面向易拆卸关节的足式模块化机器人:兼顾关节负载与移动性的步态生成
针对模块化机器人可拆卸关节承受大载荷的问题,本文提出基于 NSGA-III 的多目标步态优化框架,以移动速度、静态稳定性和归一化关节负载为三个优化目标。仿真显示加入关节负载目标后,最大关节反作用力降低 11.5%,最小稳定性提升 41.2% 但前向速度下降 10.5%。
针对模块化机器人可拆卸关节承受大载荷的问题,本文提出基于 NSGA-III 的多目标步态优化框架,以移动速度、静态稳定性和归一化关节负载为三个优化目标。仿真显示加入关节负载目标后,最大关节反作用力降低 11.5%,最小稳定性提升 41.2% 但前向速度下降 10.5%。
该研究提出 SGR3 Model,这是一个利用多模态大语言模型与检索增强生成(RAG)实现的免训练框架,用于生成语义场景图以支持机器人高层推理。实验显示其性能在免训练基线中具竞争力且媲美基于 GNN 的专家模型,消融研究表明外部信息被显式整合进 token 生成功能。该论文已撤回,无 PDF 可供下载。
论文针对珊瑚礁等长期监测场景中因时间跨度大导致的外观和结构剧变,现有运动恢复结构(SfM)流程失效的问题,提出一种强制跨会话对应关系的联合 SfM 重建方法。该方法结合手工与学习特征建立长时程对应关系,并利用视觉位置识别筛选候选图像对以降低成本,在长期水下数据集上实现了标准 SfM 无法连接的会话间的连贯三维重建。
针对人机协作中人类策略随 AI 行为动态调整的挑战,本文提出 NestRL 方法,将任务建模为交互式部分可观测马尔可夫决策过程(I-POMDP)。该方法通过在各级别对自适应智能体进行联合训练,使智能体学习有限层级 I-POMDP 的解,从而避免收敛于仅适用于特定搭档的不透明协调策略。
针对数字化画作中裂纹与笔触等艺术特征视觉相似导致的检测难题,研究提出将裂纹识别建模为逆问题的混合方法。该方法利用深度生成模型作为底层作品先验,结合 Mumford--Shah 型变分泛函与裂纹先验进行联合优化,最终输出像素级裂纹定位图。
针对现有大语言模型在越视域导航任务中短视行为的挑战,该方法首次引入视频生成模型以利用长视界监督优势。通过提出 SparseVideoNav 技术,将原本需数十秒的视频生成长度压缩为亚秒级轨迹推断,同时保持 20 秒的未来视界跨度。实验表明,该方法在越视域导航任务上的成功率是现有大语言模型基线的 2.5 倍,并首次实现了夜间复杂场景下的有效导航能力。
针对遥感图像大尺度变化与目标稀疏分布导致的多模态大语言模型过拟合问题,研究提出参数高效微调策略 GRASP。该方法利用冻结视觉令牌网格提取空间块构建结构化软提示,通过问答引导的稀疏融合机制动态聚合任务上下文并过滤背景噪声。在多个 RSVQA 基准测试中,GRASP 在保持高参数量效率的同时取得了与现有微调及提示方法具有竞争力的性能表现。
VIOLA 是一种标签高效框架,旨在解决多模态大语言模型在新视频域泛化时标注数据稀缺的问题。该方法通过密度 - 不确定性加权采样策略,从有限预算中选取兼具多样性、代表性和信息量的样本;同时构建混合池并引入置信度感知检索与提示机制,使模型能区分验证过的真实标签与噪声伪标签。实验在九个基准上使用三个大语言模型表明,该框架在低资源设置下显著优于各类基线,实现了低成本下的鲁棒适应。
针对轨道操作中对未知空间目标(RSO)的导航需求,本文研究了可见光、热红外及两者融合的成像方案。研究通过像素级融合结合传感器优势进行前端跟踪,并提出一种基于剪影的新型视觉位置识别方法,该方法无需训练、全 CPU 运行且优于基线。实验对比显示,融合图像配合该剪影识别方法在光照条件、轨迹和定位性能上表现最佳,证明了多模态信息在不同导航阶段的互补性。
