跳到正文
10月26日周一
  1. arXiv · 机器人与计算机视觉78

    OWLS:基于开放世界的语言条件化速度场用于零样本漫游车导航

    OWLS 是一种无需任务特定训练、地形标注或持久地图的零样本漫游车导航方法。该方法利用视觉语言模型对单目相机图像中的每个像素进行可通行性评分,将这些语义分数投影到地面并通过形态学操作适配平台,进而生成最小时间规划器的速度场。研究在室内及非道路物理漫游车上进行了评估,并在模拟火星与月球漫游器上测试了 200 个程序化生成的地形,同时验证了在真实行星影像上的表现。

    推荐理由:论文提出利用视觉语言模型的语义评分构建速度场,实现无需训练与标注的零样本漫游车导航。

  2. arXiv · 机器人与计算机视觉78

    HGWM:通过图匹配实现零样本物体导航的分层图引导世界模型

    HGWM 耦合了 LLM 生成的房间锚点先验与持久化的空间语义记忆,采用两阶段机制(粗粒度视觉语义评分与细粒度符号兼容性测量)结合 LLM 方向推荐进行本地动作选择。

    推荐理由:该工作提出分层图引导的世界模型,在仿真环境中实现零样本物体导航,提供了具体的成功率与路径效率指标及消融分析。

  3. arXiv · 机器人与计算机视觉74

    从徒手演示到自主机器人超声:一种解剖锚定学习框架

    该研究针对超声成像高度依赖操作者的问题,提出一种解剖锚定的模仿学习框架,结合外部视觉定位与力反馈实现自主超声扫描。系统在未见参与者上对肾脏、胆囊和肝脏标准切面采集及桡动脉扫查的任务成功率分别达到 96%、94%、88% 和 94%,相比微调后的 pi_0 模型在腹部任务上的成功率提升 10-42 个百分点。

  4. arXiv · 机器人与计算机视觉45

    L0-Norm-Based CycleGAN 实现无配对脑 CT 到 MR 合成

    针对标准 L1-norm 惩罚项对大残差敏感的问题,该研究提出一种基于 L0-norm 近似的光滑有界函数以增强对小残差的敏感性。模型与基线均在 102 张图像上训练并在 9 张测试图评估,结果显示新模型均方误差降低 20.7%(0.02746 vs 0.03464),峰值信噪比提升至 15.80 dB。该工作表明修改循环一致性惩罚项能有效提升此类数据集的重建精度。

  5. arXiv · 机器人与计算机视觉69

    Tempo-Zero:基于可执行世界的递归自博弈视频推理方法

    论文介绍 Tempo-Zero,一种通过闭环可执行环境、执行验证的自博弈和环境演化来实现自我改进的视频推理框架。该方法让单一策略同时担任出题者和解题者,利用程序执行生成的真实时间戳证据替代噪声伪标签进行训练。尽管仅基于简单程序且无需监督微调或外部视频数据,Tempo-Zero 在十二个真实世界视频基准上平均优于基线模型和近期自博弈方法,尤其在时序定位任务上表现显著。

  6. arXiv · 机器人与计算机视觉78

    UniWorld:一种用于实时视觉世界仿真的统一世界模型

    该论文提出了 UniWorld 框架,旨在解决连续视觉世界仿真中场景几何演化与持久化外观的耦合问题。该方法在共享视频生成模型中整合深度轨迹和参考外观,通过噪声对齐的重叠延续机制保持视觉历史,并利用滚动深度潜在状态保留几何控制。

    推荐理由:UniWorld 框架在共享视频生成模型中耦合几何与外观历史,实现了实时连续视觉仿真。

  7. arXiv · 机器人与计算机视觉75

    Past as State, Present as Attention:用于长周期伴语动作生成的持久状态分块流匹配

    论文提出 PASPA 方法,通过“过去为状态、现在为注意力”原则解决长周期伴语动作生成中的风格一致性问题。该方法在块级流匹配框架下实现,利用跨块持久状态总结历史、块内双向自注意力建模当前片段,并支持多块监督与混合无分类器引导训练。实验显示其在公开基准上达到最先进 FGD 性能并保持长序列风格一致性。

