MimicAll:面向跨人形机器人全身运动追踪的结构化本体条件化方法
论文提出 MimicAll 强化学习框架,旨在解决共享策略在结构、形态和动力学各异的人形机器人间的通用问题。该方法将结构化本体描述编码为全局与关节对齐的条件,结合观测历史与身体匹配的运动参考来预测关节目标偏移。
推荐理由:提出强化学习框架 MimicAll,通过结构化本体描述实现跨异构人形机器人的全身运动追踪。
论文提出 MimicAll 强化学习框架,旨在解决共享策略在结构、形态和动力学各异的人形机器人间的通用问题。该方法将结构化本体描述编码为全局与关节对齐的条件,结合观测历史与身体匹配的运动参考来预测关节目标偏移。
推荐理由:提出强化学习框架 MimicAll,通过结构化本体描述实现跨异构人形机器人的全身运动追踪。
针对现有图神经网络在服装仿真中隐含处理摩擦力、无法在推理时设定摩擦系数的问题,该研究提出了一种模块化接触算子。该方法在冻结预测器的基础上,通过计算法向载荷并施加闭合形式的库仑修正,沿身体三角形路径传播诱导运动,从而显式解决摩擦问题。实验表明,相比需要重新训练的基线方法,该技术能单调提升贴合度并降低滑移,同时保持低穿透率和与参考求解器一致的拉伸特性,且推理速度仅为参考求解器的八分之一。
论文介绍 ReSight 系统,该系统为具身智能体提供任务驱动的自改进记忆机制,通过保留关键帧及其时空关联,将观测证据与可扩展的衍生字段分离以支持按需重处理。系统包含执行代理和编码代理,前者在有限在线预算内调用注册工具,后者利用可编程工作空间探索、编写程序并获取模型。
针对卫星视频多目标跟踪难以在轨实时适应的问题,本文提出双速代理框架,结合离线编译的快速本能与在线服务的慢速推理。算法 AUSPEX 利用无标签短列表从先验经验中学习覆盖短列表和无标签排序器,为序列提交单一配置;系统 CORVUS 级联反射、技能和智能体层,使验证技能在每次观测中占用 2.5 秒,语言代理服务自然语言任务。
arXiv 发布论文介绍 MoViD(Motion estimation via Virtual dispersion and phase Detection),这是一种基于物理原理的运动估计算法,灵感来源于光子时间拉伸技术。
该论文介绍了一种名为神经形态决策动力学(NDD)的去中心化事件驱动控制器,旨在解决拥挤环境中的安全导航与协同通行问题。该方法通过耦合内部决策状态与物理状态变化,使智能体无需通信或预设优先级即可自组织形成局部冲突组并自主化解死锁。研究推导了确保有限时间内无死锁的显式条件(如感知范围、反馈增益等),并通过大规模仿真和硬件实验验证了其在复杂场景下的可扩展性。
该综述指出深度学习虽赋予机器人感知能力,但缺乏对行为背后原因的内在理解,限制了其可靠性。文章呼吁构建基于深层推理的架构,使机器人能生成可共享的解释并据此改进未来行为。研究聚焦于开发具备自我意识与自我进化能力的机器人,旨在通过提供必要解释来增强功能并赢得人类信任。
论文介绍 GEMS 框架,通过一次性重建并仅更新变化区域的持久化 3D 高斯溅射图,结合代理推理管线按需渲染新视角以回答时空问题。作者构建了包含 15 个环境、473 对问答的 GEMS-Bench 基准,实验显示该方法在物体定位和时空问答上优于基线,且渲染质量与专用更新方法相当。代码和数据已公开。
arXiv 论文提出 Oddin 框架,旨在解决统一大多模态模型(ULMMs)在交错文本 - 图像生成中进行视觉推理时计算开销大的问题。该方法用紧凑的潜在 token 替代中间图像,完全由理解分支处理,仅保留生成分支用于最终输出图像。
本文介绍 MARC(Mechanism-Aware Reflective Correction)方法,旨在解决从图像和文本生成可执行运动学连杆物体的难题。该方法共享一个可执行的运动学图,将物理连接绑定到局部附着帧并代表闭环与关节耦合。
针对现有方法在航拍领域因尺度变化剧烈和视觉模糊导致的严重幻觉问题,本文提出 Aerial-R1 框架。该框架受 DeepSeek-R1 启发,利用多视图一致性建立类似思维链的视觉推理机制,并引入混合视角组优势加权回归策略以适配非自回归掩码生成。
论文介绍 Saga,这是一个多模态患者世界模型,能够从患者历史中学习共享状态以预测临床事件并生成多模态图像。研究基于 12 种癌症类型、461,370 名患者及 112 个中心的数据。
推荐理由:该工作提出 Saga 多模态患者世界模型,通过共享状态连接病史与未来事件,在癌症纵向预测任务中展现出优于基线的性能。
论文介绍 EKT-Router 框架,旨在解决具身视觉语言模型需基于部分且演化的观测回答问题的问题。该框架联合选择能力专家、可选知识与感知工具,利用结果衍生的特征表征通用、空间推理与时空专家的重叠优势,并在调用预算下对完整路线进行联合效用评分。
