无 GNSS 环境下无人机群搜索的不确定性感知方法
该论文研究了在无 GNSS 海洋环境中无人机群的协同搜索问题,其中无人机间测距驱动合作定位,不确定性沿多跳参考链传播,影响连通性、避撞和搜索效果。作者提出一种不确定性感知控制屏障函数框架,通过费希尔信息矩阵近似级联定位协方差,将协方差模型及其变化率纳入连通性和避撞的约束边界中,并采用分层 Voronoi 目标策略保持队形。
推荐理由:提出不确定性感知控制屏障函数框架,解决无 GNSS 环境下无人机群协同定位误差累积问题。
该论文研究了在无 GNSS 海洋环境中无人机群的协同搜索问题,其中无人机间测距驱动合作定位,不确定性沿多跳参考链传播,影响连通性、避撞和搜索效果。作者提出一种不确定性感知控制屏障函数框架,通过费希尔信息矩阵近似级联定位协方差,将协方差模型及其变化率纳入连通性和避撞的约束边界中,并采用分层 Voronoi 目标策略保持队形。
推荐理由:提出不确定性感知控制屏障函数框架,解决无 GNSS 环境下无人机群协同定位误差累积问题。
该文章是一篇关于城市时空智能(STI)系统的综述论文,从双智能体视角探讨了如何将数字孪生技术与智能体技术整合到城市治理中。文章回顾了数字孪生如何构建持久且信息丰富的城市环境表示,以及智能体如何通过接口理解、推理、行动并随城市发展而进化。
论文提出 FG-CPAB,通过分离积分过程与参数空间投影来解决连续分段仿射变换优化中轨迹积分与梯度计算耦合的问题。该方法将梯度计算复杂度从 O(dTN) 降低至 O(TN+dC),在二维场景下实现约 10^4 倍的加速和约 500 倍的显存峰值减少,首次使细粒度 tessellation 的 CPAB 在二维和三维中变得实用。该工作已被 NeurIPS 2026 接收。
论文介绍 SceneAgent,这是一个通过基于模拟器的视觉检查与修复来协调对象重建、物理建模和中间误差校正的代理流水线。它能处理 3D Gaussian Splatting、摄影测量、LiDAR 捕获、AI 生成的 3DGS 场景以及动态场景的 4D 视频,并结合对象分割、物理参数估计、部件分解、铰链连接和可变形仿真。
推荐理由:该工作提出 SceneAgent 代理流水线,将多种视觉捕获转化为可交互仿真环境并生成数字孪生体与演示数据,显著提升了策略学习基线。
该研究针对 Sentinel-2 重访影像与高分一号(Jilin-1)1 米参考影像间的十倍跨传感器超分辨率难题,构建了包含 1.15 万对地理匹配场景的基准数据集。
推荐理由:提出 CrossVAR 模型,在 Sentinel-2 与 Jilin-1 卫星数据间实现十倍跨传感器超分重建。
该研究引入 OSMA-Bench 基准和语义敏感性指数(SSI),用于评估 VLM 及视觉语言动作策略在家庭环境下的安全导航能力。实验发现,即便有明确的安全提示,现有策略也无法将障碍物的语义风险等级一致地转化为连续的运动参数调整;针对 VLM 策略,增加显式的参数推断步骤可改善其适应性。该工作揭示了从语义理解到运动控制映射中的关键差距,并提出了相应的改进方向。
推荐理由:OSMA-Bench 基准揭示 VLA 策略虽能语义区分障碍物却难以将其转化为连续运动参数,为物理 AI 中的语义到运动映射提供新评估视角。
论文提出了 Dream2Assist 框架,这是一种结合意图推断的循环状态空间世界模型,用于解决共享控制中主动对齐人类意图与保持可读性的双重挑战。研究通过虚构共演训练辅助策略,在不覆盖人类代理权的前提下支持离散的人类目标,并描述了将世界模型策略转化为安全、以人为本系统的完整部署流程。
针对 XR 应用需同时保持纹理真实与三维几何一致的挑战,研究提出基于 2500 组配对的微调食谱。该方法在保留 FLUX.2 高纹理保真度的同时显著改善了几何一致性,可作为深度感知与三维一致的 XR 流水线有效组件。该工作以海报形式亮相 IEEE ISMAR 2026(非归档),代码与权重暂未开放。
FlockWorld 是构建于 Reynolds Boids 算法的人工生命环境,支持配置独立数量的相机智能体并渲染同步第一人称视角。配套的 FlockDiT 是基于该数据训练的流匹配潜扩散 Transformer,能联合生成多智能体的同步视频以提升检测与仿真保真度。该系统作为受控测试床已接受 NeurIPS 2026 录用,代码与权重暂未在摘要中提及开放许可。
