跳到正文
10月22日周四
  1. arXiv · 机器人与计算机视觉78

    NormLift:从提升特征到 3D 高斯泼溅的语义可靠性

    论文提出 NormLift 框架,无需训练即可将 2D 语义特征映射到 3D 高斯泼溅模型中。作者从 3D 视角重新审视特征提升过程,将其建模为 CLIP 单位球上的余弦对齐问题,证明 L2 归一化后的反向投影特征是闭式解。

    推荐理由:该文提出 NormLift,从 3D 视角重新解释特征提升机制,利用特征范数量化语义可靠性并指导模式投票修正漂移方向。

  2. arXiv · 机器人与计算机视觉78

    ReStruct:基于物理感知的任务结构重配置实现推理时机器人行为引导

    论文提出了 ReStruct 方法,旨在解决部署学习到的机器人策略时的推理时行为引导难题,即在无需重新训练的情况下将策略导向用户偏好。该方法构建于神经自动机策略之上,将其分解为捕捉任务结构的高层状态机骨架和表示残差策略的低层连续控制器。

    推荐理由:提出 ReStruct 方法,通过重构任务结构实现推理时行为引导,在仿真与真实世界中均优于现有方法及 VLA 模型。

  3. arXiv · 机器人与计算机视觉78

    μ_0:一种可扩展的 3D 交互痕迹世界模型

    论文提出了 μ_0,这是一种基于 3D 轨迹的可扩展世界模型,旨在通过预测物体、工具及接触区域的平滑 3D 轨迹来替代像素重建或直接动作建模,从而实现无需具身特定标签的机器人学习。

    推荐理由:该工作提出基于 3D 轨迹的世界模型,无需动作标签即可实现跨机器人泛化,预训练版本已接受 CoRL 2026。

  4. arXiv · 机器人与计算机视觉65

    HEHA:面向受限路由的有界次优规划及其在异构多机器人未知环境探索中的应用

    该论文提出 HEHA(分层异构代理探索)框架,解决无人机、轮式及足式等异构机器人在复杂地形下的未知环境探索问题。核心贡献是全局规划算法 RCH,能在遍历性约束下快速求解大规模受限多重哈密顿路径问题,将最大路径长度(makespan)降低 47%,整体探索时间缩短 30%;局部规划器亦考虑异质性以避免重复探索。材料为 arXiv 预印本,未提及同行评审状态或真实部署结果。

  5. arXiv · 机器人与计算机视觉57

    渐进式排列对齐与温度控制谱锐化:解决隐式神经表示中的排列对称性问题

    论文提出一种名为‘渐进式排列对齐’的方法,用于解决隐式神经表示(INRs)中因排列对称性导致的权重空间距离过大及插值损失壁垒问题。该方法采用逐层策略,先通过匈牙利算法获取离散锚点估计相关矩阵并进行对齐,再利用温度控制的谱退火将结构锐化至置换矩阵,最后进行逐层权重匹配优化。

  6. arXiv · 机器人与计算机视觉78

    物理参数偏移下的因果世界模型

    针对世界模型在物理条件超出训练分布时精度下降的问题,本文研究了输入选择与计算机制两个因果建模组件。在合成基准中,冻结的依赖掩码将 OOD 均方根误差从 1.769 降至 0.697;在 CausalWorld 机器人连杆质量外推任务中,引入显式仿射系数的指端局部世界模型,使已知 PD 控制器下的关节 R2 中位数从 0.609 提升至 0.727。

    推荐理由:该工作通过显式参数化动力学偏置项,使因果世界模型在物理参数发生偏移时仍能保持预测精度。

  7. arXiv · 机器人与计算机视觉53

    强化学习在FPGA与集成电路平台的硬件加速与系统级优化:综述

    Hamza Kheddar 发布了一篇关于强化学习在 FPGA 和集成电路平台上进行硬件加速及系统优化的综述论文。文章梳理了超过100项相关研究,按 RL 家族、抽象层级、硬件实现策略及应用领域进行分类,重点分析了模型架构、实施方法、性能评估(资源利用率、延迟、吞吐量等)以及软硬件协同设计中的挑战与未来方向。