作者发布了 Nemotron 3.5 Bolt 74B-A9B 24GB,这是一个基于 Mamba-Transformer 混合架构的视觉语言模型,专为在有限内存下运行本地智能体工作负载而优化。
该研究提出一种结合内隐直觉先验与显式证据检索的双记忆框架,通过无训练路由机制自适应融合两种记忆以解决覆盖不足问题。在多项基准测试中,该方法整体优于单一范式基线(Episodic +4.67%),并在证据定位任务及分散信息整合方面展现特定优势。相关代码与论文已作为实验性预印本公开于 arXiv。
Work Agents 提出以工作为中心的系统视角,将智能体定义为结合基础模型与运行时框架的执行单元。研究通过“工作持久性”和“开放性”两个维度分类数字工作形式,并识别出可靠执行所需的五大核心能力家族及联合优化方法。论文构建了统一框架以评估智能体在状态化工作空间交付可验证结果的可靠性,为未来持续委托与环境适应指明方向。
Hugging Face Daily Papers 收录一篇预印本论文,介绍 StreamVibe-Bench 基准(含 4.1K 评估与 85K 训练样本)及 StreamVibe-VL、StreamVibe-Harness 模型。研究指出当前方法依赖显式请求且难以同步更新状态,新方案能从连续观测推断隐式意图并动态调整交互。实验显示其响应时机与质量提升 10.7%,主动交互增益达 12.3%。
论文提出了 WebAnything 框架,旨在解决 Web 智能体训练所需的多样化、可执行且可重置的网站环境问题。该框架通过 Explorer-Builder 收集浏览器可观测的结构和资源,并利用独立验证器检查候选环境并指导修复,从而在不依赖人工实施或后期修补的情况下,从真实 URL 重建基于源码的 Web 环境。
该研究在电子显微镜图像标注任务上评测了 VLMs,发现 LoRA 微调可让开源模型媲美专家模型,且跨物种迁移在识别合并错误时表现优异。项目将在接收后公开。
Vorch-Human 是一个构建于双流音视频扩散 Transformer 上的统一框架,通过双级数据流水线实现从驾驶语音到场景合成的多任务生成。实验在短时及五分钟生成长度上验证了身份保持与音画同步能力,但因信息披露问题已被作者撤回。
针对动作条件世界模型在专家演示外轨迹上可靠性不足的假设,本文提出 WorldEcho 通过视觉完整性与 SE(3) 末端执行器轨迹对齐评估动作跟随能力。研究发现专家训练模型对非专家轨迹表现不佳,产生运动不一致或视觉无效生成。
论文 World from Motion 提出一种从单目视频生成可自由渲染的动态 3D 高斯表示的方法。该方法通过条件化视频模型,利用像素对齐的渲染来编码外观、几何和三维场景运动,以修正渲染伪影并填充初始重建中的缺失区域。
针对自动驾驶车辆中多模态大语言模型(MLLM)空间智能不足的难题,本文提出 OmniSpace 范式。该方法通过相机姿态注入、多视角极线注意力模块及三维几何蒸馏目标,将几何知识直接融入模型以解决跨视图对应与深度估计瓶颈。实验表明,OmniSpace 在 nuScenes、Bench2Drive 等规划基准及风险检测任务上优于现有方法。
论文提出语言传感器模型(LSM)将自然语言描述映射为包含指代歧义与空间不确定性的多模态分布,并引入 VL-Map 框架将其作为随机观测与车载感知融合。在 VLA-3D 基准及真机实验中,该方法使目标物体位置预测的概率质量较最强基线提升约 70%。材料仅基于 arXiv 预印本发布,未提及同行评审状态或具体部署许可。
该论文提出 TopoGS-SLAM,通过覆盖触发的初始化与受控拓扑优化解耦了精度提升与表示增长,解决了传统残差驱动方法中精度饱和但内存持续增长的问题。在标准室内基准测试中,该方法在定位和重建精度上匹配或超越现有稠密化流水线,同时大幅提升了内存可扩展性和吞吐量,表明在具有足够多视角覆盖的有界区域静态室内场景中,无需迭代拓扑突变即可实现准确的高斯 SLAM。
该工作展示了在国际空间站上对 Astrobee 自由飞行机器人使用基于机器学习的轨迹优化热启动的首次在轨演示。研究提出了一种数据驱动的最优控制方法,训练神经网络学习序列凸规划(SCP)求解的轨迹生成问题结构。
Robin Young 和 Srinivasan Keshav 在 arXiv 上发布论文,分解并验证了两个广泛使用的地球嵌入产品(Earth embeddings)。
Nilotpal Kakati 提出掩码潜在预测方法(如 I-JEPA)的信息保留机制尚不明确,为此构建了已知所有图像因子的模拟器以测量训练后各因子的可读性。实验显示,在相同视图对下,I-JEPA 使用半宽度的预测器时因子可读性中位数仅为 SimCLR 的约 40%,而将预测器宽度扩展至与编码器一致则逆转了这一排序。作者开源了该模拟器及训练好的模型。