针对现有多模态知识型视觉问答(MKB-VQA)基准普遍存在的‘视觉捷径’问题,作者构建了 RETINA 新基准和 MIMIR 多图像多模态检索器。该基准通过 LLM 驱动流程自动构建,包含 120k 训练集和 2k 人工 curated 测试集,专门引入次要主体(相关实体)的图文对以消除捷径依赖。
该工作提出一种实时方法,将相机定位到预采集的高精度彩色LiDAR点云内。通过从点云渲染合成视图并建立2D-3D对应关系,结合神经渲染技术缩小合成与真实图像的域差距,实现无漂移且具备正确度量尺度的全局跟踪。论文展示了Online Render and Match及Prebuild and Localize两种实时变体,在ScanNet++数据集上表现优于现有SLAM管线。
推荐理由:提出基于神经渲染的相机实时定位方法,在ScanNet++数据集上优于现有SLAM管线。
该论文提出了 SEPS(Semantic-enhanced Patch Slimming)框架,旨在解决视觉与语言之间细粒度跨模态对齐中的补丁冗余和歧义问题。方法采用两阶段机制整合稠密与稀疏文本的统一语义以识别显著视觉补丁,并利用感知相关性的选择结合均值计算来突出关键的补丁 - 词对应关系,从而改善跨模态相似性评估。
PrefCVAE 是一种增强型条件变分自编码器框架,利用弱标签偏好对赋予潜在变量语义属性,在自动驾驶规划中实现了可控且具语义意义的轨迹多样性生成。该方法在不降低基线精度的前提下,证明了基于偏好的监督是提升采样式生成模型效率的可行方案。相关预印本已上传至 arXiv,代码与权重开放许可状态待原文进一步确认。
本文提出了一种面向机器人的伽利略对称性阐述方法,利用刚体变换和位姿表示来构建建模框架。该方法将经典的齐次矩阵代数直接映射到伽利略模型中,为处理涉及惯性测量和时空变量的机器人问题提供了有力工具。作者通过开发地球固定旋转参考系下的车辆运动研究模型以及融合具有不确定时间戳的测量值的算法,展示了该方法的潜力。
针对视觉语言模型在推理时可能复述敏感信息的问题,本文提出了 Cross-Modal Attention Guided Unlearning (CAGUL) 框架。该方法利用跨模态注意力机制识别低重要性的视觉 token,通过外部模块编码遗忘指令以阻断隐私泄露,同时保持模型的参考行为与效用,且无需修改预训练参数。
论文介绍 DYMO-Hair 系统,通过预训练分层 3D 体素潜空间建模梳子引起的头发形变,结合物理仿真器实现大规模预训练以泛化至未见发型。该系统耦合模型预测路径积分规划器,支持视觉参考和自然语言指令的闭环理发动作。实验显示其在几何误差和用户评分上优于基线系统,并在七种不同属性的真实假发上实现了零样本迁移,无需微调即可达成目标。
针对 GNSS 伪距离群值严重干扰载波相位模糊度解算的问题,本文提出一种结合多普勒一致性与 IMU-里程计运动预测的两阶段伪距筛选框架。该方法在连续跟踪时能将 RTK 三维均方根误差降低 96.18%,并在无多普勒检查时将 10 米离群值检测成功率提升至 99.58%(30 秒后)。研究通过一阶误差模型分离不确定性,利用闭式最小膨胀规则调整代码权重,在深城市峡谷等场景中表现优于惯性辅助基线。
该研究回顾了 1990 至 2026 年间发表的 95 项关于跨式装载单元(ILU)识别的计算机视觉文献,发现仅 26 项报告端到端准确率(中位数 94.5%),且缺乏统一基准数据集。现有工作多聚焦静态场景,对车载相机移动拍摄及半挂车、换装箱等特定单元的独立评估关注不足。研究建议利用合成数据与自动覆盖路径规划构建新基准,以降低港口作业错误率并提升运营韧性。
针对文本查询与细微视觉线索对齐难、长尾分布及大模型微调成本高的问题,提出无需训练的粗到细框架 AnomalyLMM。该方法先利用通用检索模型初排,再通过填空式重排序机制引导多模态模型关注特定区域并生成异常描述,最后计算语义对齐进行重排序。在 PAB 和 UCC 数据集上,Recall@1 分别提升 1.93% 和 1.79%,且具备高度可解释性。代码将公开。