  8. arXiv · 机器人与计算机视觉74

    重新思考视频自编码器以构建交互式世界模型:CADRE 系列研究

    论文提出 CADRE,这是一个开放的因果扩散表示自编码器家族,旨在解决现有视频世界模型复用文本生成模型且无法针对代理等待时间进行压缩优化的问题。该系列通过冻结特征瓶颈和蒸馏解码器,在操作(manipulation)与导航(navigation)两个领域的四个环境中训练,探索了不同时空压缩策略对延迟 - 质量前沿的影响。

  9. arXiv · 机器人与计算机视觉82

    PhysiCalWorld:面向世界模型的上下文物理校准

    针对现有世界模型在观测中难以捕捉物体质量分布、关节阻尼等物理属性导致预测回归经验先验的问题,本文提出 PhysiCalWorld 方法。该方法通过端到端训练,将测试场景内的探索性交互片段编码为紧凑的物理描述符 token,无需微调或解析物理建模即可校准动作条件化的世界模型以适配实例特定动力学。

    推荐理由:提出无需微调的上下文物理校准方法,通过探索性交互片段生成紧凑描述符以修正世界模型的物理漂移。

  10. arXiv · 机器人与计算机视觉72

    多模态具身智能体:从电脑使用到机器人使用的统一能力视角

    论文定义多模态具身智能体(MMEA)为耦合多模态任务推理与物理动作的系统,提出PAPAV框架以感知、预测、规划、行动和验证五种功能重新审视该领域。研究指出当前评估过度依赖任务成功,而忽视对预测和验证能力的考察,并分析了从电脑使用转向机器人使用时面临的物理约束挑战。

  11. arXiv · 机器人与计算机视觉83

    ASTEROID:一种基于不对称同策略蒸馏的测试时探索学习框架

    针对部分可观测环境下的序列决策难题,本文提出 ASTEROID 框架,利用学生 - 教师监督学习架构实现高效的测试时探索。该方法让学生先收集同策略上下文,再由特权专家提供条件化动作标签,使学生学会在不确定时搜索、揭示隐藏状态后利用。

    推荐理由:提出 ASTEROID 框架,通过不对称同策略蒸馏让学生在部分可观测环境下学会测试时探索,仿真转现实成功率提升 40%。

  12. arXiv · 机器人与计算机视觉42

    ProactEgoMem:首个流式第一人称视频主动记忆基准评测

    ProactEgoMem 基准通过信息捕获、状态追踪和位置追踪三项任务,评估智能体在流式第一人称视频中维护主动记忆的能力。该基准包含 Daily/Sci 两条轨道及 QA 问答集,涵盖 300/100 个视频片段与对应问题,发现包括开源在内的最强模型均无法及时准确捕获记忆。此工作为多模态助手与共存用户的视频智能体提供了严格的评测基础。

  13. arXiv · 机器人与计算机视觉42

    仿真训练的人形控制器能否在月球行走?重力、地形与土壤迁移研究

    该研究在模拟 Unitree G1 上训练策略,发现地球训练的模型在月球平坦刚性地面生存率为 0.64 至 0.75,而月球训练策略无法站立于地球。粗糙地形训练将地球和月球的综合瓦片生存率分别提升至 0.98 和 0.99,且重力随机化策略在关键测试单元的平均生存率至少为 0.84(地球)和 0.96(月球)。所有结果均为基于接触模型与土壤刚度的仿真预测。

