跳到正文
11月3日周二
  1. arXiv · 机器人与计算机视觉75

    超越策略补丁:将强化学习专家蒸馏为视觉语言动作策略

    针对 VLA 策略在短周期高精度操作阶段失效的问题,本文提出 REPAIR 框架,通过离线初始化与在线优化结合的方式,将轻量级 RL 专家的能力蒸馏至单一流匹配 VLA。该方法利用 RL 专家的监督分布训练 VLA,最终移除专家控制器实现独立部署。实验显示,REPAIR 在六项真实机器人任务中均达到 100% 成功率,且末端执行器抖动低于专家辅助执行水平。

  2. arXiv · 机器人与计算机视觉58

    源解析集体认知:机器人与多模态估计的数学基础及其在认知循环中的作用

    Juergen Graf 发布了一篇关于广义奇异值分解(GSVD)在机器人学中应用的预印本论文,系统推导了线性代数与统计估计所需的完整理论框架。该研究将 GSVD 应用于多模态和集体估计问题,分析了信息归因、子空间几何及决策判别等核心要素,并提供了经过数值验证的参考实现代码。

  3. arXiv · 机器人与计算机视觉62

    Visuo-tactile Diffusion Policy for Robotic Manipulation with Auxiliary Tactile Dynamics Prediction

    该研究针对长周期机器人装配任务,提出了结合视觉与触觉信息的扩散策略模型。模型利用四步历史数据整合双摄像头视图与指尖触觉图像,并通过辅助目标预测未来两步的触觉变化以捕捉接触状态演变,该目标仅在训练阶段使用。在 MuJoCo 平台进行的三次独立实验显示,全模型平均成功率为 59.0%,较仅视觉基线提升 16.3 个百分点。

  4. arXiv · 机器人与计算机视觉85

    HeLM:面向非马尔可夫操作的层次化显式语言记忆

    针对现有视觉 - 语言 - 动作(VLA)模型依赖马尔可夫假设导致长程任务失败的问题,本文提出 HeLM 框架,通过分层事件检测与触发式记忆更新维护任务相关历史。

    推荐理由:提出分层显式语言记忆框架,在非马尔可夫任务中显著降低显存并提升成功率。

  5. arXiv · 机器人与计算机视觉82

    W2A:将世界先验蒸馏进动作模型以实现实时机器人控制

    针对现有世界动作模型(WAMs)因需显式想象未来状态而导致计算开销大、难以满足实时控制的痛点,本文提出 W2A 框架。该方法在训练阶段将视频扩散模型的中间去噪表示蒸馏至动作模型,测试时完全丢弃视频模型,假设压缩的低维子空间足以提供有效监督。实验表明,W2A 在 LIBERO 基准上平均成功率达 95.9%,推理速度比代表性 WAM 基线快约 21 倍,兼顾了高成功率与高效率。

    推荐理由:提出将视频扩散模型的中间去噪表示蒸馏至动作模型,测试时完全丢弃视频模型,在保持高成功率的同时显著降低推理延迟。

  6. arXiv · 机器人与计算机视觉83

    带躯干的弹簧质量体附肢跑步者的中心支点控制:周期步态、稳定化与模板嵌入

    针对传统 SLIP 模型无法描述躯干运动的问题,该研究提出一种中心支点(CPP)控制律,通过髋关节力矩引导地面反作用力穿过质心,将三维问题解耦为平面中心力问题。

    推荐理由:该研究提出中心支点控制律,使带躯干的双足奔跑模型可解析求解并实现稳定周期步态。

  7. arXiv · 机器人与计算机视觉82

    Gnomon4D:基于几何运动的视频 - 动作联合建模研究

    论文提出 Gnomon4D 世界动作模型,通过 GeoDelta 几何运动场显式编码物体与机器人点的跨帧位移和深度变化,结合 InSAttn 注意力机制聚焦任务相关交互区域。

    推荐理由:该工作提出 GeoDelta 几何运动场与 InSAttn 注意力机制,在仿真基准上超越最强基线,为理解物理交互提供新范式。

  8. arXiv · 机器人与计算机视觉58

    无需协调:基于强化学习的八臂软体游泳器自主游动研究

    该论文研究了多自由度软体机械臂的协同游动问题,提出在共享节律驱动下独立学习各臂激励幅度的控制策略。通过近端策略优化(PPO)对比了无相位耦合、预设相位耦合及端到端三种方法,在无相位耦合策略中,200 个随机三维速度指令任务中有 169 个满足跟踪标准,显著优于其他两种策略。研究结果表明,有效的八臂游动无需预设的臂间相位耦合,可通过学习特定幅度的调制在节律控制结构内实现。

