SSQA:用于感知任务分层建模的兄弟选择性四叉树注意力机制
针对机器人导航等具有轴对齐结构化先验的感知任务(如无人机航拍、自动驾驶),本文提出 Sibling-Selective Quadtree Attention (SSQA)。
针对机器人导航等具有轴对齐结构化先验的感知任务(如无人机航拍、自动驾驶),本文提出 Sibling-Selective Quadtree Attention (SSQA)。
该论文研究了无需特定导航训练的零样本视觉语言导航(VLN)系统中应保留何种信息及其组织方式。作者提出了一种结合指令进度、锚定姿态的层级压缩观测历史以及累积几何信息的互补任务、时间和空间记忆架构。
arXiv 论文 ETA-Motion 提出一种基于稀疏联合学习的拓扑无关运动生成框架,旨在为具有任意骨骼结构的多样化角色合成动作。该方法利用紧凑的关节子集减少冗余并训练生成器,引入语义关节嵌入结合文本与视觉线索以应对不同拓扑间的对应关系,并通过感知拓扑的训练目标保持骨骼结构。
HERON 是一个基于神经网络的 3D U-Net 模型,旨在从深度相机输入实时预测移动机械臂周围 2.56 米立方体区域的障碍物感知可达性图(RM)。该模型在 cuRobo GPU 加速逆运动学生成的合成场景和真实深度数据上训练,部署于 Jetson AGX Orin 并采用 TensorRT INT8 量化。
论文提出 REEL 评估框架,在六个视觉语言模型和两个基准上对比了文本摘要、视觉编码器输出、前缀状态三种记忆方式与全量重处理的差异。结果显示文本摘要与重处理在 20% 至 29% 的问题上准确率不同,而视觉和前缀状态更接近重处理;其中前缀状态以约 21 GiB/视频的成本实现了最低的 GPU 时间开销。
本研究利用 NASA Ames 极地光学月球模拟重建(POLAR)立体数据集和阿波罗 17 号表面影像,验证了多种先进单目深度估计方法在非分布内月球环境下的重构效果。结果表明,部分最先进技术能成功泛化并生成高保真的非结构化月面相对三维重建结果。该论文已接受发表于 2026 年国际空间机器人学会议(iSpaRo)。
WanAR+FixAR 结合自回归生成与分层长上下文去噪,将视频生成重构为基于前馈新视角合成的变形与修复问题以解决漂移。在 RealEstate10k 和 DL3DV 数据集上的实验表明,该方法相比现有方法显著提升了相机控制下的长视频生成的时序稳定性与几何一致性。
大众汽车集团(中国)在合肥举办技术日,正式发布本土自研一体化技术矩阵“VEGA”,涵盖CMP/CSP整车平台、CEA区域控制架构及酷睿程HS8智驾方案。官方披露基于C-Brain AI工具链可将软件测试效率提升36倍,问题修复时间缩短至20分钟;智驾侧利用GAIA2.0世界模型进行每日500万公里仿真测试。
针对工具超时导致 AI 智能体面临模糊结果和部分执行的场景,该研究提出基于证据的任务恢复框架。方法结合标准观察依赖规划与独立的效果历史裁决器,通过共享可采性检查处理密钥过期、授权时序及残留效应,并利用终端证书区分目标满足与安全完成。
地瓜机器人大模型团队于10月27日开源世界模型仿真平台Uranus,发布技术报告、推理代码、SDK及两个版本模型权重,面向全球开放早期体验名额。
推荐理由:地瓜机器人开源Uranus仿真平台,提供因果架构与流式推理机制,支持多本体接入及分钟级连续推演。
上海 AI 实验室于 10 月 23 日至 25 日举办 2026 级专项博士生迎新周,期间完成首批兼职导师聘任以构建多元协同育人网络。实验室主任周伯文勉励新生立足底层范式重构 AI 与科研关系,成长为 AI 原生研究者。活动涵盖科研辩论、圆桌交流及心理支持等环节,旨在护航学生全周期成长并服务国家重大战略需求。
