跳到正文
11月16日周一
  1. arXiv · 机器人与计算机视觉62

    STITCHER:利用图搜索进行复杂环境下的受限轨迹规划

    arXiv 论文介绍了一种名为 STITCHER 的无优化轨迹规划框架,通过结合短轨迹段拼接与图搜索技术,在复杂环境中实时生成满足状态或执行器约束的动态可行且无碰撞的长程轨迹。仿真测试显示该方法能在数毫秒内为跨越两个 50m x 50m 环境的全路径生成安全轨迹;硬件实验利用定制四旋翼验证了其在倾斜角和电机力等非线性约束下,以高达 63km/h 的速度实时生成可跟踪路径的能力。

  2. arXiv · 机器人与计算机视觉68

    面向软体机器人的连续时间随机状态估计框架

    针对传统软体机器人(CR)状态估计依赖复杂动力学模型或准静态方法的局限,本文引入一种基于因子图优化范式的连续时间随机状态估计框架。该方法将连续时间运动学构建为受白噪声高斯过程影响的因子,结合简单机器人模型与高频传感,实现对未建模外部力及数据丢失的适应。

  3. arXiv · 机器人与计算机视觉72

    BusterX++:面向统一的跨模态 AI 生成内容检测与解释的 MLLM

    论文提出了 BusterX++,这是一个用于联合图像和视频检测的可解释推理多模态大语言模型(MLLM)。作者构建了 GenBuster-Bench++ 基准数据集,包含平衡的图像和视频样本。实验表明,在统一的图像 - 视频设置下,主要由稀疏结果奖励驱动的单一阶段纯强化学习策略优于强力的微调加强化学习基线,且纯 RL 在整个训练过程中保持了更高的策略熵度。

  4. arXiv · 机器人与计算机视觉30

    Foundation Model Driven Robotics:基于基础模型的机器人技术综述与未来路线图

    该综述系统梳理了大语言模型和视觉语言模型在感知、规划及人机交互领域的进展,将应用划分为仿真驱动、开放世界操作等四个方向。文章重点分析了程序化场景生成与策略泛化等关键趋势,同时指出了具身数据匮乏、安全风险及算力限制等核心瓶颈。最后提出了通过构建更鲁棒的可解释模型来弥合语义推理与物理智能差距的未来研究路线图。

  5. arXiv · 机器人与计算机视觉12

    Firn 冰层图像分类的拓扑特征通用性与可解释性评估

    该研究评估了拓扑数据分析(TDA)在 firn 冰层图像分类中的性能,旨在解决传统卷积神经网络因训练数据有限而过度拟合方向相关特征的缺陷。实验对比了子水平集与距离变换两类拓扑特征及持久曲线,发现单一方法无法在所有类别中占据主导,需在准确率、通用性与可解释性之间权衡。论文为 arXiv 预印本版本 v2,代码与权重未提及开放许可。

  6. arXiv · 机器人与计算机视觉42

    Grid-based Submap Joining:高效优化全局占用图与局部子帧的算法

    该研究提出基于网格的子图拼接方法,将二维非特征 SLAM 问题转化为非线性最小二乘形式以同时优化全局地图和局部子帧。利用雅可比矩阵增量独立于全局占用值的特性,作者设计了仅姿态更新的 Gauss-Newton 算法,显著降低了大规模环境下的计算成本。仿真及公开激光雷达数据集的评估证实,该方法在效率、精度及解决超大规模场景能力上均优于最先进方法。

  7. arXiv · 机器人与计算机视觉72

    当无参考图像质量模型遇见扩散潜空间的 MAP 估计时

    该工作首次展示无参考图像质量评估模型可作为自然图像先验用于真实世界图像增强。方法在预训练的微分双射扩散过程中于扩散潜空间执行梯度上升,而非原始像素域。不同模型带来不同的增强输出,提供了比较它们在感知优化场景下优缺点的新计算手段。

