跳到正文
10月23日周五
  1. arXiv · 机器人与计算机视觉35

    Decentralized Bi-Level Optimization for Cooperative Orbital Transportation of a Rigid Payload 提出去中心化双层优化框架

    针对轨道拥挤背景下大型非合作载荷的运输需求,该研究提出一种由精确梯度驱动的去中心化双层优化框架。方法将问题分解为内层凸推力分配与外层有效载荷扭矩轨迹搜索,在无需全量非线性规划收敛的情况下快速获得燃料高效解。理论收敛性已确立,且通过包含闭环故障恢复的大规模蒙特卡洛仿真验证了其在航天器群应用中的适用性。

  2. arXiv · 机器人与计算机视觉43

    PhysTrace:可解释的时间序列物理一致性评估框架

    PhysTrace 是一个无需训练的框架,通过对齐多模态大模型生成的历史条件期望与观测视频窗口,在 IntPhys2-Timing 基准上实现最高 70.7% 的物理原则命中率。该方法揭示了预训练扩散/流模型重建视频中属性与时空噪声依赖的违规模式,为跨时间步的可解释物理一致性分析提供了新工具。

  3. arXiv · 机器人与计算机视觉75

    Inside-JEPA:从预测到潜在世界模型中的关系定位

    Hossein Resani 和 Javen Qinfeng Shi 提出 Inside-JEPA,一种在 JEPA 潜在状态中嵌入有序实体对关系通道的架构。研究通过逆动力学损失在无标签条件下 grounding 这些通道,并在 Something-Something V2、RH20T 机器人集以及使用现成检测跟踪的五个关系上验证了性能提升。

  4. arXiv · 机器人与计算机视觉15

    Navigating human-robot interaction challenges in private and residential aged care homes

    该章节探讨机器人系统与 ambient intelligence 如何在 cluttered 和 dynamic 的养老环境中增强老年人照护,重点解决低数字素养人群的无障碍交互与隐私信任问题。评估指标涵盖每日误报率、故障恢复时间及系统长期可靠性,旨在支持符合 AI 监管要求的规模化部署。

  5. arXiv · 机器人与计算机视觉83

    Sensorimotor Alignment:具身策略成功的柏拉图代理

    针对机器人基础模型评估成本高的问题,本文提出 Sensorimotor Alignment(S^2),一种无需训练的离线指标,用于衡量模型感官表征与物理运动几何结构的对齐程度。研究发现 S^2 与下游机器人任务成功率呈正相关,可作为低成本代理优先筛选模型或识别有潜力的视觉语言模型骨干网络。该工作将柏拉图表示假设扩展至具身智能领域,为理解模型成功原因提供表征层面的解释。

    推荐理由:提出无需训练的离线指标 S^2,通过感知表征与物理运动几何的对齐程度预测机器人任务成功率。

  6. arXiv · 机器人与计算机视觉80

    WorldForge V2:激发视频扩散模型中的相机 - 轨迹对齐

    论文提出了 WorldForge V2 方法,旨在解决视频扩散模型在空间任务中相机控制不精确及时空不一致的问题。该方法采用无需训练的引导框架,利用 warped references 迭代优化生成过程,并通过光流分析分离运动控制与外观特征。

    推荐理由:提出无需训练的引导框架与轨迹 LoRA,在视频扩散模型中实现精确相机控制并保留生成能力。

  7. arXiv · 机器人与计算机视觉72

    Dispersive Tree Agreements for Multi-Robot Coordination

    该论文提出了名为 WarpWeaver 的分布式实时规划算法,旨在解决非线性系统的多机器人协同最优控制问题。研究将原有的单机器人分散式树搜索框架扩展至多机器人团队,通过局部约束替代互耦并采用分散式列生成进行空间租金协商,从而在准静态状态下认证近优解。

  8. arXiv · 机器人与计算机视觉58

    面向空间理解的点级可修正语义映射方法

    该预印本论文提出一种在线可修正的语义映射框架,利用多视图时序证据持续更新物体表示的点级置信度,结合跟踪与重识别保持实例身份。实验显示在 Replica 和 ScanNet 数据集上分别提升 3.46% 和 2.55% 的映射精度,并在动态环境与感知噪声下表现鲁棒,支持物体导航与具身问答任务的成功率分别为 82.4% 和 76.7%。

  9. arXiv · 机器人与计算机视觉78

    Ask About the Right Moment:训练自由型物体身份推理用于视频语言模型

    该研究针对视频语言模型难以在时间序列中区分同一物体的问题,提出了'Track, Then Bind'的无需训练方法。通过可提示的视频追踪器固定候选对象并编号,再由冻结的视觉 - 语言模型对识别证据进行静态问答以绑定目标与轨迹,最终基于追踪状态推导答案。