作者 Isaac Li 提出 VTC-AUDIT 框架,在三个开源 8-9B 视觉语言模型上评估了 DivPrune 和 ApET 两种无训练压缩器。
作者引入了 PhysLadder,这是一个用于评估富接触操作中物理交互能力的分层 Sim-Real 基准。其包含的 16 个家庭任务跨越三个累积层级:接触选择与几何对齐(L1)、持续接触内的力调节(L2)以及协调接触重构与力调节(L3)。
推荐理由:该基准通过分层任务量化了 GPT-6 Astra 在接触密集操作中的能力边界,揭示了从几何对齐到力调节的退化规律。
该论文研究了医疗视觉 - 语言模型在缺乏诊断图像时维持正确诊断的能力,并测试了这种‘无锚定’状态是否会导致模型结论更脆弱。研究者在意大利国家考试题目上进行了图像替换实验,施加两种对抗压力(L4 和 L1),发现无论有无真实图像,模型推翻自身判决的比例差异极小且方向相反。
推荐理由:该研究通过对抗性压力测试发现,医疗视觉语言模型在缺乏图像证据时仍能维持诊断结论的稳定性,表明‘确信度’无法作为判断模型是否真正利用视觉信息的可靠信号。
PhysCreator 是一个统一框架,能从图像直接生成带有空间变化物理属性的仿真就绪 3D 表示。该方法通过体素对齐的隐空间联合建模几何、外观与物理属性,并利用视觉语言蒸馏将语义先验转移至体素级监督。实验表明,相比现有方法,PhysCreator 在视觉质量、物理合理性和泛化能力上均表现更优。
该论文提出了一种无需昂贵 SDP 锥求解器和 ADMM 求解器的非刚性结构从运动(NRSfM)新方法。通过引入可微欧几里得校正和行极投影优化相机旋转,利用展开的谱近端求解器结合重排形状域的加权奇异值收缩进行形状估计。
推荐理由:提出无需 SDP 锥求解器的快速 NRSfM 方法,在密集序列上实现最高千倍加速且保持精度。
TopX 是一个拥有 73M 参数的流匹配 Transformer,能够仅根据骨架树、静息姿态和关节名称为任意运动学树生成关节旋转和根轨迹,无需训练片段或微调。该模型通过热核坐标对查询和键进行旋转以处理任意拓扑的骨架图,并在测试集上显著优于 UniMate,特别是在未见过的角色骨架上降低了 FID 分数并减少了穿模现象。
推荐理由:TopX 模型仅凭骨架文件即可为未见过的角色生成动作,在无需微调或重定向的情况下显著降低了描述符与运动质量指标。
针对复杂环境中具身智能体寻找目标物体的任务,本文提出了 ScheNav 框架及 Furnished-RPLAN 数据集。该工作利用草图(如手绘或方向标注)作为低成本引导信息,通过 SchemaField 模块融合引导信息与观测数据以预测空间价值场,实现了从粗糙示意图到探索与停止决策的转化。
该论文针对训练空间视觉语言模型时出现的‘接口锁定’现象,提出 ChronoReplay 方法。该方法通过将异质空间监督以时间顺序回放、保留原生目标并平衡不同类别的监督,在相同观测访问下同时提升了 OVO-S-Bench、OST-Bench 和 UCS-Bench 三项基准的性能,其中 OST-Bench 提升 13.41 分。
推荐理由:提出 ChronoReplay 方法解决空间 VLM 的接口锁定问题,通过时序回放异构监督提升多基准性能。
该论文提出 SATE-Bench 基准,包含 316 个真实场景和 2,525 组多轮问答对,用于评估视觉自感知与主动外视角探索能力。实验发现主流 MLLM 在严重遮挡下会过早终止探索并高报置信度,且难以处理细粒度三维几何任务;基于 GRPO 的强化学习微调虽能提升探索行为,却因过度搜索导致整体准确率下降。
论文针对室内复杂环境下的开放词汇 3D 占用预测难题,提出仅依赖二元占用标签的几何监督学习方案。方法基于语言嵌入高斯统一表示,引入不透明度感知泊松公式实现稳定体素聚合,并通过渐进温度衰减与实例级语义一致性优化多视角特征对齐。研究还将框架扩展至室外驾驶场景以验证泛化能力,代码将在 arXiv 页面提供下载链接。