  9. arXiv · 机器人与计算机视觉72

    学习生物启发四足机器人的目的性协同设计

    本文介绍了一种名为 Dogger 的生物启发四足机器人及其协同设计方法。作者提出将形态设计与控制策略结合的两阶段框架:利用强化学习和贝叶斯优化训练跨设计的形态条件化控制策略,并在任务特定设计中固定该策略。实验结果显示,零样本部署的设计在检查和负载携带任务中分别降低了 18.6% 和 35.7% 的运输成本,证明了扩展物理设计空间对于实现任务驱动协同设计的重要性。

  10. arXiv · 机器人与计算机视觉58

    Late Autumn:LLM 代理为单一仓库特化通用多机器人规划器

    论文 Late Autumn 探索利用 LLM 编码代理进行自主研究,将通用的多机器人规划器特化为适应特定仓库布局的方案。研究在模拟现有自动化仓库的地板上进行了六次实验,发现该方法能将吞吐量提升 22% 至 60%,且该增益在未见过的新种子数据上依然成立;代理重新发现了走廊出口优先级、局部引导等已知机制。

  11. arXiv · 机器人与计算机视觉47

    Directional Bounded-Confidence Matrix Alignment in Vicsek Flocking 提出方向有界置信度变体模型并证明全局适定性

    该研究提出离散时间 Vicsek 多智能体模型的定向有界置信度变体,利用状态依赖矩阵独立调节视线坐标系下的正交径向与切向分量。理论证明了任意网络状态下提案向量的均匀非消失下界及局部小扩散态的线性几何收缩性,数值实验在多种子基准上展示了优于未过滤平均和标量基线的固定边界对齐效果。

  12. arXiv · 机器人与计算机视觉78

    考虑机器人精度与速度增强的人体感觉运动模型自适应方法

    该论文针对人机协同操作中的轨迹规划问题,提出一种将任务约束与基于 Fitts 定律的时间约束融入随机最优控制的方法。通过递归最小二乘法估计参数,使机器人能根据人类行为调整自身运动时长以对齐双方协作。研究假设速度提升源于机器人的精度增强,并在机器人控制重复自由度、人类适应互补自由度的定位任务中验证了该方法在计算上适合在线使用且能收敛加速,但指出未来需进行更深入的人类学研究。

    推荐理由:该文提出结合 Fitts 定律与随机最优控制的方法,使机器人能根据人类行为调整运动时长并提升速度。

  13. arXiv · 机器人与计算机视觉47

    Directional Bounded-Confidence Cucker-Smale Flocking 模型提出方向性有界置信度扩展,证明指数级速度共识并验证全局对齐恢复能力

    该研究引入 Directional Bounded-Confidence Cucker-Smale (CS) 模型,通过分解相对速度建立能量耗散恒等式与集群收敛保证。仿真验证了精确耗散平衡,证实方向性门控机制在传统各向同性置信律导致极化场景中成功恢复全局对齐。论文为 arXiv:2611.02173v1 预印本,属于机器人学领域理论进展。

  14. arXiv · 机器人与计算机视觉45

    历史感知力传感与可调刚度:一种用于软体折纸细胞的物理 AI 方法

    针对软体机器人接触力估计难题,该工作提出了一种 3D 打印的聚醚嵌段酰胺(PEBA)Kresling 折纸细胞结构。模型利用磁角传感与多尺度门控循环单元网络,在零表压测试下实现 0.76 N 均方根误差,并在 +20 kPa 正压下将轴向刚度提升约两倍且误差低于 0.93 N。该方法还实现了负压下的自感知驱动,为软体折纸系统整合力反馈、可调刚度与自感知执行提供了紧凑方案。

  15. arXiv · 机器人与计算机视觉73

    当延迟遇上漂移:机器人基础模型的物理安全是一个跨层问题

    论文指出机器人基础模型在闭环执行中的物理安全并非独立属性,而是环境、模型、计算平台及执行策略交互的结果。研究基于 pi0.5 模型在 LIBERO 基准上的 4,000 次闭环实验发现,400 ms 推理延迟虽仅使安全违规率从训练视角提升 3.5 个百分点,但在 60 度相机偏移场景下却激增至 37 个百分点,其交互效应比两因素简单叠加高出 33.5 个百分点。

  16. arXiv · 机器人与计算机视觉43

    Local Solution Repair 方法提升多智能体拣选配送任务吞吐量

    Local Solution Repair(LSR)是一种目标重规划方法,通过运行时检测次优行为并局部优化计划,解决了现有 MAPD 方案在大规模部署中因回溯和闲置导致的效率低下问题。该方法修复了 M2M 和 LNS-PBS 等最先进基线的解决方案,在三环境长视界仓库仿真中,任务吞吐量提升超 5.9%,减少约 3.6 万次次优实例且仅增加少量计算时间。