    推荐理由:提出无需训练的'先追踪后绑定'方法,解决视频语言模型在长时序物体身份维持上的难题。

  10. arXiv · 机器人与计算机视觉78

    一种用于可扩展跨会话室内导航的稀疏拓扑度量图

    该论文提出稀疏拓扑度量图作为室内环境的高效结构表示,通过节点编码局部 3D 几何、边捕获可通行连通性,利用学习到的图匹配网络在跨会话中建立稳定对应。实验显示该方法在 Gibson 数据集上达到 77.1% 的成功率,在 3D-FRONT 场景变化下为 40.0%,内存占用比点级表示减少两个数量级以上,支持跨会话对齐与目标导向导航。

    推荐理由:提出稀疏拓扑度量图方法,在跨会话室内导航任务中实现高成功率并大幅降低内存消耗。

  11. arXiv · 机器人与计算机视觉84

    FocusVLA:面向视觉语言动作模型的意图引导动态视图路由方法

    针对现有视觉语言动作模型过度依赖腕部视角、缺乏跨任务阶段全局与局部观察自适应协调的问题,论文提出 FocusVLA 框架。该方法通过历史动作预测未来交互意图并指导动态视图路由,在不修改核心架构的前提下适配现有 VLA 系统。

    推荐理由:提出 FocusVLA 框架,利用未来意图引导动态视图路由,在 RoboTwin 2.0 及真实场景中显著提升 VLA 模型成功率。

  12. arXiv · 机器人与计算机视觉78

    基于全身运动引导的不确定性感知顺从性辅助参考生成方法

    该论文针对外骨骼在复杂交互中难以可靠提供辅助的问题,提出一种结合多模态轨迹生成与可变导纳控制的双环策略。系统利用全身人类运动和外骨骼本体感知数据,通过去噪过程合成未来轨迹,并将任务描述作为语义线索。

    推荐理由:该预印本提出结合全身运动与本体感知的双环辅助策略,通过轨迹方差量化不确定性以调节刚度,实验显示能降低肌肉激活与代谢能耗。

  13. arXiv · 机器人与计算机视觉59

    AstroBench:面向空间机器人自由浮动抓取的基准测试与开放数据集发布

    AstroBench 是一个针对固定基座机械臂在太空舱内进行自由浮动物体抓取与操作任务的开源基准。该基准整合了基于 MELFI 硬件的样本存储任务和基于 Robotic Refueling Mission 的加注服务任务,提供九个任务定义及 29 种目标组合,并包含经过元数据过滤的 Objaverse 资产库(8,414 个实例)和五种舱内视觉上下文。

  14. arXiv · 机器人与计算机视觉58

    TRACE:基于 VLM 驱动的可通行性感知反应式导航框架

    论文 TRACE 提出一种面向非结构化森林环境的自主地面机器人导航框架。该方法利用视觉语言模型(VLM)生成的正负自然语言提示置信度图,通过证据融合生成稠密可通行性地图,并提取边界作为软约束融入非线性模型预测控制(NMPC)。实验在真实森林环境中验证了其在杂乱、变形及视觉模糊地形下的平滑导航能力。材料为预印本论文,未提及同行评审状态或具体部署规模。

  15. arXiv · 机器人与计算机视觉65

    Verus-Insight:迈向可解释的 AI 生成视频伪影检测

    论文提出将伪影检测重构为包含检查规划、证据验证和证据聚合三个互补能力的结构化流程,并引入人工锚点监督训练框架 Verus-Insight 及细粒度评测基准 Verus-Bench。实验表明该方法在细粒度伪影分析与 AI 生成视频检测上表现优异,能更可靠地将相关检查目标转化为支持的伪影证据,同时减少虚假指控。材料为预印本版本,未提及同行评审状态或具体部署结果。

  16. arXiv · 机器人与计算机视觉74

    Loop to Look Better:面向问答引导感知的自适应深度学习

    论文提出 LoopLook,一种轻量级编码器侧循环感知框架,为预训练视觉语言模型赋予自适应视觉深度。该方法通过循环重访视觉编码器中段至后段窗口并注入问题表征来引导视觉细化,利用学习到的停止机制自适应决定循环深度,并通过 Token 级混合视角(MoL)组合不同循环的表征。