  8. arXiv · 机器人与计算机视觉49

    4DMemoryBench 与 Harness 评测长视界时空记忆及智能体能力

    针对现有基准在长上下文任务中的不足,研究团队推出包含约 900 小时视频的 LongVideo 数据集和 4DMemoryBench。评估显示,独立基础模型难以应对长视界任务,而集成四项技能与 22+ 专用工具的 4DMemory Harness 使所有测试模型的长视界性能提升超 50%。该成果旨在促进具备处理复杂长周期任务能力的时空智能体发展。

  9. arXiv · 机器人与计算机视觉45

    GeoLEON-CLIP:图锚定多模态对比学习用于地理区域表示

    GeoLEON-CLIP 框架通过冻结的 LEON 图嵌入作为语义锚点,对齐 H3 索引区域的 OpenStreetMap 图、卫星图像与文本描述。在混合分辨率池中,经图路由的检索相比直接跨模态检索提升显著,Airbnb 和北京房价下游任务增益最大。该成果已接受于 GeoAI 2026 研讨会,代码与数据许可状态待定。

  10. arXiv · 机器人与计算机视觉47

    ACWM-RM:一种无需真实视频的参考自由奖励模型

    ACWM-RM 是一种联合评估视觉质量与动作跟随保真度的奖励模型,在 AVM-Eval 基准上优于 IDM 等基线且无需真实视频。该模型基于包含 506.3k 对的 AVM-Pref 数据集预训练,利用动作不匹配对监督动作跟随、视频不匹配对监督视觉质量并暴露生成视频伪影。下游强化学习实验表明其在两项指标上均表现更佳,揭示了 IDMs 在生成视频上的可靠性局限。

  11. arXiv · 机器人与计算机视觉51

    VLA 是否知晓其将失败?物理 AI 系统中可解释的成功与失败模式

    该研究提出利用 OpenVLA 激活的稀疏自编码器(SAE)表示来预测机器人任务失败,并在达到不可恢复状态前识别出相关特征。作者通过定位显著激活变化的时间区间,揭示了导致成功或失败的特定行为模式,并开发了基于 VLM 的解释管道生成这些模式的描述,验证了其与特征激活的一致性。

  12. arXiv · 机器人与计算机视觉82

    TravSUITE:基于自监督、不确定性感知的逆强化学习与地形估计的可通行性系统

    论文提出了适用于高速越野导航的 TravSUITE 系统,该系统包含利用视觉基础模型构建几何语义局部地图的高效体素映射器,以及联合预测鸟瞰图下几何、语义、速度和成本的统一神经网络。

    推荐理由:该工作提出无标注的自监督训练策略,结合地图补全与逆强化学习实现越野环境下的可通行性预测与风险自适应。

  13. arXiv · 机器人与计算机视觉35

    双体交互视频揭示物理 AI 编码器中的关系物理属性

    V-JEPA2 与 VideoMAE 两个冻结的自监督视频编码器在双体设置下,能可靠区分弹性与非弹性碰撞。V-JEPA2 的动能读数可跨环境迁移且其预测器对产生动能的碰撞更敏感,但两模型均无法保持随几何变化而稳定的摩擦系数。该研究揭示了现有工作仅关注单物体量的局限,表明关系物理属性(如动量传递)在视频编码器中的表征能力存在显著差异。

  14. arXiv · 机器人与计算机视觉82

    月球群集机器人涌现出的合作体温调节机制

    针对 NASA CADRE 等任务中单台漫游车无法应对月夜极寒的问题,本研究利用强化学习训练共享策略,让二十个小型机器人无需位置参考或相互接触,自发形成聚集核心与边缘循环的行为模式。