  17. arXiv · 机器人与计算机视觉83

    Scene-Adaptive Readout and Decoding in Diffusion Driving VLAs

    针对扩散驱动视觉语言动作模型(Diffusion driving VLAs)在每个去噪阶段重复执行骨干网络导致的高推理成本问题,本文提出一种场景自适应读出与解码框架。

    推荐理由:提出场景自适应读出与解码框架,在 Waymo E2E 基准上推理加速最高达 6.0 倍,同时提升轨迹预测质量。

  18. arXiv · 机器人与计算机视觉48

    DARE:基于回顾性修正的扰动感知检索长视界动力学预测框架

    DARE 是一种几何感知的关系动力学框架,利用回顾性修正改进密集存储环境下的长视界预测。该模型通过对象级消息传递预测接触传播,并在稀疏观测可用时修正早期状态以重演动力学。在 Planar 和 RoboCasa 环境中实验表明,DARE 能有效平衡检索进度与周围物体的位移旋转,提升鲁棒性与泛化能力。

  19. arXiv · 机器人与计算机视觉58

    具身视觉语言模型是否真的使用其场景图记忆?

    针对具身智能体在路线问答任务中如何有效利用场景图记忆的问题,本文提出一种图交换测试法来诊断视觉语言模型(VLM)是否真正依赖该记忆。研究发现在两条至七条房间的路线基准上,文本形式能显著提升回答准确率,而标准池化或延迟融合方式下的图编码则无法被模型利用;仅当为每个节点分配独立输入 token 时才能部分恢复效果。

  20. arXiv · 机器人与计算机视觉78

    Reconstruction as Spatial Evaluation:诊断大模型的跨视角空间智能

    论文提出 RECONSPATIAL 基准,利用真实多视角图像要求大语言视觉模型预测共享坐标系下的定向 3D 边界框,评估结构布局与度量精度两个维度。实验显示 GPT-6-Astra 等前沿模型在结构任务表现优异但度量重建存在显著差距,诊断分析表明仅靠关系一致性无法保证物理尺度准确,且几何误差会限制导航成功率。

    推荐理由:该基准通过多视角重建任务揭示大模型在相对结构与度量精度间的差距,并验证了空间微调的泛化能力。

  21. arXiv · 机器人与计算机视觉68

    基于潜在空间控制屏障函数的安全感知运动规划方法

    针对现有潜在空间路径规划框架中二元碰撞分类器存在的梯度饱和及缺乏时序结构导致优化停滞的问题,本文提出用在潜在空间直接学习的神经控制屏障函数替代。该方法结合三项目标函数训练屏障,并在规划时通过一阶修正将指向目标的步骤投影回约束面。

  22. arXiv · 机器人与计算机视觉38

    Mediapipe 与 Intel RealSense D455 构建的 VR 遥操作系统在 CHARMIE 机器人上实现物体操作验证

    该系统融合 Mediapipe 2D 姿态检测与 Intel RealSense D455 RGB-D 数据,通过映射人体运动学实现 CHARMIE 服务机器人的直观远程操控。真实实验验证了其在物体操作任务中的有效性,但腕部偏航角等关节角度捕捉仍存在精度挑战。未来工作将集成 IMU 以提升旋转追踪并引入更先进的控制算法。

  23. arXiv · 机器人与计算机视觉48

    通过人机回环反馈实现外骨骼辅助策略的递归自改进框架研究

    该研究提出一种利用智能体自动生成控制代码并通过人类反馈自主演进外骨骼辅助策略的闭环框架。实验使用 GPT、DeepSeek、GLM 和 Kimi 四模型评估,单次迭代后所有模型均实现有效辅助,相比无外骨骼状态,肱二头肌与肱三头肌激活度分别降低 29.4% 和 35.2%。研究指出当前策略对突发情况适应性有限,需进一步提升鲁棒性与安全性。

  24. arXiv · 机器人与计算机视觉83

    服务代理型机器人集群:工作负载特征、KV 缓存抖动与准入控制

    该研究量化了由 GPT-6-Astra、RPent 和 pi0.5 生成的 80 个 LIBERO-PRO 任务集的工作负载,发现视觉语言大脑的长上下文 KV 缓存会挤占动作策略的执行资源。在 H800 GPU 上,静态并发上限可将吞吐量从约 2.4 提升至 5.00-5.55 任务/分钟,并满足严格的动作截止时间要求。