  17. arXiv · 机器人与计算机视觉58

    月球视觉 SLAM 前端特征匹配评估:SuperPoint 在低纹理地形下的鲁棒性分析

    该论文针对月球车在无导航卫星服务依赖的相对导航与危险检测场景,对比了十一组经典与学习型特征匹配器在九类合成及月面模拟数据集上的表现。研究发现 SuperPoint 组合在旋转不变性指标下优于 SIFT,且在八组连续数据集中保持跟踪能力;但在联合评分时 SIFT 在部分合成数据上更优,表明合成数据无法完全代表真实月球影像性能。

  18. arXiv · 机器人与计算机视觉78

    FilmFlow:用于三维虚拟电影摄影的智能体系统

    论文介绍 FilmFlow,这是一个将自然语言指令或参考视频转换为动态三维环境中明确相机轨迹的智能体框架。系统由导演智能体主导,协同解释器、侦察员和评论家三个专用智能体,通过组合原子操作控制平移、旋转和构图。

    推荐理由:该工作提出 FilmFlow 智能体框架,将自然语言或参考视频转化为可执行的三维相机轨迹,并在 CinemaBench 基准上表现最优。

  19. arXiv · 机器人与计算机视觉85

    Learning from Next-Frame Prediction: Towards Unified and Scalable Visual World Modeling (arXiv:2610.30724)

    论文提出 VANE 框架,利用冻结语义分词器提供的固定嵌入空间进行下一帧预测,通过因果编码器总结过去观测以推断整个下一帧的表示,并辅以轻量生成解码器重建细粒度细节。

    推荐理由:该工作提出基于嵌入空间的下一帧预测框架 VANE,在统一图像与视频建模及动作预期任务上取得 SOTA 效果。

  20. arXiv · 机器人与计算机视觉78

    ParaLin++:通过内在部分线性结构加速并行扩散积分器

    该论文提出 ParaLin++,这是一种步数平行的采样器,旨在保留全步离散化同时加速求解器迭代。研究指出,传统免训练少步采样方法在语义组合、密集指令和长文本渲染基准上存在质量下降风险,而平行采样是例外。

    推荐理由:该工作提出 ParaLin++,在保留全步离散化同时加速求解器迭代,实验显示其在 Stable Diffusion-v2 等模型上可将采样速度提升 1.68 至 4.8 倍且保持质量。

  21. arXiv · 机器人与计算机视觉78

    AgentDreamer:面向文本可控物理仿真的代理式三维运动推理

    论文提出了 AgentDreamer,这是一个由智能体引导的优化框架,旨在通过显式的三维运动规划将文本指令与仿真运动对齐。给定文本指令和场景几何,现成的智能体将其转化为结构化语义运动先验(指定移动对象、方向及时间顺序),并用参数化函数表示以生成密集三维轨迹。

    推荐理由:提出 AgentDreamer 框架,利用智能体生成语义运动先验并优化可微 MPM 模拟器以对齐文本指令与物理可行运动。

  22. arXiv · 机器人与计算机视觉73

    PATH:面向越野遥操作的偏好感知可通行性估计

    论文提出 PATH-Net 框架,解决地面车辆遥操作中忽视操作员速度与风险偏好的问题。该方法融合视觉几何鸟瞰特征与短时历史状态,利用最大熵逆强化学习和稀疏速度监督优化建议。实验显示在 225 条轨迹上,激进与保守策略的修改豪斯多夫距离分别为 0.17m 和 0.15m,NASA-TLX 负荷评分从 34.7 降至 22.2。材料为预印本,未提及同行评审状态或开源代码。

  23. arXiv · 机器人与计算机视觉78

    OASIS:面向动态环境开放词汇检索与导航的在线锚点中心场景推理系统

    针对现有机器人建图方法在语义上下文与计算成本间的权衡难题,论文提出 OASIS 统一系统,利用稀疏锚点节点整合多模态表征以支持推理、验证与导航。系统在仿真和真实环境中演示了复杂开放词汇检索、动态环境导航以及在场景变化后对位移物体的重定位能力。材料为预印本,已获 ACM Multimedia 2026 口头报告录用。

    推荐理由:提出基于锚点的在线推理系统,在仿真与真实环境中验证了动态场景下的开放词汇检索、导航及物体重定位能力。

  24. arXiv · 机器人与计算机视觉48

    Alpha:LLM 驱动具身操作系统的故障注入与鲁棒性评估框架

    Alpha 是一个针对 LLM 驱动具身操作的仿真故障注入与鲁棒性评估框架,通过向感知、执行和规划层注入校准后的故障来揭示失效根源。在包含 150 个回合的平衡矩阵中,确定性脚本预言家以 64.0% 成功率完胜仅得 44.0% 的 Llama-3 智能体,且排除了规划器输出损坏后两者物理表现完全一致。

