通过匹配矩实现无对应关系相机位姿估计
该论文提出了一种名为 MomentPnP 的无学习相机位姿估计方法,旨在解决盲视角 n 点(PnP)问题。该方法利用前四个阶次的十四种排列不变图像矩,在无需已知对应关系的情况下初始化相机位姿,并通过期望最大化算法优化位姿与对应权重。实验表明,该方法在三个基准测试集上,无论是否存在异常值,都能将中位数旋转误差降低 5-170 倍,且在 ETH3D 密集扫描中随点集增长精度提升。
该论文提出了一种名为 MomentPnP 的无学习相机位姿估计方法,旨在解决盲视角 n 点(PnP)问题。该方法利用前四个阶次的十四种排列不变图像矩,在无需已知对应关系的情况下初始化相机位姿,并通过期望最大化算法优化位姿与对应权重。实验表明,该方法在三个基准测试集上,无论是否存在异常值,都能将中位数旋转误差降低 5-170 倍,且在 ETH3D 密集扫描中随点集增长精度提升。
论文提出 TRR(Thermal Robot Renderer),这是一个将空间解析的热状态附加到接触对象、并通过接触/传输/分离更新局部热交换的渲染器。材料展示了受控干预如何证明保留热量对后续接触结果的影响,并发布了包含 2,224 个静态 - 动态对的六任务基准数据集(共 4,448 条轨迹)。
推荐理由:TRR 引擎引入热力学状态模拟,生成带热历史的 RGBT 基准数据集与工程工作流,旨在提升机器人接触安全选择率并加速仿真到现实迁移。
针对人形全身控制中运动追踪策略学习需大规模计算资源且泛化难的问题,本文提出 QTOP 方法,通过引入基于状态和参考对的条件分布优势估计来提升样本效率。实验表明,该方法在仿真及真实世界场景中均优于离线与在线强化学习基线,性能提升最高达 10%。研究还建立了 QTOP 的扩展定律,发现对于中等规模的 GPU 小时量级,数据集规模对性能影响有限。
论文提出 VA-Assembly 框架,解决独立 3D 部件在无预设关系和坐标下的装配问题。该方法利用冻结的视图条件扩散模型生成几何对齐的分数梯度,优化部件的平移、旋转和缩放,无需标注布局或特定类别先验。实验显示其在多视角结构线索下优于几何配准基线,且支持部件级编辑与重组。
PhaseCLIP 提出一种相位感知的频域适配方法,将相位能力模块与特征门控模块插入冻结的 CLIP 视觉编码器,仅训练 1.30% 的参数。该方法在五个公开遥感数据集上对比八个基线,平均准确率达 84.28%,并在 30 个数据 - 样本组合中的 23 个表现最佳,相位贡献了整体 1.93 个百分点的增益。
ThermoSight 框架利用可微光谱模型,仅凭有限校准火焰图像联合重构三维温度与烟气体积分数场,无需场级真值即可解决解耦难题。合成消融实验显示,波长分辨衰减将高温区温度 RMSE 从 234 K 降至 112 K,且 RGB PSNR 保持 65.23 dB 至 65.24 dB 几乎不变。该成果证明物理引导神经场能恢复视觉上无法直接观测的内部可解释物理量。
该综述建立了机械负载传递、光编码读取与触觉推理的统一框架,评估了反射式、波导及光纤光栅等多种架构在力估计、接触定位和打滑修正中的表现。研究指出高灵敏度仅在变量可识别时有效,且空间覆盖与时序反馈需在系统级综合考量,为选择非成像光学触觉架构提供了校准转移与任务验证依据。
该研究利用 Sentinel-2 的 10 个波段及地形信息构建深度流水线,在印度喜马拉雅 Chamoli 区 2021 年 2 月 7 日岩冰雪崩事件中评估模型性能。