    推荐理由:研究通过强化学习让二十个机器人自发形成类似帝企鹅的聚集与循环行为,在无需位置参考或接触的情况下实现热调节,使所有机器人在月夜后幸存。

  15. arXiv · 机器人与计算机视觉49

    StackGen3D:基于多视图轮廓生成稳定三维积木堆叠框架

    StackGen3D 框架通过物理感知图神经网络预测支撑关系,结合条件流匹配模型与轻量几何优化,从给定库存和正交轮廓生成稳定结构。最佳十选策略将物理稳定性由 45.3% 提升至 72.4%,同时实现 0.970 的轮廓 IoU。该工作展示了结合关系物理推理、可扩展数据策展与条件生成建模在创意三维组装中的潜力,相关海报已在 IROS 2026 会议公开展示。

  16. arXiv · 机器人与计算机视觉59

    SyncVid:基于世界等变扩散的同步视频生成

    SyncVid 是一种无需修改架构的视频扩散模型适配方法,旨在从单目参考视频中生成多视角动态场景的一致视频。该方法将扩散过程同步到由源视频导出的规范三维空间进行高斯噪声采样,并将结构化噪声光栅化至目标相机视图;同时提出跨视图一致白化程序以消除渲染引入的局部相关性并保留对应关系。实验表明,SyncVid 在感知质量和跨视图一致性上优于现有方法。

  17. arXiv · 机器人与计算机视觉85

    See What I Need, Dream What I Want:一种基于自构建表示空间的导航基础模型

    论文提出了 RepresentNav 导航基础模型,该模型构建了由策略自身目标驱动的视觉表示空间。通过 Representation Residuals 模块整合多模态视觉编码器特征,实现端到端训练的策略与潜在思维链联合嵌入预测架构(JEPA)。

    推荐理由:提出基于自构建表示空间的导航基础模型,在多个基准上刷新纪录并将成果迁移至实体机器人。

  18. Hugging Face Daily Papers63

    Harness-Model 协作用于长程持续学习

    针对长程智能体面临的知识复用与快速适应矛盾,本文提出 HaMo 框架,通过蒸馏轨迹为策略级经验卡片实现即时检索,并利用经验条件化的持续学习目标训练模型跨语境执行策略。实验表明该方法在域内和跨域偏移下均优于单一 Harness 或单一模型适应方案,有效提升了知识保留与新任务适应能力。

  19. Hugging Face Daily Papers82

    跨模态 Steering 向量在图像与文本生成中均存在

    该研究探讨了当前 AI 模型中概念与机制是否在不同模态间统一实现的问题。通过寻找能成功引导一种模态(如文本)生成的向量,并验证其能否零样本迁移到另一种模态(如图像),研究发现跨模态 Steering 在双向上均有效。

    推荐理由:该预印本通过跨模态 Steering 向量实验,证实了统一多模态模型中语言与图像生成的概念机制存在零样本迁移。

  20. Hugging Face Daily Papers78

    PhysEvolve:基于验证器的可执行世界因果推理自进化框架

    针对视觉语言模型在动力学与物理因果关系上不可靠的问题,本文提出了 PhysEvolve 框架。该框架通过共享的 VLM 提出可执行的物理世界程序,利用确定性物理引擎冻结并模拟基线及反事实分支(如物体移除、目标坑洞),合成离散任务并通过精确验证反馈更新策略与课程。

    推荐理由:该工作提出基于验证器的自进化框架,利用确定性物理引擎生成反事实数据以训练视觉语言模型进行因果推理。

  21. 智东西 · 机器人62

    高德动量机器狗“途途”在西溪园区上岗:基于空间智能的自主巡检与任务闭环方案

    2026 年亲橙大会期间,高德动量机器狗“途途”在阿里巴巴杭州西溪园区开展真实运营检验。该方案利用高德长期积累的空间数据、路网及 POI 信息构建世界模型底座(DATA),结合导航基座 ABot-N1 与操作基座 ABot-M0.5(MODEL),通过 ABot-AgentOS 实现任务规划与记忆沉淀(AGENT)。

