跳到正文
11月17日周二
  1. arXiv · 机器人与计算机视觉48

    Sim-to-Real Room-Mediated Object-Goal Navigation with ROS 2 and Nav2 在波士顿动力 Spot 与 Clearpath TurtleBot 4 上的部署研究

    该研究将基于房间概率向量(RPV)的物体目标导航策略通过机器人无关的 ROS 2 桥接,部署于波士顿动力 Spot 和 Clearpath Robotics TurtleBot 4 平台。在包含 66 次试验的大学设施中,Spot 机器人搜索 11 类物体的原始成功率为 0.455,低于仿真环境的 0.539。分析指出未检测到的玻璃墙、进入禁区及房间词汇与物理布局不匹配是导致差距的主要原因。

  2. arXiv · 机器人与计算机视觉63

    残差复用:流匹配世界动作模型中的缓存或去噪更少?

    论文研究在 Fast-WAM 6B 参数世界动作模型上,比较跨周期缓存(C$^3$ache)与减少去噪步数的策略。实验显示,保留两个未缓存步骤可在所有初始状态下保持不低于十步的成功率,且将重规划调用时间从 202ms 降至 92ms。研究指出缓存策略脆弱,覆盖路径比例过高会导致成功率下降,并建议测试复用时应基于部署时的采样器和噪声设置。作者开源了评估工具、日志和检查清单。

  3. arXiv · 机器人与计算机视觉78

    扩散驱动规划器的轨迹质量早期可读性研究

    该论文系统研究了三种预训练规划器(Alpamayo、ReCogDrive-IL 和 HDP),发现其内部状态在第一次去噪评估后已能支持有效的候选者选择,而后续去噪并不总能提升选择质量。基于此提出的早期选择方法仅对选定候选者完成去噪,相比对所有候选者完全去噪减少了计算量,并在所有三种规划器上提升了开环轨迹质量和闭环驾驶得分与进度。

    推荐理由:研究证实扩散规划器在第一次去噪后即可进行轨迹选择,该方法能显著降低计算量并提升 Alpamayo 等模型的闭环驾驶表现。

  4. arXiv · 机器人与计算机视觉82

    迈向概率安全的强化学习:理论与人形及空中机器人部署

    本文扩展了鲁棒安全梯度流强化学习框架以解决标准方法无法保证安全约束且依赖无偏估计器的局限。新 formulation 支持包括碰撞规避在内的轨迹级约束,并允许使用有偏的价值和梯度估计器。

    推荐理由:本文扩展了鲁棒安全梯度流强化学习框架,允许有偏估计器并支持轨迹级约束,实现了 Unitree G1 人形机器人与 Crazyflie 无人机的零样本仿真到现实部署。

  5. arXiv · 机器人与计算机视觉35

    Learning Spatially Aware Audio-Visual Features from Videos with Mono Audio 提出新模型

    针对现有空间模型泛化差、语义模型缺失空间特征的问题,该研究引入能联合双耳音频与视觉进行时空推理的新模型。通过开发自动管线定位声源并渲染双耳音频以扩展 VGGSound 数据集规模,实现了在空间推理任务上的性能提升及更好的泛化能力。

  6. arXiv · 机器人与计算机视觉57

    EndoComparer:基于伪孪生视觉适配与感知 - 比较推理的手术视频对比问答研究

    论文提出 EndoComparer 模型用于手术视频对比问答,包含伪孪生视觉 LoRA(PSVL)和感知 - 比较思维链(PtC-CoT)两个组件。作者构建了 EndoDiffVQA 基准数据集,涵盖胆囊切除术和胃旁路手术的解剖、工具、动作和技能问题。实验显示该模型在检测视频差异方面优于通用及手术专用 VLM,且对视频交换干扰具有更强鲁棒性。

  7. arXiv · 机器人与计算机视觉35

    Consistency-Aware Map Generation at Multiple Zoom Levels Using Aerial Image:基于航拍图像的多级地图生成框架发布

    该研究提出一种利用航拍图像自动生成多级一致地图的新框架,包含感知层级与感知一致性两个生成器。团队构建了大规模高质量数据集 Multi-Level Map (MLM),实验表明该方法在综合定量指标和感知质量上均优于现有最先进方法。论文代码与数据处于预印本阶段,尚未正式开源或商用。