针对田间作物重建中薄重叠结构与光照变化等挑战,作者发布了 AgriChrono 纵向油菜数据集及新视角合成(NVS)基准。该数据集包含约一个月内的 160 次采集会话、四路 RGB 流与两路深度图。
推荐理由:该工作发布纵向油菜数据集与基准,并开源 AgriSplat 方法以解决薄重叠结构重建难题。
该研究提出一种利用 OpenStreetMap Area Graph (osmAG) 结构先验的 WiFi 定位方法,旨在解决传统指纹法需要密集测绘且泛化性差的问题。
CMB-Net 提出一种结合大语言模型与图像 - 文本中心歧义模块的新架构,有效弥补视觉信息语义缺失并抑制幻觉干扰。该网络在图像篡改定位任务中表现优于多数现有模型,且代码已开源。
针对强化学习中对手策略变化导致的非平稳性问题,本文提出基于 PSRO 思想的异步多阶段种群训练方法(AMSPB),包含均匀采样与硬优先级的变体。实验在两个约 40 克的 Crazyflie 四旋翼上验证了零样本仿真到现实迁移能力,记录了捕食者最高 4.87 m/s、逃避者峰值速度 3.31 m/s 的飞行数据。论文已被 IEEE RA-L 2026 接收并将在 ICRA 2027 展示。
针对车辆后轮抓地力丧失引发的过度转向问题,本文提出了端到端的自主驾驶方案,引入 QC-SAC 混合学习算法以克服专家示范数据不足及环境突变难题。实验表明该方法在打滑路面随机避障任务中表现优于现有基线,且经硬件在环仿真验证了其在物理执行器上的可行性,为实车安全控制提供了新的技术路径。
该方法结合预训练抓取模型与视觉语言模型,利用语义推理能力融入特定任务需求。在五种查询策略评估中,整体成功率绝对提升最高达 36.9%,显著优于基线方法。研究证明了 VLMs 增强任务导向操作及人机交互的潜力。
针对单目 RGB-D 视角下严重遮挡导致的 6-DoF 抓取精度下降问题,研究建立了首个遮挡环境目标驱动抓取数据集 TARGO。提出的基于 Transformer 的 TARGO-Net 模型通过引入目标补全模块与场景交叉注意力机制,在所有视觉遮挡等级下均实现了最鲁棒的抓取预测性能。此外,研究证实了目标补全、遮挡物数量及目标最小尺寸除视觉遮挡外也显著影响抓取成功率。
该论文针对实例分割中人类标注或模型生成轮廓不可靠的问题,提出 CB-LNL(Copula-Boundary Learning with Noisy Labels)框架。
针对机器人遥操作等低延迟沉浸式流媒体应用,研究量化了显著性预测精度带来的压缩收益递减规律。实验表明,仅需 52 FPS 的轻量级预测器即可捕获真值预言机 65% 的码率节省,而算力增加 38 倍后无额外增益。因此,在延迟受限场景下采用轻量级显著性预测器是兼顾性能与效率的实用选择。
该研究在仿真与 Cyber-Physical Mobility Lab 实验中验证,利用跨摩擦条件池化数据可使多步均方根预测误差保持在匹配数据的 1.5 倍以内。闭环追踪结果显示,池化策略在低摩擦轮胎下误差差值为 0.1 cm,高摩擦下为 0.2 cm,实现了无需专用适配方法的变摩擦部分自适应。论文已提交至 2027 年欧洲控制会议(ECC),代码与数据待开放许可。
针对现有知识分流方法参数开销大且依赖固定组件分配的问题,本文提出特异性引导知识分流(SGKDiv)。该方法从成对前馈通道构建知识单元,保留原生计算结构;结合校准的条件路由与互补正则化,实现自适应的知识专业化。实验表明,其在多种模型设置下优于稠密及 MoE 基线,且在八个数据集上展现出更强的下游适应能力。
针对帕金森病早期检测中黑质致密体(SNpc)分割标注数据稀缺的问题,研究评估了利用外观相似的蓝斑(LC)模型进行迁移学习的策略。实验基于 3D U-Net 架构,在仅使用 5-14 例标注受试者时,迁移学习与从头训练达到相同的 Dice 系数上限 0.77,且无显著差异。结果表明从 LC 初始化对 SNpc 分割未提供显著收益,相关论文已提交至 IEEE ISBI 2027。