  8. arXiv · 机器人与计算机视觉5

    EventSpikeSeg:基于混合信号架构的事件相机脉冲分割预印本

    EventSpikeSeg 提出一种结合驻留电容内存与共享模拟处理的混合信号架构,在 GF180MCU 工艺下实现事件相机脉冲分割。该架构在 DSEC 数据集上软件检查点达到 27.976% 平均交并比,但硬件准确率、全网络物理运行及系统能效尚未验证。研究详细表征了 22 个模块家族与 74 个工作点,揭示了存储复制与服务调度作为扩展约束。

  9. arXiv · 机器人与计算机视觉78

    CS-MPC:不确定性下非线性系统的收缩认证采样模型预测控制

    论文提出了针对非线性机器人系统在参数不确定性、干扰及在线揭示的安全约束下的追踪与安全方法。该方法在每个采样展开中使用收缩认证的追踪反馈以集中展开,并通过分位数收紧的离散时间控制屏障函数条件验证输入执行。

    推荐理由:提出收缩认证采样模型预测控制方法,在 rover、四旋翼及小行星着陆任务中验证了其在参数不确定性与安全约束下的有限样本稳定性与概率安全性。

  10. arXiv · 机器人与计算机视觉78

    VLAN:面向多主体的视觉语言可访问导航基准

    VLAN 是一个新的导航基准数据集,包含 1,000 个场景、20K 条导航轨迹和 160K 关键帧,涵盖多样光照与环境条件。该基准针对足式与轮式智能体(含人形机器人与四足机器人)以及视觉或行动障碍人士提供特定主体的动作与可访问性特征,并将日常障碍物分类为可通过、绕行、高风险和阻挡四类。

    推荐理由:VLAN 基准提供千人场景与二十万轨迹数据,支持足式、轮式及残障用户等多主体导航评估。

  11. arXiv · 机器人与计算机视觉48

    TetraCoder:自适应四面体编码神经场方法

    TetraCoder 是一种单分辨率无哈希的自适应四面体编码,通过连接显式四面体空间编码器与隐式有向距离场(SDF),构建连续分段仿射混合空间。该方法在图像与点云拟合、三维新视图合成及重建等任务上优于最先进方法,并支持快速四面体光线追踪与几何外观编辑。

  12. arXiv · 机器人与计算机视觉23

    基于姿态的神经服装模型实现动画角色实时褶皱生成

    该方法利用变分自编码器构建潜空间,结合低维姿态参数与身体表面位移引导网络预测,引入局部梯度直方图损失缓解过平滑问题。在准静态生产级资产上评估显示,系统能实时生成锐利真实的褶皱、平滑的大尺度垂坠及时间连贯性,显著改善艺术家交互摆姿工作流。论文已接受至 SCA 2026 会议,代码与数据许可状态待原文补充。

  13. arXiv · 机器人与计算机视觉78

    D2ToF:基于轻量级单光子 LiDAR 波形的单步扩散深度超分辨率方法

    论文提出 D2ToF 框架,利用蒸馏扩散策略和多元引导机制,将低分辨率单光子 LiDAR 波形(8x8)一步重建为高分辨率深度图(128x128),推理耗时约 83 毫秒。实验结果显示该方法优于现有基线,解决了极差输入上采样问题。

    推荐理由:提出 D2ToF 一步扩散框架,实现单光子 LiDAR 波形到高分辨率深度图的超分辨率重建。

  14. arXiv · 机器人与计算机视觉43

    DiffusionSSD:双阶段扩散与近数据处理实现极致视觉压缩

    DiffusionSSD 提出一种算法架构协同设计框架,通过双阶段扩散降低计算成本并借助 cUFS+LPDDR-PIM 将编解码卸载至数据侧。实验显示该方案在保持感知质量的同时,计算开销最高减少 92.7%,相比 NPU+DRAM 及 SmartSSD 等近数据处理架构,编码吞吐量分别提升 2.32 倍和 2.91 倍。