推荐理由:作者构建了可测量因子可读性的模拟器,发现掩码潜在预测中预测器宽度对信息保留起关键作用。
针对现有神经架构搜索(NAS)在稀疏历史下失效的问题,该方法结合冠军初始化与联合成对排序器预训练策略。在 TransNAS-Bench-101 基准上,Micro 自编码最坏 10% 排名从 290 降至 43,Macro 房间布局从 465 降至 45。该方法在 13 个细胞空间目标中超越纯代理排序器,覆盖 10 个目标的均值与最坏情况性能。
论文介绍 Ψ-0.6,这是一个统一的视觉 - 语言世界模型,能够在共享的推理过程中自适应地组合感知、语言、几何和仿真模块。该模型通过“思维流”交错处理图像、文本以及显式的几何与运动表示,支持反事实模拟以判断物体移动是否阻碍路径等任务。
推荐理由:该工作提出统一视觉语言世界模型,通过自适应思维流整合感知与几何推理,支持反事实模拟并提升多视角空间推理能力。
该研究通过 Gram 矩阵量化了预训练 LeWorldModel 在 Reacher 和 OGBench Cube 任务中对微小动作变化的响应,发现其最敏感方向与物理状态几何存在显著差异。
SceneBloom 结合视觉布局采样与合同引导的三维编译,在五种房型中实现了最高视觉质量、物理稳定性且零网格碰撞。其生成的场景分布更接近真实房间,训练出的物体导航策略在独立真实扫描中的成功率优于同等数量真实训练数据。代码已开源。
UniAction 是一种统一的动作条件化框架,旨在解决现有世界模型因动作类型而异导致数据碎片化的问题。该框架将任意动作表示为稀疏的动作元素集合,每个元素具有离散语义身份和连续时空坐标,并直接映射到预训练视频模型的固有位置空间。
推荐理由:UniAction 提出统一动作条件框架,将异构动作映射至共享时空结构并引入基数校准注意力,在四类动作形式上优于专用专家模型。
论文提出 Flownomaly 方法,将少样本工业异常检测建模为冻结 DINOv2 特征空间中的正态对应恢复任务。通过流匹配学习速度场,在直线路径上利用单次最优场评估即可得到干净正常 token 的后验均值,无需轨迹积分。
推荐理由:该工作将少样本工业异常检测重构为冻结特征空间中的正态对应恢复,在单步流匹配下实现无需轨迹积分的后验均值计算。
该工作提出一种基于光学相干断层扫描(OCT)的数据驱动框架,通过用户演示学习并执行带闭环反馈的软组织形状控制。在 12 种配置与 576 次体模测试中,残差条件化将全量扩散策略的方向性形状均方根误差从 0.748 mm 降至 0.555 mm;体素点云显式策略结合残差在深度与方向控制上分别达 0.534 mm 和 0.443 mm。
论文证明现有地理编码器受限于内在维度导致对比损失无法达到最优,提出 LoCA 框架通过两阶段流程解决多模态对齐与高秩问题。第一阶段联合训练 Sentinel-1 和 Sentinel-2 编码器生成共对齐的高秩目标;第二阶段冻结图像编码器并训练位置与表格元数据编码器的投影适配器。在涵盖土地覆盖、野火预测及气候应用的十七项任务中,LoCA 胜出率最高且是唯一多数任务优于其他模型的架构。
推荐理由:提出 LoCA 框架解决地理编码多模态对齐难题,在十七项任务中胜出率最高且唯一多数任务优于其他模型。
OpenStripe 是一个多智能体框架,能重构东北虎躯干二维图案并编码断点、分叉等四种可解释局部条纹结构。该模型在黑龙江东北虎豹国家公园近三分之一种群(28 只老虎共 100 张相机陷阱记录)上测试,实现了 0.90 的匹配准确率和 0.85 的调整兰德指数,优于 49 种基线配置。研究还发现条纹相似度随地理距离增加而下降,建立了自动个体分组与空间表型谱分析的联系。
SP-Guide 提出一种基于 Transformer 的目标预测框架,通过空间先验跨模态编码器解决航空视觉语言导航中的对齐难题。在 CityNav 基准测试中,该方法相比代表性基线提升了成功率,且在未见环境中增益最大。该研究证明物理感知的空间先验为鲁棒的航空导航提供了有效的归纳偏置。
针对室内无人机在动态环境下仅靠最少机载传感进行定位的挑战,作者提出了增强的过滤蒙特卡洛定位(AF-MCL)方法。该方法利用四个单点测距传感器和测量航向实现 2D 定位,通过拒绝与已知静态地图不一致的测距数据来适应动态环境,并自适应注入粒子以恢复定位发散或被劫持的情况。
推荐理由:提出仅用四个单点测距传感器即可在动态环境中实现鲁棒室内定位,实测误差约 6.4-7.7 厘米。
论文提出一种自然语言策略接口,利用本地大语言模型将操作员的文本指令转换为 JSON 格式的策略(含目的地、空间约束及时间事件条件),并通过确定性检查与三个成本图适配器将其投射到 ROS 2 Nav2 现有导航栈而不修改规划器或控制器。