10月25日周日
  1. Hugging Face Daily Papers78

    Δτ-Bench:推动智能体向动态能力边界演进

    本文介绍了 Δτ-Bench 基准,用于评估大型工具生态系统结构演化下智能体的适应能力。该基准包含 1,588 个多轮任务,覆盖 42 个领域及六个连续生态状态。评测显示最强模型成功率仅为 42.3%,且现有技能学习方法无法随生态演变持续优化。研究据此提出了 Steward 系统,通过增量维护与动态配置实现更高成功率与更低开销。

    推荐理由:该基准评测了智能体在工具生态演变下的适应力,揭示了现有技能学习方法难以持续迁移的瓶颈。

  2. Hugging Face Daily Papers38

    InteractiveWorld:首个可验证的人机闭环交互环境,揭示前沿 MLLM 在物理世界辅助任务中表现不足

    InteractiveWorld 是首个支持人机闭环交互的可验证环境,让 AI 助手指导人类代理独立行动并基于状态奖励评分。构建的 InteractiveBench 包含六类共 120 个多轮任务,实验显示即便最强的 Claude Fable 5.1 在长程引导与规划任务上成功率也仅分别达 20% 和 25%,表明当前 MLLM 尚无法可靠辅助人类完成物理工作。

10月24日周六
  1. 量子位75

    达瓦科技发布实时世界模型Scenes AI,单卡运行34B大模型并获NVIDIA大奖

    达瓦科技发布实时世界模型产品Scenes AI,在2026 NVIDIA创业企业展示中拿下「半程展示卓越企业奖」。该模型不预测下一帧画面,而是维护包含场景、物理、光照等变量的持续运行世界状态,仅更新发生变化的局部(如天气、画风),其余状态保持锁定。

  2. 量子位28

    特赞提出企业需构建“主观世界模型”与“企业世界模型”,并发布 Agentic Transformation 共建计划

    特赞在 WTCC 论坛提出,企业智能体架构需同时具备理解客户偏好的“主观世界模型”和理解内部流程的“企业世界模型”。特赞已采集万条量级专家判断路径构建训练数据,其主观世界模型在行为模拟上准确率达 85%。公司同步发布 Agentic Transformation 共建计划,推动高校与企业协作将组织判断转化为可积累资产。

10月23日周五
  1. arXiv · 机器人与计算机视觉82

    UniMem:为 VLA 统一视觉与文本记忆以应对非马尔可夫任务

    针对现有 VLA 模型在处理需记忆的长程任务时面临的瓶颈,本文提出 UniMem 框架,在单一骨干网络下统一高层视觉/文本记忆与低层控制。该方法利用事件分类器触发更新、关键帧编码器构建密集记忆并采用缓存技术降低开销。

    推荐理由:UniMem 框架统一视觉与文本记忆,在仿真和硬件任务中显著优于固定间隔采样及分层 VLM-VLA 基线。

  2. arXiv · 机器人与计算机视觉42

    MotionHalluc:诊断细粒度运动推理中的运动幻觉基准

    MotionHalluc 是一个针对跨视频比较中运动指令生成存在运动幻觉问题的专用基准,包含 553 对视频及 1540 个细粒度问题。该基准从方向、归因和时间三个维度评估大多模态模型的高易感性,并提供了无需训练的 PPV 测量提取基线。实验显示注入显式定量测量可使跨模型平均性能提升 10.6%,相关代码与数据集已开源。

  3. arXiv · 机器人与计算机视觉52

    NoPo4D:首个无需相机位姿的 4D 动态高斯溅射系统

    论文介绍 NoPo4D,这是首个能同时处理动态内容、多视图输入和未知相机位姿的前馈重建系统。该方法基于预训练几何骨干网,引入速度分解将高斯运动拆分为像素平面位移和深度变化,利用伪真值光流直接监督 2D 分量,避免了可微渲染对位姿精度的依赖以及无位姿方法所需的 3D 运动真值。