  15. arXiv · 机器人与计算机视觉78

    Vision-as-a-Tool:一种将视觉作为工具的视觉 harness 框架

    该论文提出了 Vision-as-a-Tool (VaaT) 范式,通过 VHarness 框架将通用多模态大模型重构为可被调用的外部工具,使纯文本智能体在代理执行中完全卸载视觉推理任务。研究在图像转 HTML、SVG 及 3D 生成等任务上进行了评估,结果显示该架构显著提升了视觉保真度和几何准确性,证明了模块化视觉推理作为未来代理编码系统基础的有效性。

    推荐理由:提出将通用多模态大模型作为外部工具调用,使纯文本智能体具备视觉推理能力并提升生成质量。

  16. arXiv · 机器人与计算机视觉16

    LightTAR:一种轻量级且快速的目标感知多模态表格学习方法

    LightTAR 通过联合提取编码器层的目标感知特征,以少量计算成本提升所有表格模型的预测性能。该方法在 MulTaBench 数据集上平均改善预测效果,仅轻微增加运行时间且无需修改现有编码管道或学习器架构。代码与论文已公开,适用于结合数值、文本和图像的多模态表格学习任务。

  17. arXiv · 机器人与计算机视觉76

    在仿真中训练原生使用真实机器人的推理模型

    该论文提出一种方法,利用 Post-training Engine for Agentic Robotics (PEAR) 在仿真环境中对开源 27B 推理模型进行强化学习训练,使其能够原生控制真实机器人而无需演示。

    同一新闻,精选展示《MIT韩松团队新作:基于Qwen3.8的Robot-Use RL让机械臂临摹画作与做化学实验》

  18. arXiv · 机器人与计算机视觉62

    BAL:潜空间双向自回归学习人类动作表示

    该论文提出 BAL 框架,通过潜空间中的双向自回归预测(前向与后向)来捕捉人体动作的自然时序结构,以替代依赖人工假设的现有方法。实验在大规模数据集上验证了其在动作描述、预测和插值任务上的有效性,优于多数基线。材料为 NeurIPS 2026 接收的预印本,未报告真实机器人部署结果。

  19. arXiv · 机器人与计算机视觉72

    通过探测激活恢复蒸馏图像和视频生成器的多样性

    蒸馏扩散模型虽降低采样延迟但导致样本多样性严重坍缩。本文探究发现学生模型将激活方差集中到更少的方向,且该现象位于去噪初始步骤的中间层。为此提出 ReDiverse 方法:训练时通过轻量适配器微调回归教师特征方差,推理时无训练机制沿预计算的主成分方向引导激活。在图像和视频蒸馏基准测试中,该方法在保持生成质量的同时一致恢复了样本多样性,并得到用户研究支持。

  20. arXiv · 机器人与计算机视觉42

    基于线性互补问题的连续体机器人环境摩擦接触建模研究

    该研究提出一种基于库仑摩擦假设的摩擦模型,通过互补约束预测连续体机器人与环境的静摩擦、滑动摩擦及滞后效应。实验验证显示,在 287.9 mm 长的肌腱驱动连续体机器人上,该模型将无摩擦模型的末端位置最大误差从 45.4 mm 降低至 5.85 mm。论文已被国际机器人研究杂志(IJRR)接收发表,代码与数据暂未开放。

  21. arXiv · 机器人与计算机视觉20

    通过隐藏神经元概念归纳理解农业 CNN 中的上下文偏差

    研究利用概念归纳技术揭示卷积神经网络在农业图像分类中依赖背景主导区域的上下文偏差。分析涵盖五种数据集、四种架构及三个网络深度,验证了边缘与纹理特征的有效性,发现中等偏差的甘蔗数据集神经元特征验证率最高(40.5%)。该工作表明行为上下文依赖性与隐藏神经元的语义可解释性捕捉了 CNN 行为的不同侧面,可作为基于补丁的偏差检测补充。

