GPT-6 Astra 直接控制机器人的能力评估与新基准 LIBERO-GeoMotion
该研究对 GPT-6 Astra 模型进行系统评估,发现其在 RoboDojo 和 RoboTwin 2.0 等基准上表现尚可,但在几何约束任务、精确动作规划及物理安全方面存在明显短板。作者提出了新基准 LIBERO-GeoMotion 以考察空间理解向可行运动的转化难度,并通过真实实验证实了模型在运动可行性与控制精度上的不足。
该研究对 GPT-6 Astra 模型进行系统评估,发现其在 RoboDojo 和 RoboTwin 2.0 等基准上表现尚可,但在几何约束任务、精确动作规划及物理安全方面存在明显短板。作者提出了新基准 LIBERO-GeoMotion 以考察空间理解向可行运动的转化难度,并通过真实实验证实了模型在运动可行性与控制精度上的不足。
研究针对 HAKUTO Rover Flight Model 设计了热接口方案,通过解析模型与数值仿真优化了电子设备安装位及太阳能板角度。最终在真空环境中完成热平衡测试,确保 rover 质量低于 4 kg 并满足月球辐射等热学条件。该成果已在德国不来梅举行的第 69 届国际宇航大会(IAC)上提交论文。
论文针对级联世界 - 动作模型(WAMs)继承扩散预训练专家带来的昂贵迭代推理问题,提出 DirectWAM 方法。该方法通过动作充分蒸馏将预训练的视觉和动作专家转化为单步预测器,无需随机采样即可支持准确的单步动作预测。研究在四个 LIBERO 套件上平均成功率达 97.1%,在 RoboTwin 2.0 上为 85.4%,优于 Flash-WAM,并将推理延迟降低了 28 倍。
论文 PointForward V2 针对动态驾驶场景的前馈式重建任务,提出利用紧凑的场景结构化寄存器来中介稀疏 3D 查询间的交互,以替代直接的全局注意力机制。
推荐理由:该预印本提出通过紧凑的场景结构化寄存器中介查询交互,解决了点表示独立处理与全局注意力计算量大的问题。
该论文揭示了现有3D视觉语言模型基准中过度依赖边界框提示导致的语义泄露问题。作者提出基于点的提示协议,证明在仅用单点坐标时盲LLM性能显著下降,从而验证了视觉信息的重要性。
该研究提出利用预期自由能(EFE)目标结合目标距离与预测分歧,以决定在潜在世界模型规划中应投入多少计算资源。实验显示,当精英成本停滞时停止细化可降低任务成功率随深度增加而饱和的开销,但大权重下奖励分歧会降低冻结模型的成效。在线更新能在训练数据缺失关键区域时部分恢复损失,不过基于成本进展引导计算在峰值后保护性能仍需动作后果信息。
MedGemma 模型在三组医学数据集上揭示了渐进式图像证据损失导致的“海市蜃楼”现象,其边界后行为异质性包含直接幻觉等模式。残差流探针能以 0.895 至 0.994 的 AUROC 精准解码模型在边界的承诺或放弃行为。该研究为部分观测下的可靠医学基础模型评估提供了基于证据边界的框架与改进机制。
论文提出 EgoACT 测试时框架,旨在将语义动作从自观视角中解耦并在新的视觉上下文中复现,以支持可扩展的世界仿真和具身策略学习。现有基于条件引导的视频生成方法引入几何估计误差,而运动迁移方法难以编码丰富的接触动力学。
针对现有世界模型编码器无法自适应过滤任务无关信息的痛点,本文提出了 ConfigWM 方法。该方法利用语言描述的任务作为配置信号,引导视觉嵌入映射到特定任务的状态空间,从而选择性保留相关信息并抑制干扰。在动作条件动态学习的基础上,实验表明 ConfigWM 在噪声环境中的规划成功率平均比最强竞争方法高出 22.3%,且在物理量探测和受干扰检索任务中表现稳健。