    推荐理由:论文量化了多机器人集群中视觉语言大脑与动作策略的并发资源冲突,提出基于工作负载特征的准入控制原则。

  25. arXiv · 机器人与计算机视觉76

    无需训练的快速执行:低延迟下视觉语言动作模型的保路径时间缩放

    论文提出 Path-preserving Time Scaling (PTS),一种针对冻结动作分块策略的无需训练执行层。该方法将机器人运动视为参考路径的时间重参数化,通过解码器确定性地处理重规划并进入推理消耗进度,同时保持机械臂速度以匹配夹爪移动速率。

    推荐理由:提出无需训练的 PTS 执行层,解决 VLA 模型推理延迟导致的停顿与低速问题,在 LIBERO 基准上显著提升吞吐量。

  26. arXiv · 机器人与计算机视觉72

    基于机载单目视觉的敏捷人形机器人躲避球研究

    该论文研究了人形机器人在共享动态环境中应对快速接近物体的能力,以躲避球为测试场景,开发了集成机载单目感知、时序球体状态估计和全身控制的系统。系统通过三阶段课程学习,先在仿真中训练控制策略,再逐步引入视觉估计器监督并替换特权输入,利用解析投影和感知随机化进行无渲染图像的训练。

  27. arXiv · 机器人与计算机视觉57

    ClothDojo:面向双臂衣物平整与折叠的学习型数据生成与基准平台

    ClothDojo 是一个用于双臂机器人衣物平整和折叠任务的仿真平台,能够大规模生成适应不同衣物结构和初始状态的自适应操作轨迹。该平台将衣物的规范网格坐标编码为 NOCS 纹理以提供视觉线索,并通过微调预训练的视觉语言动作模型获得数据生成策略。

  28. arXiv · 机器人与计算机视觉82

    Auriga 技术报告:面向零样本具身操作的通用代理框架

    该研究提出 Auriga,一种任务无关的代理框架,旨在解决视觉语言模型作为机器人策略时的规划 - 执行鸿沟问题。在 RoboDojo 平台上,Auriga 无需目标任务试错或重置即可消除 68.3% 的执行差距,使 GPT-6 Astra 的成功率从参考控制界面的 22.5% 提升至 76.2%,并在榜单上以 57.7% 的成功率和 64.0 分排名第一。

    推荐理由:报告提出 Auriga 代理框架,在零样本操作任务中显著缩小规划与执行差距,提升 RoboDojo 榜单成功率。

  29. arXiv · 机器人与计算机视觉48

    HALO-LP:一种用于线性规划的齐次全移位非内点法及其在四足机器人最优控制中的应用

    HALO-LP 是一种结合齐次自对偶嵌入与全移位非线性互补函数的新型线性规划方法,支持任意原对偶热启动且无需严格内点迭代。数值评估显示其在 Netlib 测试集扰动实例上实现最先进热启动性能,并验证了最优性与不可行性检测能力。该方法通过序列线性规划应用于四足机器人质心行走与踏行的最优控制任务。

  30. arXiv · 机器人与计算机视觉23

    Generalizable robotic manipulation through compositional skill reuse:通过组合技能复用实现通用机器人操作的研究

    Hao Ren 等人提出通过组合技能复用实现通用机器人操作,旨在解决具身智能中的泛化难题。该研究将机器人技能分解为可复用的原子单元,使其能灵活应对未见过的任务场景。论文已提交至 arXiv(编号 2611.00978),目前处于预印本阶段,代码与权重开放情况待进一步确认。

  31. arXiv · 机器人与计算机视觉78

    为什么 Koopman 结构无法帮助可微世界模型进行类人机器人全身跟踪

    该论文测试了将 MLP 世界模型替换为具有升维状态空间线性动力学的 Koopman 结构后,对 Unitree G1 全身体跟踪策略的影响。实验发现 Koopman 结构并未带来性能提升(返回精度持平甚至略低),且训练速度变慢约 15%。研究指出,由于策略动作跨越曲率区域,仿射模型仅在策略操作点切线处准确,而 MLP 能直接读取动作信息,因此在固定状态下表现更好。

    推荐理由:实验表明在 Unitree G1 全身体跟踪任务中,Koopman 线性结构并未提升可微世界模型性能,MLP 仍是更优选择。

  32. arXiv · 机器人与计算机视觉70

    以透明度换稳定性:用于开启未固定家具门的摩擦锥约束双边遥操作

    开启未固定家具的门会加载支撑处的摩擦力接触,过大的拉力会导致物体滑动或倾覆。本文提出一种基于摩擦锥约束的双边遥操作方法,通过鲁棒摩擦锥投影(RFCP)在保持力觉透明度的同时保证家具静止。实验在三台柜子和两种支撑条件下由五名操作员完成 100 次试验,量化了稳定性与透明度的权衡并验证了方法的有效性。