针对多机器人应用中监控(空间分散)与围捕(目标向凝聚)的任务冲突及切换不稳定问题,本文提出双流门控网络 DSGN 架构。该架构通过专用表征流分离任务并引入上下文感知门控机制与概率先验正则化,以支持大规模交互下的清晰行为过渡。评估显示其在恒定密度跨尺度设置下保持强效性与可扩展性,且动态门控机制在纯监控及任务切换场景中均有效。代码已开源。
该研究提出一种基于激光雷达的实时框架,从无标签演示中学习交互感知的路径修正以应对动态施工环境。在砌砖试验中,该方法将路径不规则性降低 39.2% 并提升最小 TTC;在 Dynablox 序列中,TTC 增加 38.3% 且生成更平滑路径。消融研究验证了 1.0 秒预测区间及上下文增强等策略的有效性,论文已提交至 Automation in Construction。
该研究提出一种轻量级变化检测机制,集成至贝叶斯群体决策框架以应对动态环境中表面图案比例与空间相关性的变化。相比存储完整样本流的现有方法,该方案仅需恒定内存与计算开销,适合资源受限的 Webots 仿真环境机器人部署。实验显示其在不同通信设置下具备更一致的精度和更优的决策准确率。
论文提出 Extended LASMP 方法,旨在提升四旋翼飞行器在三维环境中的基于采样的运动规划效率。该方法将语言辅助子集采样扩展至空中系统,利用提示词大模型从自然语言指令中提取实体并验证指令,将其转化为偏航角约束和高度感知的几何约束。仿真结果表明,该方法能在复杂环境中生成无碰撞且一致的轨迹,相比均匀 RRT 规划器显著减少了采样努力。
本文发布 BEHAVIOR-Spatial 基准,基于 BEHAVIOR-1K 构建,包含 3,256 个空间问答、1,240 个点定位查询及动作评估。实验显示基线模型在固定布局下仅能遵循 41.6% 的指令,当目标变更时降至 16.1%,表明单纯的任务成功无法证明空间指令被正确执行。研究还发现视觉语言模型的问答能力与机器人操作性能存在策略依赖的相关性,为评估空间感知向行为的转化提供了新视角。
针对施工等动态演化环境,本文提出 T-ConSG 方法,利用 LiDAR 几何证据增量构建包含自由空间、静态对象、动态对象及安装移除事件的统一时空场景图。研究在砌砖测试床导航、ConSLAM 数据集进度监测及仿真环境变化检测三个应用中验证了该方法对短期动态与持久变化的联合表征能力,支持机器人跨环境推理。
该研究引入一种无需微调的素描探测工具,通过时间顺序构建、空间注意力定位和机制层头定位三个维度评估大型视觉语言模型。实验在两个部分标注的素描数据集上对九种模型进行评测,发现模型内部结构信号能保留人类绘图惯例且定位集中在特定网络层带。该方法可作为实用诊断工具,无需辅助分割器即可匹配或提升所有测试模型的定位准确率。
论文提出 Fovea-JEPA 模型,旨在解决联合嵌入预测架构(如 V-JEPA)在相机运动识别任务中存在的几何线索缺失问题。研究指出 V-JEPA 依赖语义线索而忽视几何证据,导致在某些运动类别上表现下降;通过引入几何导向的 VGGT 预测器并基于其误差构建干预伪标签,该方法实现了视觉与几何特征的自适应融合。
推荐理由:针对 V-JEPA 在几何线索上的盲区,提出 Fovea-JEPA 通过弱监督干预融合几何特征,在多基准测试中显著超越现有基线。
针对视觉语言导航(VLN)中现有可解释性方法忽视指令阶段差异的问题,本文提出了一个阶段感知的归因框架。该方法构建动作条件的时间序列指令 - 视觉归因,将其投影到指令空间以估计阶段关联,从而聚合历史证据并优化当前解释;同时利用指令引导的空间滤波器抑制孤立响应并保留紧凑的相关区域。
arXiv 预印本发布 TurboWAM,一种旨在解决世界动作模型高推理延迟瓶颈的新技术。该方法引入结构化世界表示聚合模块与动作监督机制,通过减少执行的模型层数及缓存相关表示来降低计算开销。多项机器人操作基准实验表明,TurboWAM 在保持具有竞争力的任务成功率的同时显著降低了推理延迟。材料为技术报告,未提及真实部署结果或同行评审状态。