禾赛科技宣布布局机器人运动引擎与三维世界数据引擎,旨在构建物理AI时代的基础设施。动力模组体积缩小37%、功率密度提升3倍,已赋能Sharpa灵巧手并进入英伟达参考方案;Kosmo系统可同步生成多种三维形态,在DQ冰淇淋门店部署中使任务成功率提升至99%。截至2026年第二季度末,禾赛已累计交付动力模组超1万套,正从激光雷达公司向物理AI基础设施公司转型。
推荐理由:原文披露了动力模组与三维数据引擎的具体性能指标及在真实门店的部署效果,为评估其技术成熟度提供了参考。
禾赛科技推出名为Kosmo的数据采集终端,由手持设备Kosmo One和云端平台Kosmo World组成。该设备集成激光雷达、8K影像系统、IMU等传感器,在硬件层面实现微秒级同步与前融合,直接输出3D高斯泼溅(3DGS)、mesh及depth数据。
研究发现语言模型智能体的策略隐含了训练 harness(提示词、工具与控制逻辑)的偏好,更换 harness 会同时改变最优回报上限与策略失配项。在 MiniWoB++ 实验中,仅调整观察字段顺序使成功率为 85.0% 的策略骤降至 19.2%,而新 harness 的上限提升能显著改善后续训练效果。代码已开源,相关预印本论文发布于 arXiv。
GPT-6-Astra 在 LongChang 自动化探索框架中,于无提示的模拟世界实验里以 16.7% 的发现率率先识别出异常物理规律。其余 11 个测试大语言模型得分均为 0%,且记录显示存在未调查的异常与部分定律识别不全现象。该研究通过多智能体自主循环验证了 LLM 在科学发现中的潜力,相关代码与论文已公开。
OmniSeek 将 Omni-LLM 转化为具备原生工具使用能力的主动多轮推理智能体,通过动态决策何时查看或倾听来检索关键证据。该方法利用合成的 OmniTraj-170K 语料进行监督并采用两阶段强化学习优化策略,在多项基准测试中显著提升视听推理性能。作者因训练数据潜在问题已撤回当前版本,模型正内部复现验证,待结果确证后可能发布更新版。
论文针对机器人系统融入社会所需的法律规范整合问题,扩展了法律源文本与其编码对齐的同构性难题,重点测量了感知误差导致的接地同构差距以及单一法律结论对应多种规划约束的本体论同构差距。
针对高维非线性系统的安全证书合成难题,本文提出一种离散时间神经可达性框架,利用贝尔曼 - 伊萨科斯值传播学习向后可达管与避障管。方法结合方程驱动的自监督与结构化策略学习,通过无梯度值探测构造近似教师动作,将对抗优化转化为监督学习,并利用窗口化时序课程稳定长视界价值传播。
该论文针对持久目标监控场景下的多机器人信息路径规划问题,提出了一种基于网格的时空高斯过程卡尔曼滤波框架。该方法将匿名目标存在表示为离散工作空间上的单一隐式场,而非每个目标单独建模;通过递归更新融合足印级相机测量值,支持任意视场和范围相关噪声,并利用高斯过程导出的时间进程更新以处理移动目标的不确定性增长。
论文 OctWorld 提出一种带有持久化 3D 记忆的扩散视频生成框架,针对长距离相机路径下的空间一致性难题,引入可扩展且自适应分辨率的 OctMap 模块,将生成的视觉观测与深度图融合至全局八叉树表示。实验表明该方法在现有基准及挑战性长程设置下均优于先前方法,并提供了清晰的代码与项目页面链接。
论文研究了不同预训练信号如何诱导视频世界模型潜变量中的动作相关结构。研究通过统一的逆动力学探针评估发现,时序视频预训练主要驱动了动作相关性,而像素重建保真度并非关键;具有强解码质量的模型可能表现出近零的动作恢复能力。此外,逆动力学监督显著提升了模型对视觉扰动的鲁棒性。该工作已接受至 CoRL 2026。