  4. arXiv · 机器人与计算机视觉48

    多旋翼无人机全向辐射图近似方法研究

    该方法通过识别球谐函数系数,将非完整多旋翼无人机的信号功率增益解耦为独立的全向辐射图。校准轨迹在无障碍物高度提供训练与测试样本,仿真验证了新颖的近似效果,真实世界实测均方根预测误差低于 5dB。研究共提交三个版本,当前 v3 版包含 6 页正文及 9 幅图表,旨在支持高效的通信感知机器人任务。

  5. arXiv · 机器人与计算机视觉85

    无人类演示的跨城市自动驾驶策略学习:NOMAD 方法

    论文针对自动驾驶在新城市部署成本高、需大量人类演示数据的瓶颈,提出 NOMAD(No data Map-based self-play for Autonomous Driving)方法。

    推荐理由:提出 NOMAD 方法,利用自博弈强化学习仅凭地图信息实现跨城市策略迁移,无需目标城市的人类演示数据。

  6. arXiv · 机器人与计算机视觉84

    SpatialMem:面向语言定位与问答的度量对齐长视界视频记忆系统

    SpatialMem 是一个整合 3D 几何、语义和语言的统一可查询表示的记忆系统。该系统基于随意录制的以自我为中心的 RGB 视频重建度量缩放的室内场景,识别结构锚点(墙、门、窗)作为底层支架,并将开放词汇对象节点与证据片段、视觉嵌入及两层描述关联到 3D 坐标,从而实现无需特殊传感器的空间关系推理、语言导向检索和问答。

    推荐理由:该工作提出融合几何与语义的可查询记忆系统,在无需特殊传感器的条件下实现长视频的空间推理与问答。

  7. arXiv · 机器人与计算机视觉82

    AlignDrive:面向端到端自动驾驶的横向 - 纵向对齐规划方法

    该论文提出 AlignDrive 框架,通过级联设计将纵向规划从独立预测任务转化为基于路径的条件推理过程。模型侧引入锚点回归设计以条件化纵向预测并降低几何不确定性;数据侧采用规划导向的数据增强策略模拟罕见安全关键事件。

    推荐理由:提出级联框架将纵向规划转化为路径条件推理,在 Bench2Drive 基准上实现 SOTA 性能并显著改善协调性与安全性。

  8. arXiv · 机器人与计算机视觉65

    CENIC:用于接触动力学的凸误差控制数值积分方法

    该论文介绍了一种名为 CENIC 的新型变量步长积分器,旨在解决现有离散时间仿真器在处理接触动力学时面临的精度与速度权衡问题。该方法融合了凸时间步进和误差控制的优点,能在保持与 MuJoCo、Drake 等主流仿真器相当的实时运行速率的同时,提供对精度和收敛性的保证。论文已提交至 IEEE Transactions on Robotics (T-RO),并提供了补充视频材料。

  9. arXiv · 机器人与计算机视觉60

    基于半定松弛的无初始化 LEO Doppler 定位:一种冷启动方法

    针对全球导航卫星系统信号不可用时的物联网设备定位难题,本文提出了一种无需初始位置的低轨(LEO)多普勒定位框架。该方法将非线性定位问题重构为半定规划程序,在噪声条件下分析了松弛紧致性并推导了参数扰动下的充分噪声边界。

  10. arXiv · 机器人与计算机视觉35

    频谱群机器人框架实现基于局部交互的竞技场形状分类

    频谱群机器人框架通过严格局部交互使机器人模拟扩散过程,仅需估算单个拉普拉斯特征值即可在 Kilobots 和 Pogobots 平台上对受限环境进行一次性形状分类。实验验证了该方法在真实噪声与稀疏连接条件下的可靠性,并揭示了群体规模与交互半径间的缩放定律以确保鲁棒估计。