该论文综述了利用基础模型的机器人奖励模型(RRM),将其按输出语义分为五类,并指出当前评估器难以区分任务完成度与执行时序的缺口。为此,作者构建了包含 1,117 条闭环真实视频的新基准 RRM-Bench-1K 及开源工具集 RRM-Hub,支持对 27 种现有评估器的统一测试与新方法验证。
CLIFT 方法通过在 LiDAR 检测器的中间体素特征上引入实例级对比学习目标,将检测器本身转化为跟踪器,无需依赖运动模型或重识别网络。该方法利用检测框内的体素嵌入,通过余弦相似度和匈牙利算法进行跨帧匹配,并在微调过程中保持检测精度基本不变。
该研究介绍了一种选择性、可控的传感器采集机制,允许用户指定第二传感器的目标使用率,系统仅在主传感器性能不足时自动触发额外传感。该方法通过在线阈值调整适应主传感器近期表现,无需针对特定模态或环境进行校准,适用于单帧和序列定位任务。
该论文提出了 AVD 系统,这是一个基于商用硬件构建的低成本多传感器遥操作轮椅平台,旨在解决严重运动与视觉障碍人士的独立移动问题。其核心贡献在于设计了以安全为导向的控制架构,确立了手动紧急停止和乘员摇杆优先于远程指令的静态权限层级,并实现了计算功能的分区与安全状态的心跳驱动切换。
论文提出 ACiT(Proprioceptive-Prior Action Chunking with Inverted Transformers),旨在解决现有方法将本体感知与视觉同等条件导致信号被淹没的问题。
针对异构触觉传感机制阻碍跨硬件迁移的问题,该研究将触觉表征锚定在由牛顿力学支配的六维力矩上,构建了包含 24 种传感器的超大规模数据集(超过 1 亿对观测与力矩测量)。
SG-ODOM 框架利用稳定性门控机制筛选接触更新,仅在足部达到稳定支撑条件后触发估算修正。该方法在 GrandTour 数据集户外序列上评估显示,相比基线估计器将相对姿态误差(RPE)降低最多 25%。代码与视频已公开,适用于四足与人形机器人平台。
该论文提出 QASK-Edit 框架,将视频编辑视为条件生成任务,通过独立评估每个查询在不同关键源(如源视频、参考图像等)上的注意力质量与近似风险来动态调整计算策略。实验表明,该方法在三个视频编辑模型上实现了最高 1.46 倍的端到端加速,同时保持了编辑质量和未编辑区域的保真度,并可直接泛化至参考图生成视频任务,实现最高 1.36 倍加速且维持生成质量。
针对多视图 RGB 图像及法线图生成中的跨视图信息交互成本问题,本文提出全局 - 局部代理注意力(GLPA)机制。该方法在保留单视图全分辨率交互的同时,利用紧凑的全局代理进行跨视图通信,并通过迭代优化代理以复用注意力参数。实验表明,该机制在 FLUX 和 Stable Diffusion 两种扩散骨干网络上均有效,显著降低了计算开销并提升了重建 IoU、NVS LPIPS 等指标。
作者展示了一款利用计算机视觉识别行驶车道并自动调整车辆配置的电动滑板车原型。该系统针对在人行道、自行车道或机动车道行驶的场景,重点解决了此类系统的安全与安全性顾虑。论文发表于 IEEE SOLI 2022,当前为 arXiv 预印本版本(arXiv:2611.20700)。
STARS 提出一种级联阴影去除框架,通过分阶段分离区域责任解决掩码先验导致的非阴影区亮度偏移问题。该方法引入特征选择与融合适配器(FSFA)以利用大模型先验知识,无需复杂并行双分支结构。在 UAV-SC+、ISTD+ 和 WSRD+ 2026 三个基准数据集上的实验表明,该框架优于现有方法。
针对夹爪难以抓取的存储箱、椅子等大物体,作者发布了首个大规模单臂拾取数据集 WAG,包含 793 个物体共 1.7M 种关节配置。在此基础上开发了 ARMFUL 流水线,利用在 WAG 上训练的扩散模型从点云生成全臂抓取位姿,并由运动规划器确保无碰撞执行。