  14. arXiv · 机器人与计算机视觉83

    SP-HLM:基于稀疏姿态驱动的人形机器人全身控制与运动生成方法

    论文提出了 SP-HLM 框架,旨在解决人形机器人全身操控中高层策略与底层控制的接口问题。该框架采用稀疏姿态驱动机制,结合任务关键的五个体位与学习得到的潜在运动先验来表征空间意图和全身协调。

    推荐理由:该工作提出稀疏姿态驱动的人形机器人全身控制框架,通过解耦任务意图与运动协调,在仿真及真机实验中提升了人形机器人的运动跟踪与操作成功率。

  15. arXiv · 机器人与计算机视觉47

    TARSphere:面向动态环境的具身智能全栈框架与评测基准发布

    TARSphere 是一个面向物理与社会约束的具身智能全栈框架,包含运行策略的物理仿真器、事件驱动状态机及冻结多模态大语言模型(MLLM)执行脑。该框架构建了涵盖 30 个室内场景共 360 集任务的 TARSphere-Bench 基准,评估了导航报告与取放交付任务在感知鲁棒性、人类协作等五方面的表现。实验显示通用 MLLM 可超越具身模型但难以处理任务更新与人机交互,且执行安全需独立评估。

  16. arXiv · 机器人与计算机视觉78

    RealMe:基于高分辨率视频扩散模型的沉浸式体素视频生成框架

    论文提出 RealMe 框架,利用高分辨率视频扩散模型将稀疏、低分辨率的采集资源增强为 2K 分辨率且具备 4D 一致性的视频。该方法通过构建辅助数据并引入布局感知的位置嵌入,结合因子化时空注意力机制处理多视角与时间动态,同时应用潜在频率损失以缩小生成视频与真实采集的数据差距。

    推荐理由:该工作提出基于高分辨率视频扩散模型的统一框架,解决稀疏低分辨率采集下的 4D 一致性问题。

  17. arXiv · 机器人与计算机视觉74

    DewHand:基于自下而上视频的度量世界空间手部动作直接重建

    论文提出了 DewHand 模型,旨在从第一人称视频中直接恢复度量世界空间的手部运动和相机运动。该方法采用单阶段联合预测架构,结合 VGGT-Ω的场景几何特征与度量监督以解决尺度模糊问题,并利用流匹配生成式公式处理遮挡和视野外手部情况。

  18. arXiv · 机器人与计算机视觉83

    CausalAlign:面向一致自运动的视频生成模型因果对齐方法

    针对扩散式视频生成模型在长序列中自运动(ego-motion)漂移导致几何不一致的问题,该研究提出 CausalAlign 框架。该方法利用线性探针诊断自运动表征的保留模式,并通过将特定层的表征与 3D 基础模型在 delta-token 空间对齐来增强自运动状态。

    推荐理由:该工作通过因果对齐框架修正扩散视频生成模型的自运动漂移,显著提升了几何一致性与具身任务成功率。

  19. arXiv · 机器人与计算机视觉35

    Expandable Modality Experts 提出医疗视觉语言学习新架构,在九类模态的 25 个基准测试中表现最优或并列第一

    该研究提出基于可扩展模态专家库的医疗视觉语言技术,利用 ViT-Large 骨干网络结合共享视觉计算与确定性路由的前馈专家。方法在七种模态、1940 万无配对图像行及 323 万图文对上预训练对齐,零样本分类平均平衡准确率达 0.674,线性探测为 0.856,双向检索召回率为 20.70%。该技术在不冻结原有路径的前提下实现了模块化学习与表示扩展,已提交至 ICLR 2027。

  20. arXiv · 机器人与计算机视觉72

    GeoMem-VLA:将三维场景理解内化为时序记忆的视觉语言动作模型框架

    论文介绍 GeoMem-VLA 框架,通过专用几何 token 和冻结的几何基础模型监督,将三维场景理解内化为可更新的时序记忆以支持动作生成。该方法在 LIBERO 基准上平均成功率为 98.9%,在 RoboTwin 干净/随机化设置下分别为 91.10% / 91.24%,并在五个真实世界任务中达到 78.0% 的平均成功率。材料为 arXiv 预印本,未提及同行评审状态或开源代码仓库。