针对控制系统的形式化安全保证难题,本文提出一种利用概率枚举检测前向不变性违反的训练框架,生成紧凑的反例集以精确捕捉失效边界。通过微调预训练的 HJ 值函数,该方法扩大了认证区域并缩短了时间。研究还引入了基于改进证书的屏蔽机制,在 Isaac Sim 仿真环境和真实自主赛车实验中均实现了零安全约束违规,证明了其在高速关键场景下的有效性。
arXiv 论文 LaLa-World 展示了一种 JEPA 风格的潜在世界模型方法,该模型采用视频生成模型的语言条件接口,从仿真环境和机器人轨迹中联合学习。其设计包含将数值动作与视觉变化统一描述为语言,并基于大语言模型构建预测器以解释语言条件。
该方法为 Vanilla NeRF 增加基于自监督跨射线一致性的几何优化分支,无需真值深度或法线监督即可约束隐式几何。在 Replica 场景的八组实验中,相比原版将平均 Chamfer 距离降低了 30.8%。该预印本论文已公开于 arXiv,代码与权重开放许可状态待注册确认。
论文介绍 World2HOSI 框架,旨在解决长程人机物场景交互(HOSI)任务中单一模型能力不足及高质量数据稀缺的问题。该方法通过构建基于解耦背景与物体资产的持久化三维高斯泼溅(3DGS)场景状态,利用编排器规划动作阶段并调用现有专家模型,同时将动作效果写回以维持世界一致性。
推荐理由:该工作提出多专家编排架构,利用解耦资产与闭环仿真生成高质量长程人机物场景交互数据。
论文提出 VEOcc++ 统一框架,利用持久稀疏体素特征图连接探索阶段的在线增量映射与后续的全局地图优化。该方法在 EmbodiedOcc-ScanNet 数据集上实现 67.12% IoU 和 58.40% mIoU,刷新在线增量映射 SOTA;离线优化阶段进一步提升至 67.79% IoU 和 59.37% mIoU。研究展示了在移动机器人上的零样本部署能力与大规模室内建图的可扩展性。
推荐理由:该工作提出统一框架,通过持久稀疏体素特征图连接在线增量映射与离线全局优化,在 EmbodiedOcc-ScanNet 上刷新 SOTA。
论文提出 PanoGraphGS 框架,将全景 3D 高斯表示学习与分层 3D 场景图构建相结合,在共享几何上学习语义与实例特征以支持跨视角一致预测。该方法恢复包含关系的空间层级结构,并在 Replica 和 NaviGS 数据集上实现对象节点识别准确率提升超 50 个百分点及领先的 2D 全景分割性能。
推荐理由:该工作提出统一框架融合全景分割与分层场景图,并开源新数据集,在对象节点识别与2D全景分割上均优于基线。
arXiv 论文介绍了 NeoWorld-3,这是一个基于编码智能体的框架,能从视觉观测重建可交互的三维世界。其核心 NeoSDK 提供底层几何、部件组合、可微参数优化及物理验证引擎;NeoMCP 则将这些能力封装为结构化 API,供视觉语言智能体进行代码编辑与迭代优化。
推荐理由:该工作提出 NeoWorld-3,通过可执行代码重建具备物理交互性的三维世界,并在双臂机器人上实现零样本操作闭环。
EchoNav 是一种结合时序聚合与占用补全的框架,通过冻结 VGGT-Omega 特征并融合历史残差提议来预测局部地图,无需深度或相机位姿输入。该模型在仿真序列双目标导航中达到 89.6% 成功率(基线为 57.1%),在轮式机器人 20 个场景的 60 次试验中达到 73.3% 成功率(基线为 33.3%)。论文还展示了四足和双足机器人的演示,代码与数据暂不可用。