该研究针对多无人机协同探索室内受限空间时面临的 Sybil 攻击(恶意节点伪造身份干扰探索),提出五种无需额外安全基础设施的防御方案,仅依赖无人机自身的传感器与地图数据。实验在包含办公室、隧道及三层建筑等七类场景的 70 张地图上进行模拟测试,结果显示在超过 2350 次任务中,隔离机制能将受攻击团队的探索覆盖率恢复至未受攻击水平,仅在特定合谋或大规模团队场景下存在局限。
推荐理由:论文提出无需额外安全设施的防御机制,通过传感器与地图审计抵御无人机群中的 Sybil 攻击。
WMEval 是一个针对交互式世界模型的全面评估基准,利用 Unity 物理仿真作为高保真地面真值(ground-truth)来验证物理因果一致性,而非仅依赖感知相似性。
论文提出 RelateGS,一种结构化语言感知的高斯表示方法,旨在提升 3D 视觉定位中语义和关系证据的可靠性。该方法在语义特征增强时抑制不可靠观测,并将多视角物体观测整合为持久 3D 图以识别未观测到的关系,进而引导对现有信息帧进行针对性重查询以补充证据。实验表明,该方法在 Sr3D+ 和 Nr3D 数据集上显著提升了 [email protected] 指标。
针对语言引导导航在新环境中部署失败的问题,该方法利用单次 iPhone 扫描构建训练环境并合成可执行导航片段,通过解析重建场景的帕累托效用直接适配策略,无需人工标签或模仿学习。在五个真实环境中,RealNav 系统达到 85% 的成功率,显著优于依赖人工演示基线的 49%,且在未扫描区域也保持 82% 的性能。
推荐理由:提出用单次手机扫描替代人工演示,通过解析重建场景实现免标签策略适配,在真实机器人上导航成功率提升至 85%。
论文指出将视觉语言模型(VLM)集成到机器人操作流程中时,真实世界评估困难且难以扩展。作者提出利用真实机器人上的立体和腕部相机图像进行空间与时间排序任务来评估视觉推理能力,具体包括基于语言描述的帧重排、按距离的物体深度排序以及像素坐标下的左右排序。
推荐理由:提出基于真实机器人立体与腕部相机数据的可扩展生成管线,通过时空排序任务提升 VLM 在下游机器人任务中的推理能力。
该论文提出 POD-RoPE,一种将 Token 观测足迹表示为相机中心、视角与采样时间分布的旋转位置编码方法。在独立采样下,期望旋转可编码分布间的相对关系;当分布坍缩为单点时退化为标准 RoPE。
推荐理由:该工作提出 POD-RoPE,将观测表示为相机中心、视角与时间的分布统计,在 RoboTwin 2.0 仿真任务中将 Fast-WAM 成功率提升约 1%,并在 H20 基准上实现比 P-RoPE 快 1.91 倍的推理速度。
基于 SegFormer 的机器学习方法在 BIM 环境中直接预测空间日光因子,无需导出模型即可秒级输出结果。该模型针对外部遮挡、非正交几何等五大空白进行编码,默认材质版本在合成数据上$\delta_1$达 83.4%,真实建筑合规区 IoU 为 0.883。研究建议用其替代初步日光模拟,但定制材质变体需进一步开发方可用于最终验证。
该研究提出一种结构保持的量子表示法,将刚体变换与串联操作器运动学映射到参数化量子电路。框架利用布洛赫球表示和泡利期望值重建末端执行器位姿,并通过参数移位规则重构几何雅可比矩阵。提出的混合闭环方法在理想读出下实现与经典对应物的解析等价,为开发机器人运动学与运动的量子及混合计算方法奠定了几何可解释基础。
针对交互式视频世界模型需自回归生成但直接适配会破坏视觉先验的问题,本文提出 Mix Forcing 范式。该方法利用双向与自回归的混合注意力机制(MoBA),联合进行教师强制与双向训练以构建强因果初始化,并通过分块交叉注意力支持在线文本交互。
针对现有视频世界模型在稀疏大步长轨迹下产生冻结帧和几何漂移的问题,本文提出 DTTD 后训练框架。该方法通过插值构建稠密轨迹,利用基模型自身生成可靠教师视频进行监督,并结合几何感知奖励与离线偏好优化来扩展运动范围。研究无需额外数据或更强外部生成器,采用累积课程策略逐步增加运动步长以减少能力遗忘。
该论文提出 GeoLift,一个无需训练的框架,利用前馈 3D 重建将单帧检测对象映射到共享度量 3D 场景。通过冻结 MLLM 进行 2D grounding 并结合预训练几何模型,该方法使用超点关联跨视角观测,实现了显式的空间关系计算与多步路线规划。