推荐理由:该研究通过统一探针评估发现,视频预训练带来的时序预测结构是驱动潜在空间动作相关性的核心因素,而非像素重建保真度。
针对连续环境中的视觉语言导航任务,本文提出 Goal2Pixel 方法,将导航重构为可见可通行像素的定位问题,利用图像平面作为统一空间接口替代低层动作预测。该方法引入 ViKeyMem 记忆机制和坐标感知辅助损失,在无需外部数据的情况下,于 R2R-CE 和 RxR-CE 基准上达到具有竞争力的最先进水平,单集 VLM 调用次数减少至原来的六分之一且成功率提升显著。
论文提出 TALON 方法,通过冻结 ViT 主干网络并在自注意力层前注入时空 3D 适配器,结合基于原型的 KL 散度损失实现 patch-token 几何对齐。该方法在 SPADES 数据集上将姿态误差降低 50%,在 SwissCube 数据集上 ADD-0.1d 精度提升 21.8%,且在 SPARK 真实数据上的零样本跨域评估将误差减少 4.7 倍。
针对现有链式思维推理难以编码连续视觉证据的问题,本文提出 ReGuLaR 框架,利用训练时的 ReGFormer 聚焦问题相关物体与关系,在推理阶段无需调用该模块即可生成答案。研究构建了 RGROUNDING-351K 数据集以支持模型训练,并在多个基准测试中取得了优于现有方法的最先进性能。
推荐理由:提出基于关系的潜在推理框架 ReGuLaR,通过训练时显式建模物体关系提升大视觉语言模型的连续证据编码能力。
该研究提出利用刚体变换框架,将 CBCT、面部及牙科影像整合至统一坐标系以模拟下颌七种位置。两种专有模型显示平移分量误差主导且侧向各向异性,TMJ 级平均误差为 1.46 mm,显著高于牙列级的 0.47 mm (p<0.0001)。该方法适用于避免重复放射成像时评估下颌与关节的几何关联位置。
AmaraSpatial-10K 是一个包含 10,071 个合成 3D 资产的数据集,所有资产均经过标准化处理以支持直接摄入。每个资产提供符合物理尺度的.glb 文件、分离的 PBR 贴图、凸碰撞包络、配对参考图像及多句文本元数据。
推荐理由:该数据集提供标准化 3D 资产与独立评测套件,显著改善检索召回率并提升仿真稳定性。
该论文针对现有方法在场景重访时内容不一致及探索新区域能力下降的问题,提出一种将记忆条件化与视频生成分离的框架。研究引入混合记忆表示以捕捉时空线索,利用逐帧交叉注意力机制确保每帧仅由最相关的历史空间信息条件化,并设计相机感知门控机制仅在存在有效历史参考时激活记忆模块。实验表明该方法在视觉质量和空间一致性上均达到当前最优水平,且数据效率更高。
论文提出 GEST-Engine 开源系统,可确定性执行事件图并渲染同步多角色场景视频,同时记录包括三维实体状态、相机状态、成对空间关系及实例分割在内的完整真值。
推荐理由:该工作利用游戏引擎生成带完整时空真值标注的视频数据集,填补了视频模型在实体间关系理解上的空白。
作者发布了 SQuID 基准数据集,包含 2000 个针对 587 张卫星图像的定量问题,涵盖从数建筑到测距离等任务。结果显示端到端 VLM 准确率仅 28.1%,而基于 LLM 编写几何程序的 QASR 基线达 42.0%;微调后模型可接近该水平。数据集公开了参考掩膜与训练对,支持相关团队评估与训练具备度量空间推理能力的系统。
针对复杂环境中目标搜索问题,研究提出 RPT* 算法解决含概率终端的哈密顿路径难题,通过动态规划规避历史依赖并保证解的最优性。构建分层自主搜索系统 HATS,结合贝叶斯滤波或自主探索,在仿真与真实机器人实验中均实现比基线更快的平均寻靶速度。