针对长序列像素级标注成本过高及稀疏监督导致时序不稳定的问题,该研究提出一种仅需单帧涂鸦标注的弱监督框架。方法结合 DINOv3 编码器均值教师架构与参数高效微调,利用互补损失函数生成未标注帧的可靠分割先验。在 CAMUS 和 CardiacNet 数据集上的实验表明,该方法优于其他涂鸦监督方案,显著降低心脏超声时序分割的标注需求并支持可扩展的临床部署。
CivilBench 是首个针对土木工程与灾害场景的视觉语言模型(VLM)综合评测基准,涵盖序列推理、图像结构理解及开放世界理解三大任务家族。评估显示当前主流 VLM 在从稀疏结构化观测中推断数值关系等序列推理任务上存在显著瓶颈,且该基准将通过公开链接提供以支持可靠 AI 辅助工程决策能力的验证与进展追踪。
论文提出 PACIL 方法解决无标签数据下的类别增量学习问题。该方法利用 CLIP 零样本预测作为起点,但指出其混淆了名称偏差与真实分布不平衡。PACIL 通过先验选择规则修正类先验,并在白化特征空间使用固定先验的 von Mises-Fisher 混合模型细化每个图像的后验分布。
论文提出 UNITE 框架,通过共享锚点一比特分解技术将多个具身视觉语言模型(VLM)专家整合为紧凑的混合专家模型。该方法在保持各专家前馈块路由能力的同时,仅用不到 0.6M 参数完成微调,显著降低存储占用。实验显示该模型在导航与三维场景理解基准上优于单一专家及多种静态合并方法,且相对于未压缩 MoE 几乎无损。
推荐理由:提出 UNITE 框架,通过共享锚点一比特分解将多个具身 VLM 专家整合为紧凑混合专家模型,在保持存储效率的同时提升导航与场景理解能力。
针对多模态强化学习(MRL)在自动驾驶中因时序不一致导致决策失败的问题,本文提出 Split Temporal Adversary (STA) 方法。该方法将多模态时序攻击统一为决策过程,通过历史状态延迟观测以消除模态特定噪声需求,并利用受害者策略的清洁动作识别敏感决策模式。
推荐理由:提出 STA 方法统一优化多模态攻击时机与选择,在 CARLA 仿真中使 PPO 碰撞率翻倍且尝试更少,揭示时序一致性是 MRL 的关键脆弱点。
VIVID 是一个支持多种原生编码智能体在视频后期制作中工作的视觉框架,提供按需的视频检查、音频分析及转录工具。
该论文针对结构化 3D 高斯泼溅(3DGS)在轨迹渲染中存在的视图间重复解码与计算冗余问题,提出 GDM-GS 框架。该方法将锚点视为空间对象、视图视为范围查询,通过视图内空洞视锥体查询、跨视图共享物化以及 CPU/GPU 混合流水线平衡等三级策略消除冗余。实验表明,在大规模公开场景下,GDM-GS 显著降低了轨迹渲染延迟并保持了图像质量。
推荐理由:提出 GDM-GS 框架解决 3DGS 轨迹渲染冗余,通过多级数据管理降低延迟并保留画质。
Sidewalk Stewards 是一款填补自动提取与部署就绪人行道网络之间差距的视觉分析系统,通过协调的空间视图支持用户引导修正并实时反馈质量。对比传统工作流,该系统在跨城市案例研究中显著提升了错误识别效率及修正完整性,少量人工干预即可改善多项路网质量指标。目前该工具处于 arXiv 预印本审查阶段,代码与数据待开放许可后获取。
论文针对无车道线场景(如雪地道路)下的车辆编队行驶问题,提出了一种基于弧长参数化的航迹参考控制框架。研究指出若仅跟随前车会导致误差累积,而结合领航车与前车的航迹可保持误差有界。此外,文章分析了乘客与货物载荷及轮胎刚度变化对曲率前馈系数的影响,并设计了自适应律以在线估计该系数、消除弯道稳态偏移。仿真验证了十一辆车辆编队的控制效果。
推荐理由:该文提出了一种基于航迹参考的编队横向控制方法,通过自适应前馈补偿载荷不确定性带来的稳态偏差,确保任意长度编队的误差有界。