  22. arXiv · 机器人与计算机视觉74

    基于检测框条件的假设检验用于分布外目标检测

    该论文提出一种名为 PLUM 的无需训练的检测分数,通过池化检测框内的骨干网络层特征并计算其与已知类别的距离,实现对分布外目标的可靠识别。在 PASCAL-VOC 和 BDD100K 基准上,该方法在不依赖外部模型的情况下取得了最高的 AUROC 指标(分别为 91.5/94.5 和 95.1/97.5)。材料为预印本版本,代码与论文链接已提供。

  23. arXiv · 机器人与计算机视觉53

    StreamEmbed:基于像素差异的屏幕截图实时索引系统

    针对屏幕历史作为可搜索视觉记忆的需求,本文提出了 StreamEmbed 系统,通过空间 Token 剪枝与时间 KV 缓存复用技术,利用截图间的像素冗余实现增量视觉嵌入。实验显示该系统在 M2 Pro GPU 上将编码速度提升最高 3.7 倍,相比 OCR 索引在同等延迟下 Recall@10 提升 6.3 个点,且仅需 0.13 GB RAM 即可存储模拟一年的截图数据。

  24. arXiv · 机器人与计算机视觉42

    Disturbance-Aware Informative Planning 在时空环境中的扰动感知信息规划方法

    针对外部扰动影响机器人轨迹优化的问题,该方法提出两阶段框架,结合有信息的扰动采样与扰动感知轨迹优化。实验显示,相比全域估计,其在四个仿真场景中减少 25.0--52.3% 的学习时间并识别更优路径。论文已提交至 Learning for Dynamics and Control Conference 2027。

  25. arXiv · 机器人与计算机视觉13

    蓝船自主水面艇实现有害藻华原位监测与预测建模

    该系统集成 BlueBoat 自主水面艇、深度控制绞车及多参数水质传感器,在路易斯安那州庞恰特雷恩湖和假河开展实地部署。通过自动航点任务采集叶绿素等指标并评估机器学习分类器,验证了模块化平台重复收集多模态数据的可行性,为未来自主监测系统奠定基础。

  26. arXiv · 机器人与计算机视觉23

    遥操作干预提升自驱动实验室韧性研究

    针对自驱动实验室(SDL)自动化流程故障,该研究开发了基于 UR3e 机械臂与 3Dconnexion SpaceMouse Pro 的遥操作接口。对比测试表明解耦控制器模式缩短了任务完成时间并减少旋转运动,且无参考路径引导时用户更具目标导向性。工作验证了人机回环机制在 SDL 故障恢复中的可行性,为未来共享自主性研究奠定基础。

  27. arXiv · 机器人与计算机视觉70

    隐藏启动延迟随机化提升自博弈交接的跨伙伴鲁棒性

    该研究针对合作自博弈中接收方对陌生伙伴鲁棒性差的问题,发现共享奖励下学习到的给予方总是立即开始动作导致接收方策略固化。通过引入接收方不可观测的隐藏启动延迟随机化(HSD),在 300 次额外更新后,与未见过的新脚本伙伴交接成功率从 31% 提升至 80%,且大幅降低高力接触次数,无需重新训练伙伴。

  28. arXiv · 机器人与计算机视觉13

    从 AI 赋能远程患者监护迈向代理型机器人:具身化、治理与照护整合综述

    该结构化范围综述发现,成熟的代理型医疗照护尚未出现,多数系统仍由人类主导,强化决策 - 行动耦合及具身智能主要局限于原型机与试点项目。研究提出将代理型机器人作为受监督系统的未来方向,通过可审计工作流连接 AI 智能体、机器人与临床人员,确保人类监督与明确治理。该成果已接受发表于《控制、机器人与自主系统年刊》2027 年第 10 卷。

  29. arXiv · 机器人与计算机视觉70

    MMFlash:面向视觉语言模型的更快推测性解码

    针对扩散起草器主要关注纯文本任务而忽视多模态起草的局限,本文引入基于 KL 散度的 Token 级视觉依赖度指标,发现视觉依赖度高时接受率显著下降。为此提出 MMFlash 框架,自适应地提升起草器预测较差的视觉依赖 token 权重,并在长视频输入下采用稀疏注意力减少冗余计算。