论文介绍 GRASP 方法,旨在解决现有物体检测数据蒸馏依赖学习模型且可能改变对象空间关系的问题。该方法在不进行网络训练或推理的情况下,通过联合搜索图像选择与空间布局的凸分配子问题,将密集的原生监督信息压缩到有限像素中。
针对长视野视觉语言导航中指令追踪困难及执行器在部署时遭遇策略诱导的状态偏移问题,本文提出 LeaP-VLN 系统。该系统耦合进度感知执行与独立进度验证,通过计划 - 执行 - 验证 - 恢复的闭环机制处理子任务完成确认与路线偏离后的双阶段恢复。
本文介绍 RAMP 框架,系统比较了直接 token logit、表面形式分数及不同接口下的多模态模型表现。研究在固定检查点下发现,输入方式(如打字与裸读)显著改变准确率,且配对转换揭示大量预测变化。作者通过独立离线回放验证了原始分数的可复现性,确立了答案读取作为评估关键组件的地位。
本文提出一种规则引导的 VLA 框架,将英国公路守则的部分条款形式化为可执行的一阶逻辑规则,结合专家演示监督微调和强化学习优化策略。在 CARLA 仿真器离线评估中,该方法相比仅基于监督学习的基线,显著提升了动作预测准确性和编码规则的合规率,最佳变体将整体规则通过率从 92.9% 提升至 97.6%,且在评估样本中未观察到违反路权优先级检查的情况。
Defect-Aware Masked Autoencoders(Defect-Aware MAE)通过纹理能量掩码与 HOG 描述符重构,在无标签图像上实现钢铁表面缺陷聚类。该方法在 NEU DET 测试集达到 98.6% 匈牙利匹配准确率及 0.968 NMI,优于 SimCLR 基线且无需对比损失或检测分支。论文已接受发表于 IVCNZ 2026,代码与权重暂未提及开放许可。
Counterfactual Feature Steering(CFS)方法通过一次 SAE 训练,在稀疏自编码器潜在空间实现有界推理时概念编辑。该方法在 Celeb-100 的 4,000 个提示词及 COCO 数据集上验证了身份擦除与相邻概念保留的最佳权衡,且跨干预强度保持稳定。研究还通过 ArcFace 独立评估和裸体抑制基准证明了其在 SD~1.4 上的泛化能力。
该论文研究了驾驶视觉 - 语言 - 动作(VLA)模型中导航指令的收集与评估方法,区分了行动前发出的前瞻性指令和行动后标注的回顾性标签。作者开发了 ADVLAT-Engine 同步语音指令、道路场景视频和车辆轨迹,并在 48 条回放路线上对比了三款导航应用。
针对现有方法在快速运动下难以恢复高频纹理的问题,该研究首次提出融合事件相机的立体视频超分辨率框架。通过 EGTE 与 CVTI 模块整合事件驱动的运动纹理信息及跨视角空间关系,实验证明其在真实与合成数据集上均优于现有方法并维持了立体一致性。代码与数据许可状态需查阅项目页面,论文预印本已发布于 arXiv。
针对文本生成图像模型易产生有害内容的风险,现有全局干预机制常导致语义漂移和画质下降。本文提出自适应空间分类器引导(ASCG)框架,利用 Grad-CAM 进行局部化抑制,仅在检测到危害时激活引导,从而在移除有害概念的同时保持高语义保真度。
针对无示例持续学习中历史数据不可用导致难以直接优化联合风险的难题,该方法通过保留模型对已学类别的分类决策来维持旧知识。具体而言,通过对所有成对旧类别逻辑值边距的变化进行惩罚,将其代数简化为中心相对逻辑值惩罚;同时应用谱白化以消除分类器的谱尺度偏差。