该论文提出 CityPaint 框架,利用丰富的 2D 图像数据和扩散模型生成全局一致的城市级 3D 纹理,无需依赖稀缺的真实城市级 3D 训练数据。该方法结合了几何先验与 2D 扩散模型的生成能力,引入稳健的 top-K 相机烘焙策略进行迭代纹理投影,并针对 2D 到 3D 投影产生的伪影提出了解耦细化机制,分别优化地形和建筑纹理。
针对受扰环境中四旋翼飞行的可靠性问题,本文提出了一种扰动感知的 Koopman 控制家族(DA-KCF)框架。该方法在离线阶段基于仿真数据学习参考依赖的 KCF 并利用有限硬件数据进行校准,部署时固定名义模型并在线通过轻量级残差集成学习低维扰动修正。
针对现有基于图像的思考方法存在多轮交互冗余、计算开销大及区域检测与推理分离的问题,本文提出 LoRe 框架。该框架在单轮 VLM 交互中预测相关图像区域并强化 KV cache,使解码过程能直接利用选定的视觉线索而无需额外输入或显式工具调用;同时采用强化学习引导模型识别信息丰富的区域以辅助推理。
针对 GNSS 不可靠场景,该方法将旋转雷达测量与俯瞰 RGB 影像(如卫星图)进行对齐以实现定位。系统利用掩码重建预训练的雷达表征,结合由雷达里程计传播候选位姿的观察模型提供似然度评估。研究在涵盖城市与非路面的 8 个数据集、31 条不同路线上仅使用地面雷达和粗略局部先验进行了验证,并考察了跨越 13 个月期间天气变化下的鲁棒性。
该方法使搭载摄像头的半自主机器人能通过视觉大语言模型将鞋盒任务照片转化为 PDDL 表示并生成行动计划。系统已集成至 Nao 机器人,可自主执行任务并通过动作演示、语音或手势提示下一步骤或信号故障。无需编程知识即可由教师使用,旨在强化自闭症学生机器人辅助教学机会并激发其对机器人的兴趣。
论文提出了 LVMem 框架,旨在解决具身智能体在长观察历史下的可靠语言引导感知问题。该方法扩展了基于视图的记忆范式,通过光流帧选择策略存储以物体为中心的描述性场景表示,并利用视觉语言模型自适应检索关联图像。实验显示,LVMem 在 OC-NaVQA 基准上的二值和位置指标优于 ReMEmbR,且在无需显式构建图结构的情况下匹配或超越了 4D 场景图基线 DAAAM。
针对视觉语言模型(VLM)的幻觉问题,研究分析了利用生成词 token 位置等内部信号进行检测的方法。实验发现,仅凭 token 位置的基线表现竟具竞争力,且部分方法依赖此捷径导致视觉根基薄弱、鲁棒性下降;集成多种互补信号虽能提升性能,但现有利用内部信号的检测手段仍存在显著局限。
论文 ACE-Brain-0.6 分析表明通用多模态模型具备强空间感知能力,为此提出统一数据流水线结合机器人操作记录与多元视觉数据,经自动标注转化为可验证的定位监督。
研究团队推出 Embodied Playground,这是一个评估基础模型代理在长周期任务中协调物理、战略及空间推理能力的基准。该基准包含涵盖基础操作、顺序谜题和多阶段家务活动的 410 个环境,并精选出 EP-100 代表集(含 EP-Easy/EP-Hard 难度划分)及 EP-20 紧凑子集。
论文介绍 Beckmann World Models (BWM),该方法将 Beckmann Transport Model 的守恒律适配至动作条件的视频预测,通过端点对齐训练直接从噪声 - 数据对中学习映射,无需预训练生成教师。
论文提出了 S-Agent 2.0,这是一个为现成通用编码代理配备命令行感知工具包的空间推理智能体。其设计原则是帮助视觉语言模型(VLM)闭合证据循环:获取场景证据、在持久化场景记忆中记住它,并用平实的空间语言解释每个读数。
论文介绍 Video-Point Model (VPM),这是一个基于多视角视频历史和语言指令的世界模型,能够联合预测任意视角的未来视频和场景中持久点的 3D 轨迹。