  8. arXiv · 机器人与计算机视觉35

    多机器人异方差源搜索的协同梯度估计方法研究

    该论文提出利用加权中心 Voronoi tessellation 形成策略与加权最小二乘估计器,实现团队在球形表面上的稳健三维标量场源定位。分析证明该方法渐近达到估计方差的理论下界,且仿真显示其具备在线重构以应对机器人故障的能力。研究明确考虑了传感器异方差性,为多机协同控制提供了近乎最优的梯度估计方案。

  9. arXiv · 机器人与计算机视觉42

    深度感知路径规划与避障:基于实时 3D 视觉的机器人护理助手导航框架

    该研究提出了一种针对杂乱环境的深度感知路径规划与避障框架,集成 RGB-D 传感、规则避障及 NavfnROS 全局规划器。系统在搭载 Kinova Gen3 臂的 Husky A200 机器人上验证,仿真实验显示成功率提升 40%、最小净空改善 35%,且真实世界测试证实了其计算高效与安全特性。

  10. arXiv · 机器人与计算机视觉58

    PALIN:基于像素对齐的 LiDAR-NIR 多模态 3D 物体检测基准

    PALIN 是一个大规模内在像素对齐的多模态数据集,包含约 8000 帧来自静态城市路口和多样化移动郊区场景的数据,联合捕捉几何与近红外强度信息。基于该数据集提出的 CMambaFusion 框架利用双向跨模态交互模块和门控拼接 Mamba 模块进行特征融合,实验表明其在纯 LiDAR 及代表性融合基线上实现了更优的精度效率权衡。

  11. arXiv · 机器人与计算机视觉78

    StyleJudge:一种经人工验证的、基于上下文学习的艺术风格迁移视觉语言评估器

    论文提出了 StyleJudge,这是一种紧凑的视觉语言评估器,通过少量源到风格化参考对进行条件校准以评估图像风格迁移质量。在包含 12 种艺术风格的 878 对人标注基准上,该模型在未见风格上与人工评分的 Spearman 相关系数达到 0.325,优于 Gram-matrix、CLIP 和 LPIPS 等现有指标。

    推荐理由:该工作提出了一种基于小样本参考对进行上下文学习的风格迁移评估模型,在未见风格上的人机相关性优于现有指标。

  12. arXiv · 机器人与计算机视觉36

    InvarOrd:一种用于跨物种高光谱鱼类新鲜度评估的自监督序数知识蒸馏方法

    InvarOrd 模型仅需每等级 5 个样本(共 30 个)即可在三种阶段内适应新鱼种,其 42.3K 参数学生网络比教师小 2.54 倍。该方法在鲑鱼与鳕鱼配对数据上实现 1.476 天平均绝对误差和 56.1% 一日内准确率,优于仅目标训练 0.29 天且推理延迟为每立方体 1.44ms。论文已被 IEEE TAFE 接收,代码与权重开放许可。

  13. arXiv · 机器人与计算机视觉78

    Few-Shot Visual Concept Extraction for Steering Diffusion Transformers

    该论文提出一种无需训练的新框架,直接从扩散 Transformer 的图像侧激活中提取视觉概念方向。该方法利用简单的均值差估计器,能在少样本提示对下识别出可复用的概念方向并注入推理过程以实现连续控制。定量结果显示,其方法优于文本编码器引导和免训练激活编辑基线,且能与专用编辑模型竞争,支持在同一图像中对多个概念进行精确的定向和组合式操控。

  14. arXiv · 机器人与计算机视觉59

    为开放词汇查询准备更轻更快:高斯泼溅的查询感知三维分割器

    论文提出一种无需训练的轻量级框架,用于高斯泼溅(Gaussian Splatting)上的查询驱动三维实例分割。该方法利用密集像素级 CLIP 特征保留细粒度语义信息,通过视频分割器在选定视角识别目标区域并跨视图传播,最后利用新颖的可见性投票策略将二维轨迹提升为三维高斯掩码。