针对现有方法在大规模无界场景(如街区)中面临的内存压力、负载不均及粗粒度阶段利用不足等问题,本文提出 LoBE-GS 框架。该方法通过优化切割线的负载均衡 KD-tree 分区方案平衡每块相机数量,并利用基于深度的反向投影加速预处理;同时引入可见性裁剪和选择性稠密化技术降低训练成本。
论文提出 V-LUMEN,一种用于视觉语言模型(VLM)的视觉查找记忆机制。该方法利用冻结码本将连续视觉特征离散化,通过空间聚合哈希构建感知空间的记忆键,并利用文本条件的相关性信号进行调制;所有寻址均为非参数化操作,检索到的嵌入向量通过门控残差路径融合到骨干网络中。
推荐理由:V-LUMEN 通过冻结码本将连续视觉特征离散化,在保持计算量恒定的前提下为 VLM 提供可扩展的外部记忆容量。
该论文在统一贝叶斯框架下,梳理了图像建模六十年的演进,将基于 Tikhonov、总变差(TV)及非局部先验的手工定义方法,与 Plug-and-Play 及去噪扩散等数据驱动的基础图像模型融合。研究通过梯度对数先验或 Stein 得分函数这一数学引擎,弥合了信号处理与机器学习社区在逆问题求解与条件生成间的差距。arXiv:2610.36646 预印本公开,旨在统一变分优化与后验采样的理论路径。
该论文针对稀疏事件响应导致的关节点误差问题,提出一种可靠性感知框架以估计航天器姿态。系统通过三分支表示结合正负事件及时间信息,利用有序语义点头估计对应关系精度,并结合事件边缘与 CAD 投影一致性进行局部姿态优化。
针对独立开发的自主智能体在共享环境中需保证联合兼容性的问题,本文提出了一种双层结构:由监管方发布种子智能体,各开发者独立测试其智能体以确保与所有种子兼容智能体的兼容性(即未来-proofness)。
论文提出 The Trinity 框架,旨在解决多模态智能体在构建异构可验证环境和手动迭代方面的瓶颈。该框架通过 Creator、Explorer 和 Evolver 三个角色耦合世界生成与 Harness 进化,将任务组织从表面类别转向共享能力需求,构建了层级化的能力树。
论文介绍 OmniBrain-0,这是一个轻量级统一具身代理模型,旨在协调操作与导航任务。该模型采用共享高层决策架构,结合任务理解、规划及反馈驱动恢复机制。研究提出渐进式训练框架,整合具身预训练、领域专用代理蒸馏及多教师在线策略蒸馏(MOPD),并将 Rubric-Guided Recursive Self-Improvement 数据飞轮引入以持续优化专家模型。
推荐理由:报告提出 OmniBrain-0 统一代理架构,通过渐进式训练与递归自我改进机制整合多模态能力。
该研究解决部署策略变更使世界模型不确定性失效的问题,在保持物理转移机制和预测器不变的前提下,通过估计状态占据与动作倾向比率实现加权共形校准。实验基于开源 DINO 特征世界模型与 Franka 机械臂轨迹,在强控状态下行动态覆盖率从普通方法的 55.0% 提升至 91.0%,且学习到的代理分布与目标律的总变差距离小于 0.9%。
推荐理由:针对部署策略变更导致的世界模型不确定性失效问题,提出基于加权共形校准的方法以适配目标分布。
为探究基础视觉模型在移动第一人称视角下对动态场景的时空理解能力,作者构建了包含同步多视角视频、全局位置及击球标注的第一人称网球数据集。研究评估了七项预测任务,结果显示最佳模型在第一人称球员定位误差为 0.14 米,球体定位误差为 0.54 米;未来轨迹预测在 1.1 秒内误差分别为 0.34 米和 0.91 米。
针对智能工厂中机器人视野外的潜在冲突检测问题,本文提出一种仅依赖通信基础设施的分布式信道测量框架,结合高维计算实现无需显式重建信道的风险感知分类。数值仿真与 ROS 验证显示,该方法在严重遮挡场景下准确率最高达 89%,同时保持低计算复杂度。材料为预印本论文,尚未被会议正式接收或开源代码发布。