推荐理由:该工作提出 Video-Point Model,通过点轨迹监督联合预测多视角视频与 3D 运动,并扩展至机器人控制。
SolarRenderer 是一种结构条件化的视频渲染器,它通过冻结 MiniMax-H3 33B 骨干网络并添加两个轻量级 LoRA 来工作。该模型利用对齐的结构化视频(如游戏引擎布局、运动或相机参数)作为输入,无需类型标识符即可在骨干网络的帧位置进入原生参考路径。
该报告介绍 Sage-A1.5,这是一个基于 A1 的 35B 参数混合专家智能体模型,旨在通过自适应能力组合推进长周期问题解决。相比前代,它不仅能解决单个任务,还能在执行中组织工作并修正方法。
针对黑盒大语言模型智能体缺乏特定环境知识的痛点,研究提出 PAWM(Pitfall Anticipation World Model),该方法仅在出现潜在失败风险时进行干预并预测即将发生的错误以引导智能体避坑。
大晓机器人正式发布视觉空间锚定增强型具身基模型ACE-Brain-0.6。该模型参数规模为9B,基于Qwen3.5-9B构建,通过冻结视觉编码器并对语言模型进行监督微调。
近日,国家市场监督管理总局批准发布GB/T 48317.2—2026《人形机器人技术要求 第2部分:环境感知》等6项人形机器人国家标准,将于2027年4月1日正式实施。
Omni-Interactive Universal Embedder (OmniUE) 提出首个跨文本、视频和音频的统一嵌入空间,支持用户通过文字、视觉区域及音频片段进行任意到任意的查询。
该方法利用稀疏非线性动力学识别技术,从飞行数据中学习显式的物理约束控制效能映射模型。相比高保真在线模型或黑盒驱动方案,该模型在保持相当精度的同时大幅降低计算成本,并支持解析导数以适配包含执行器动力学的非线性求解器。系统还具备在线适应机制,能在检测到显著植物变化时刷新模型,从而在执行器故障及变工况下实现优雅重构与容错控制。
针对现有扩散和流模型的奖励对齐方法依赖多步随机轨迹且难以扩展至确定性生成器的局限,本文提出 ZeNO(Zeroth-order Noise Optimization)框架。
推荐理由:提出无需反向传播的噪声空间优化框架,解决扩散与流模型在不可微生成器上的奖励对齐难题。
论文提出 RE-SAC 框架,旨在解决标准深度强化学习算法在处理随机交通和乘客需求时因混淆两种不确定性而导致的 Q 值不稳定问题。该方法利用基于积分概率度量的权重正则化来对冲不可约噪声风险,并提供平滑的分析下界;同时通过多样化 Q-集成惩罚稀疏覆盖区域中的过度自信估计以应对数据不足风险。
论文提出 UniW(A)M,这是一种基于扩散 Transformer 的混合专家世界模型框架,旨在统一动作条件化的世界建模与多种世界 - 动作模型变体。共享专家捕捉通用动力学,原子能力专家跨接口复用,部署时通过插件自适应接口路由器(PAIR)选择合适接口以平衡任务成功率和执行效率,同时保持骨干网络冻结。
推荐理由:该工作提出统一混合专家框架,在真实操作任务中成功率提升 11.6%,并实现跨接口能力复用。
arXiv 预印本介绍 LynxScenes,这是一个基于 LYNX M20 轮足机器人采集的大规模户外现实世界数据集与基准。数据包含约 10 万段 30 秒导航片段(总时长 833.6 小时、里程 3,294.7 公里)及 300 万帧标注,涵盖四路鱼眼相机、双激光雷达、IMU、里程计与机器人状态。
推荐理由:该基准提供轮足机器人户外导航、感知与世界模型的密集标注数据及评估工具,可帮助研究者验证现有方法在真实场景下的不足。