  21. arXiv · 机器人与计算机视觉63

    Reading the Room:稀疏 VSLAM 地图到部分建成环境平面图的大尺度模糊语义配准

    论文介绍 Reading the Room(RR) 方法,用于将大尺度模糊、稀疏且含语义信息的视觉同步定位与建图(VSLAM)地图配准到部分建成的建筑平面图。该方法定义单一鲁棒的可微分类平衡语义 - 几何能量函数,提供两种全局初始化方案以处理跨模态匹配和用户提供的粗略对应关系,随后进行局部优化。

  22. arXiv · 机器人与计算机视觉72

    通过信噪比调优解锁流匹配模型的空间定位能力

    该研究针对生成模型难以利用视觉语言编码器中的坐标信息问题,提出通过调整训练过程中的信噪比分布来优化空间定位。实验表明,将训练重点转向高噪声阶段可将布局遵循度从25.9%提升至80.8%,接近潜在变分自编码器的重建上限。该方法无需修改架构即可在COCO数据集上将平均精度从1.0提升至57.3,且发现FLUX.1等模型采用的保守噪声调度不足以实现精确的布局控制。

  23. arXiv · 机器人与计算机视觉78

    Generalized CycleGRPO:首个统一强化学习框架用于细粒度多模态理解与定位

    该论文提出了 Generalized CycleGRPO,这是首个将区域理解与定位耦合在空间、时间及时空域的统一强化学习框架。模型利用重建重叠度作为可验证奖励来优化描述生成,并通过个体定位奖励改进逆映射。

    推荐理由:提出首个统一强化学习框架,通过区域理解与定位的循环一致性实现细粒度多模态自评估。

  24. arXiv · 机器人与计算机视觉43

    AutoPhyX:首个文本条件物理属性生成框架实现高保真 4D 仿真

    AutoPhyX 提出一种文本条件的空间变化物理属性预测框架,通过部分可控数据生成管线与跨模态调制机制解决视觉输入固有的歧义性。该方法在体素场中确保与网格、点云及 NeRF 等多种三维表示兼容,单次前向传播即可实现高准确度的物理参数分配并泛化至野外物体。实验表明其能支持未来对物理密集型具身智能和机器人应用的需求。

  25. arXiv · 机器人与计算机视觉74

    BlazeVGGT:无需训练即可实现 2,000 帧下 13 倍速度的 VGGT

    论文提出 BlazeVGGT,这是一个无需训练的框架,旨在解决 VGGT 在全局注意力机制中因输入视图数量增加而导致的二次方计算复杂度问题。作者发现 VGGT 的相机 Token 存在“先拓扑后几何”的演化规律:浅层 Token 可靠捕获局部视图邻域,深层 Token 逐步编码全局组织化的跨视图几何信息。

  26. arXiv · 机器人与计算机视觉42

    A2I-Calib++:面向足式机器人的全身多 IMU 系统运动学驱动抗噪主动标定框架

    A2I-Calib++ 提出一种无需人工标定靶标或复杂参数调优的运动学驱动抗噪主动标定框架,通过噪声各向异性轨迹、感知约束对抗运动先验控制器及接触受限虚拟 IMU 三大模块解决足式机器人常规运动激励不足与振动干扰问题。

  27. arXiv · 机器人与计算机视觉70

    LiveAct:面向异构动作接口的实时多智能体世界模型

    本文提出 LiveAct 框架,旨在解决现有交互式视频世界模型仅支持单一智能体和特定任务动作接口的局限。该研究引入了异构动作接口(HAI),包含“代理感知空间调制”和“架构引导的动作适应”两个组件,分别实现了对多智能体视觉未来的独立控制以及跨不同任务对同一控制变量语义的解释能力。

