋异常检测:从仿真开发到在轨演示

    欧洲航天局Φsat-2任务部署了轻量级星载海洋异常检测流程,结合海图分割与自监督特征编码实现数据直处理。发射前基于仿真图像训练验证算法性能,但在轨实验发现模拟与真实数据存在显著不匹配。团队利用改进标注策略在真实一级影像上重训模型,大幅提升了处理模糊海域的性能并证明了星载可行性。

  6. arXiv · 机器人与计算机视觉72

    MultiWorldBench:独立控制的视角能否描述同一个共享世界?

    论文介绍 MultiWorldBench 这一基于 Minecraft 的多玩家世界模型诊断基准,包含 495 种配置及七套任务套件。评测显示 Gamma-World 在十项能力平均得分最高(21.39),Solaris 次之(20.88),MineWorld 最低(1.89),而参考引擎 Engine GT 得分为 91.69。

  7. arXiv · 机器人与计算机视觉42

    WorldAlign:解耦的 4D 奖励框架提升 Wan2.1/2.2 视频生成世界一致性

    WorldAlign 提出解耦 4D 奖励框架,通过几何先验优化静态区域、利用 VLM 评估动态主体,在无需人工偏好标注下实现在线后训练。该方法在 Wan2.1 和 Wan2.2 两个预训练图像转视频生成器上联合提升了静态与动态一致性,且未抑制整体或主体运动。

  8. arXiv · 机器人与计算机视觉44

    扩散重绘生成健康反事实数据提升乳腺 X 光分类性能

    针对计算机辅助诊断假阴性问题,研究提出基于去噪扩散概率模型与 RePaint 采样策略,通过擦除病灶生成逼真的健康乳腺 X 光片。在 VinDr-Mammo 数据集上对 ConvNeXt、ViT、Mammo-CLIP 及 FPN-MIL 四种架构的评估显示,该方法在固定 80% 特异度下显著提升了所有模型的灵敏度。

  9. Hugging Face Daily Papers48

    BigCell:首生吉格像素级全切片病理图像模型

    BigCell 是首个在原生吉格像素分辨率下生成连贯全切片组织图像的流匹配 Transformer 方法。该模型基于超过 120,000 个公开 WSIs 训练,利用滑动窗口推理生成最高 32768×32768 像素图像,速度提升超 3 倍且质量无损。此外,其合成数据增强使少样本分类性能较真实数据基线提升高达 18%,论文已获 NeurIPS 2026 接收。