  25. Hugging Face Daily Papers78

    AgentVQA:面向智能体视觉理解的统一离线基准

    针对现有智能体评估成本高且碎片化的问题,研究团队构建了 AgentVQA 离线基准,涵盖 Web、机器人、第一人称视频、游戏和空间规划五类场景。该基准从 23 个源数据集人工筛选出 1000 个挑战性实例,其模型排名与在线评测结果一致。

    推荐理由:该基准通过人工筛选构建跨五类智能体场景的离线评测集,揭示了模型在视觉状态维持与空间推理上的主要瓶颈。

  26. Hugging Face Daily Papers84

    SkeLAM:一种用于机器人世界模型的骨架引导潜在动作模型

    论文提出了 SkeLAM 模型,旨在解决传统重建驱动方法中机器人运动与环境响应混杂的问题。该方法将潜在动作分解为由机器人骨架监督的刚体运动分量和保留互补视觉动态的残差分量,并通过跨模态交换重构确保两者可互换。

    推荐理由:提出基于骨架引导的潜在动作模型 SkeLAM,通过解耦运动与视觉动态提升机器人世界模型的生成可控性与零样本迁移能力。

  27. NVIDIA Blog · Physical AI82

    NVIDIA Cosmos 开放新工具以训练、评估和部署世界模型

    NVIDIA 扩展了 Cosmos 平台,推出新的训练工具、仿真检查点和 Cosmos Data Factory 蓝图,帮助开发者快速构建用于理解与模拟现实世界的世界模型。

    推荐理由:NVIDIA Cosmos 平台新增数据工厂蓝图与训练工具,支持多模态合成数据生成及开源模型适配,旨在加速物理 AI 系统的开发与部署。

  28. Hugging Face Daily Papers63

    通过视频阅读、书写、共享与交互世界:视频世界模型综述

    这篇论文提出将视频观察视为潜在时间世界的部分投影,并围绕阅读(推断属性)、书写(合成生成)、共享(统一机制)和交互(预测更新状态)四个操作组织文献。文章回顾了从片段级识别向持久状态、可控演化及物理因果有效性的转变,总结了数据集与基准现状,并提炼了开放挑战。材料为 102 页的预印本综述,未报告真实机器人部署结果或具体性能指标。

  29. Hugging Face Daily Papers58

    HoloBoxing:一种仅需单卡七分钟训练的类人机器人拳击方案

    HoloBoxing 提出了一种利用预训练全身控制器学习类人机器人拳击的简单配方。该方法将可复用的运动技能与任务决策分离,由紧凑规划器请求目标点,冻结控制器处理关节执行,并通过模仿初始化与强化学习结合优化交互行为。实验表明,在复用表示拟合和单卡任务运行的基础上,仅需约七分钟额外训练即可实现模拟拳击实验中的行为评估,无需重新学习全身控制。

  30. Hugging Face Daily Papers82

    RynnUnify:迈向统一的具身大脑

    Hugging Face Daily Papers 转述了一篇 arXiv 论文,介绍 RynnUnify 这一 16B 参数规模的统一具身模型。该模型结合视频语言推理实现长视界视觉规划与物理预测,并通过强化学习扩展智能体能力以推断未观测状态,同时开发世界 - 动作扩展将理解转化为机器人控制。

    推荐理由:该预印本介绍了 RynnUnify 统一具身模型,展示了其在视觉规划、物理预测及机器人控制上的实验结果与基准。

  31. Hugging Face Daily Papers82

    WorldCast:具备世界一致性的角色视频生成与大角度相机控制

    针对现有方法难以跟随结合旋转、平移和半径变化的大角度相机轨迹并导致几何失真的问题,该工作提出 WorldCast 框架与 CLACT 基准。WorldCast 通过将初始帧反投影至三维点云并与目标轨迹对齐来提供显式几何引导,同时利用 Geometry-Aligned Memory Attention 机制在统一坐标系下检索注入角色特征以维持身份一致性。

    推荐理由:该工作提出 WorldCast 框架与 CLACT 基准,解决大角度相机运动下的角色几何一致性问题。

10月22日周四
  1. Google DeepMind27

    Google DeepMind 发布 Forest Typology (ForTy) 2020 全球森林分类图

    Google DeepMind 联合 WRI 与 IIASA 发布 ForTy 2020,以 10 米分辨率将全球土地细分为原生林、人工林等六类并追踪 2017-2025 年变化。该模型基于 AlphaEarth Foundations embeddings,在验证集上对森林类型识别准确率达 90%,非森林识别达 95%。此图支持欧盟反毁林法规合规,提供概率分数供用户调整分类精度。