  30. arXiv · 机器人与计算机视觉58

    水下图像质量指标是否与人眼感知一致?基于人工选择、简单编辑与生成漂移的基准测试

    该论文评估了 73 种手工设计、学习型、视觉 - 语言及通用图像质量指标在水下场景中对齐人类偏好的程度,发现没有任何一种指标能始终匹配人类判断。研究通过四项基准(四组已发表意见评分集与一项新配对比较研究)测试指标一致性,并验证了简单编辑和对抗扰动是否会导致指标分数虚高、生成噪声累积时分数下降不足等问题。

  31. arXiv · 机器人与计算机视觉74

    CoPre-MoE:一种用于多模态持续指令微调的混合专家模型整合与保留方法

    针对多模态大语言模型在持续学习新能力时面临的灾难性遗忘与参数冗余问题,本文提出 CoPre-MoE 架构。该方法首先为每个任务学习专用混合专家以捕获特定能力,随后通过评估功能重叠将重叠专家整合至固定容量的通用专家池中,并将剩余任务特定专家分解为共享投影基和紧凑的任务特定核心存入私有专家池。

  32. arXiv · 机器人与计算机视觉58

    视觉语言动作模型:设计与训练及部署的生命周期综述

    这篇论文回顾了 2022 年 12 月至 2026 年 10 月期间关于 VLA 模型的 88 项工作,涵盖操作、导航、人形控制及世界动作模型。文章沿七个维度分析了 22 个代表性模型的设计架构、训练数据(从遥操作到社区收集)及部署速度,指出模型参数规模出现分裂趋势,并讨论了部分模型在物体或相机轻微移动时表现脆弱的问题。

  33. arXiv · 机器人与计算机视觉84

    重型机械杂技:通过强化学习实现滑移装载机动态控制

    该论文展示了利用强化学习(RL)结合仿真到现实(sim-to-real)迁移技术,成功自动化了复杂液压驱动的重型机械——John Deere 332G 滑移装载机的极限动作。策略使机器能够自主完成两轮平衡、跨越崎岖地形、绘制指定轨迹及旋转等高难度杂技动作,此前这些操作仅由少数精英人类操作员在世界纪录级别的表演中实现。

    推荐理由:作者展示强化学习在仿真中训练的策略成功迁移至现实,实现了推土机在两轮平衡状态下跨越崎岖地形并自主完成高难度杂技动作。

  34. arXiv · 机器人与计算机视觉54

    Adaptable Watermarking:通过轻量级适配器改造图像水印模型

    本文探索神经图像水印模型的适应性,提出一种框架使编码器 - 解码器水印架构具备模块化和可升级性,支持多种水印风格而无需重新训练整个模型。该方法通过在组件上附加紧凑的参数高效适配器并在多域残差对齐损失下微调来实现适应,同时通过秘密损失项保持比特精度。

  35. arXiv · 机器人与计算机视觉45

    MaskSCD:遥感图像语义变化检测中的双时相掩码分类方法

    MaskSCD 将语义变化检测重构为双时相标签对图像的掩码分类任务,通过共享掩码与双时相特征融合确保变化图与语义图一致。该方法在 SECOND、Landsat-SCD 和 Hi-UCD 三个数据集上均取得最佳分离 Kappa 及 F1 分数,平均分离 Kappa 比最强竞品高出约 5 分且消除了近 30% 的矛盾变化像素。

  36. arXiv · 机器人与计算机视觉65

    DIRT:基于双带混合的深度补全图像渲染实现实时新视角合成

    DIRT 方法提出一种无需训练和优化的实时新视角合成(NVS)方案,利用主动传感器获取的稀疏点几何在屏幕空间完成深度缓冲,并通过频率感知的双带混合策略融合投影后的观测数据。该方法适用于手持 RGB-D、车载 LiDAR 及热成像等异构传感器,且在低光条件下表现良好,实验显示其在实时重建场景中优于以往方法,同时在传统 NVS 基准上保持竞争力。