  28. arXiv · 机器人与计算机视觉48

    Compressing Onboard Language Models for Space Robots under a Behavioral-Fidelity Requirement 如何压缩空间机器人机载语言模型

    QSelect 方法通过组合 AWQ、GPTQ 和 AutoRound 检查点,在 DeepSeek-R1-Distill-Qwen-7B 等模型上实现更低困惑度。默认模式无需标签即可降低 KL 散度,目标适配模式使 Llama 模型 3-bit 准确率提升 4.3 至 4.5 个点。所有评估均在通用领域基准和地面 GPU 上进行,空间任务与飞行硬件留待后续工作。

  29. arXiv · 机器人与计算机视觉75

    Think-Capture:面向视觉语言模型空间推理的主动三维几何采集方法

    针对视觉语言模型在稀疏视角下难以维持一致三维关系导致空间幻觉的问题,本文提出 Think-Capture 框架。该方法首先识别任务关键物体,随后按需获取其几何信息;利用零样本掩码升维至公共坐标系,并将物体与相机状态压缩为结构化文本符号化表示。

  30. arXiv · 机器人与计算机视觉78

    DriftNeRF:一种解决稀疏视角神经辐射场密度不一致问题的正则化方法

    论文 DriftNeRF 指出传统 NeRF 在稀疏视角下因缺乏射线间密度比较机制而导致渲染质量下降。作者提出一种无需预训练模型、外部几何或额外图像即可使用的 drop-in 正则化器,通过掩蔽指数核聚合邻近点密度以生成停止梯度的共识目标,从而惩罚未支持的密度分歧并保持边界完整。

    推荐理由:DriftNeRF 通过显式测量并惩罚射线间密度不一致,解决了稀疏视角 NeRF 的缺陷,无需预训练模型即可提升 PSNR。

  31. arXiv · 机器人与计算机视觉63

    WorldStream:具备分层规划与持久状态的流式交互式 3D 世界模型

    arXiv 发布了一篇题为 WorldStream 的研究论文,提出一种开放式的 3D 世界模型,具备扩展可玩地形、响应开放式语言指令及恢复编辑后地点的能力。该系统通过分层规划器在类型化决策模型上发出结构化状态,利用确定性本地代码将计划编译为地形与实体,并通过流式处理分离计算范围以管理资源。

  32. arXiv · 机器人与计算机视觉59

    SAIL:一种针对图结构数据的可学习空间自相关泛化方法

    论文介绍 SAIL(Spatial Autocorrelation Index Learner),这是一个可微框架,将经典的空间自相关统计推广为可学习的算子,通过联合学习特征投影与节点邻域亲和性来生成局部和全局的空间相干描述符。该方法在合成数据和大规模生物医学图上的实验表明其具有统计正确性,并能发现空间相干模式,适用于计算机视觉、地理空间分析和生物医学领域。代码仓库已公开。

  33. Hugging Face Daily Papers82

    SpatialBrain:一种从经验中生长出空间智能的框架

    SpatialBrain 是一个保留关于何时进行直接观察、重建或改变参考系等决策经验的框架。它通过 3DFusionMemory 融合场景观测,利用 Spatial Skill Library 提供可复用的工具程序,并通过 Spatial Cognition 关联任务条件与使用记忆和技能的时机方式。

    推荐理由:该框架在固定视觉语言主干下,通过融合场景观测与抽象执行轨迹来积累推理经验,并在五个基准测试中优于直接回答。

  34. Hugging Face Daily Papers75

    Harness Scaling:一种用于通用型智能体强化学习的扩展维度

    该论文提出Harness Scaling这一新维度,旨在解决现有智能体系统仅依赖单一固定执行器(harness)导致的特化与迁移受限问题。研究通过构建因子化解耦的执行空间、选择平衡的因子覆盖子集以及组织跨配置训练,实现了从单点训练到多样化配置的扩展。