JEPTERA 架构集成联合嵌入预测架构(JEPA)与模型预测控制,在三个 Gym 场景的 180 次运行中完成 28/30 任务。该平台无需修改核心逻辑即可适配 Gazebo、ROS 2、MuJoCo 和 CARLA 等仿真器,并在三张城市地图测试中实现无碰撞单路线飞行。
该研究引入配备髋关节机械止动器的平面 X 型步行器,利用恒定扭矩驱动在下坡面生成高稳定性的轮式步态。数值仿真表明,在四相运动周期中两相不稳定但整体呈现渐近稳定特性。论文已发表于 IEEE ICRA 2026 会议论文集,作者版本修正了参考文献中的姓名错误。
SCoRe 框架利用两个互补的视觉基础模型(VFM)分割器,通过角色融合方法在无需训练的情况下完成跨域少样本分割任务。该方法在 RSRM 和 FSS-SAM3 上基于 10 个数据集共 3,314 次五样本实验评估,平均前景 mIoU 达 72.738%,较 RSRM 提升 5.210 个百分点。
现有自动驾驶数据集多覆盖常规驾驶,缺乏安全关键场景与极端环境的真实数据。本文发布 ExtremeDrive 数据集,包含从海量记录中精选的 589 个涵盖紧急操作、复杂交通互动及雨雪等恶劣路况的场景,提供校准对齐的多传感器数据及人工审核的道路结构与交通参与者标注。
该论文提出 OrthoMark 方法,旨在解决激光雷达 SLAM 中的回环检测问题。该方法无需训练,利用鸟瞰图(BEV)的平移和旋转不变极坐标傅里叶谱进行候选检索,并通过相位相关估计平面位姿。
该报告描述了团队提交给 2026 年 Hilti-Trimble SLAM 挑战赛的参赛作品,在 SLAM 类别中获得第二名。系统利用提供的双鱼眼图像流和 IMU 测量数据,采用 sqrtVINS 前端结合 SuperPoint、ELSED 线段及 LightGlue 进行局部里程估计,并通过 GTSAM 后端执行紧耦合因子图优化与全局束调整,旨在处理暗光区域、重复走廊及动态物体等室内场景。
推荐理由:报告提交于 ICRA 2026 SLAM 挑战赛并获得亚军,展示了基于 sqrtVINS 与深度学习特征融合的 360 度视觉惯性里程系统。
该系统基于 ROS2 架构,结合 Grounding DINO 与 Nav2 栈,在 Gazebo 仿真环境中实现了无需特定训练的端到端语义导航。实验显示 TurtleBot3 机器人成功执行了全部测试的自然语言指令并探测到五个目标中的三个,但性能受限于检测不确定性与深度定位误差。研究证实轻量级 CPU 架构具备可行性,同时揭示了开放词汇感知与传统导航管线集成的当前局限。
论文提出了 AsymEEF 框架,旨在解决跨不同运动学特性的末端执行器收集演示数据成本高且难以复用的问题。该框架通过共享编码器将手腕姿态映射到形态无关的隐空间,利用运动学教师锚点和稀疏真实世界校准点提供几何监督与误差修正,实现了从少量源数据集向两指、三指及五指等多种组合的迁移,无需额外遥操作即可生成可执行的轨迹。
推荐理由:该框架实现了双机械臂在不同末端执行器间的演示迁移,无需额外遥操作即可在仿真与真实机器人上提升任务成功率。
针对预训练文本编码器诱导的语义空间维度高且与视觉特征对齐弱的问题,论文提出 TaSS 框架,通过参数化几何变换优化类间距离和类内紧凑度,并利用轻量级 MLP 将冻结的视觉编码特征对齐至该空间。
推荐理由:提出 TaSS 框架,通过几何变换优化语义空间以提升分类判别性,在多个基准上平均提升超 3 个百分点。
针对大视觉语言模型(LVLM)易受细微输入扰动影响的问题,研究揭示了强攻击依赖精细迭代优化及表征差异在编码器中逐层放大的机制。为此提出 SmoothShift 方法,结合局部平滑削弱细粒度扰动模式,利用空间变换破坏其与编码器补丁网格的对齐,从而大幅减弱攻击效果。