  15. arXiv · 机器人与计算机视觉23

    多星协同边缘 AI 框架实现小目标空间检测与避撞评估

    针对近地空间拥堵风险,该研究提出多视角空间目标检测(SOD)协同边缘 AI 框架并系统评测深度学习模型。图像级融合在跨卫星链路带宽约束下,平均将通信与推理延迟降低约 30.13% 至 32.80%,且在高视角集下引入的延迟开销极小。该工作为未来协同卫星网络设计及空间态势感知提供了关键设计洞察。

  16. arXiv · 机器人与计算机视觉78

    多楼层建筑内长视界因果惯性里程计研究

    针对室内多层建筑中电梯或扶梯加速后进入长时间匀速巡航导致惯导退化、垂直位移低估的问题,论文提出 Local-Token Causal Attention 架构,将每秒惯性数据压缩为运动令牌并在有限缓存中维持初始状态。

    推荐理由:提出 LTCA 架构解决长时惯性里程计在电梯匀速阶段的漂移问题,并在 MSIO 基准上验证了优于短窗口基线的性能。

  17. arXiv · 机器人与计算机视觉58

    AcousticBEV:面向智能车辆的声学鸟瞰图目标定位

    现代自动驾驶系统主要依赖摄像头、雷达和激光雷达进行环境感知,但这些模态在光照或天气方面存在局限。本文设计了一种水平排列的麦克风阵列作为车辆的“耳朵”,实现了对附近移动车辆在鸟瞰图(BEV)表示下的定位,能够捕捉其相对方向和距离。

  18. 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。

  19. arXiv · 机器人与计算机视觉78

    思维块是条件而非计划:生成式模型中思维链的实证分析

    该研究通过替换实验发现,生成式模型中的思维链(think block)并非被执行的计划,而是对绘制内容的规格说明。内容无关的文本无价值;仅当指代明确时,命名主体能提升效果,否则无效或产生负效应。

    推荐理由:研究证实思维链文本仅作为绘图规格而非执行计划,且其价值高度依赖指代明确性。

  20. arXiv · 机器人与计算机视觉72

    SAR-TopoGuard:一种用于结构保持的 SAR 转光学的免训练拓扑验证方法

    针对 SAR 转光学翻译中过度合成细节的问题,本文提出 SAR-TopoGuard,这是一个无需训练的推理层,可冻结应用于现有生成器。该方法通过随机采样候选、斑点感知梯度相关性排名以及频率门控机制,仅在 SAR 边缘支持处引入高频细节。在 SEN1-2 等数据集上的评估显示,该方法显著提升了 Pix2Pix、CycleGAN 和 CUT 的 PSNR 与 SSIM 指标,且仅增加极低的推理延迟。

  21. arXiv · 机器人与计算机视觉58

    VLN-Flash:基于自适应执行的并行动作解码视觉语言导航方法

    针对视觉语言导航策略自回归生成导致的等待延迟问题,VLN-Flash 提出一种无需训练的解码器,能在单次前向传播中并行评估完整动作前缀树。该方法利用分支特定注意力与匹配 token 位置保持原始策略的条件分布,并通过步数贪婪前缀与其最强替代方案的分数差值决定执行步数。

  22. arXiv · 机器人与计算机视觉58

    Generate, Align, and Restore: MLLM-Empowered Diffusion for Generalizable Low-light Image Enhancement

    针对真实世界夜间图像增强因缺乏严格配对的日 - 夜数据及复杂退化导致的泛化难题,论文提出 MrLIE 框架。该方法利用多模态大语言模型(MLLM)作为高保真参考合成器与诊断评论家,直接从退化的夜间观测中迭代生成、诊断并校正正常光照参考图。

  23. arXiv · 机器人与计算机视觉73

    LC-ISP 基准:基于实时流与采集流的先进 ISP 学习

    LC-ISP 是一个大规模基准,由相机实时预览流与离线采集流的内在差距构建而成,包含 53.9k 组空间对齐数据,覆盖昼夜、室内外及 HDR 场景。该基准提供用于模块化监督的采集流中间数据,并开发了一个在 2.5-GFLOP 预算下优于最强单帧基线(PSNR 提升超 2 dB)的两阶段轻量级基线模型。