跳到正文
11月18日周三
  1. arXiv · 机器人与计算机视觉82

    HEART:基于 Kent 表示遍历的超球面对齐方法

    该论文针对文本条件扩散模型难以控制生成内容的难题,发现嵌入空间呈超球面而非欧几里得结构。作者提出 HEART 框架,直接在超球面上进行 Kent 分布感知的测地线变换,实现无需微调、反演或优化的主体替换与属性控制,且适用于多种架构。材料为 arXiv 预印本,未提及同行评审状态。

    推荐理由:提出无需微调的 HEART 框架,利用超球面几何与 Kent 分布实现扩散模型的精确编辑。

  2. arXiv · 机器人与计算机视觉5

    AoI-Aware Multi-Robot Sensing and Transport on Connected Graphs 论文撤回

    arXiv 预印本《AoI-Aware Multi-Robot Sensing and Transport on Connected Graphs》已撤回,作者 John Tadrous Dr. 指出定理 5 关于相位放置最优性的证明存在错误。该研究原旨在推导移动机器人网络中感知延迟与传播延迟的下界,并构建达到理论下界的传输架构。

  3. arXiv · 机器人与计算机视觉45

    Flow Matching 模型实现 Sentinel-2 影像 4 倍超分辨率:CONUS 区域生成 1.58 万亿像素产品且分类准确率达 89.11%

    该研究引入流匹配模型,在单步采样下优于扩散与 Real-ESRGAN 实现 Sentinel-2 影像 4 倍超分辨率。基于 CONUS 区域生成的 2.5 米四波段产品涵盖超 1.58 万亿像素, Chesapeake Bay 流域土地覆盖分类整体准确率达 89.11%。该成果为地理空间应用提供了高效的高分辨率影像生成方案。

  4. arXiv · 机器人与计算机视觉72

    面向动态扰动的鲁棒视觉控制:Agent-Centric Observation Adaptation for Robust Visual Control under Dynamic Perturbations

    论文介绍 VDCS 基准与 ACO-MoE 方法,通过混合专家路由修复图像内容以应对天气、噪声等退化。在八个任务中,ACO-MoE 将 DreamerV3 的平均回报从 562 恢复至 730;在机械臂部署中,该方法将运动模糊和暗光下的成功率从最高 10% 提升至 75%-95%。代码与论文为预印本状态。

  5. arXiv · 机器人与计算机视觉42

    Grounding Video Reasoning in Physical Signals 基准发布:CVPR 2026 VidLLMs Workshop 接收版本

    Grounding Video Reasoning in Physical Signals 基准扩展 V-STaR 结构,涵盖 SSV2、YouCook2 等四源共 1,560 条视频及六物理领域。结果显示物理推理为最强范式,空间定位最弱,且扰动增益集中于原始弱案例。该基准建议报告物理锚定与提示感知的诊断指标,论文已接受于 CVPR 2026 VidLLMs Workshop。

  6. arXiv · 机器人与计算机视觉42

    CAM3DNet:多视角相机三维目标检测新框架

    CAM3DNet 提出稀疏查询框架,融合复合查询、自适应自注意力及多尺度混合采样模块以高效利用动态多尺度信息。在 nuScenes、Waymo 和 Argoverse 基准数据集上,该模型优于现有主流相机基线方法。论文已获 Machine Intelligence Research 录用,代码与权重开放于 arXiv。

  7. arXiv · 机器人与计算机视觉42

    Dual-gatekeeper 框架实现带主动探索的安全轨迹规划

    Dual-gatekeeper 框架在预算约束下,通过形式化验证确保安全与可行性后才允许执行主动探索动作。该方法解决了模型不确定性下的保守规划难题,并在气动参数不确定的四旋翼导航及轮胎摩擦系数未知的自动驾驶赛车任务中完成演示。目前论文处于审稿中,代码与权重暂未公开。

  8. arXiv · 机器人与计算机视觉58

    自动驾驶交通标志识别:数据集、基准与实地实验

    针对自动驾驶中跨域差异、长尾类别和语义模糊等挑战,作者发布了 TS-1M 大规模全球多样化交通标志数据集(超百万张图像,454 个标准类别)及诊断性基准。研究对比了经典监督模型、自监督预训练模型和多模态视觉语言模型(VLMs),发现语义对齐是跨域泛化和稀有类别识别的关键因素,而纯视觉模型对外观变化和分布不平衡仍敏感。

  9. arXiv · 机器人与计算机视觉59

    ParallelVLM:基于视觉对齐感知的无损视频大模型加速方法

    针对视频大模型自回归解码效率受限于海量视频 token 的问题,本文提出了 ParallelVLM,一种无需训练的草案 - 验证推测解码框架。该方法通过并行化两个阶段最大化硬件利用率,并引入无偏验证器引导的剪枝策略以消除注意力引导剪枝中的位置偏差。

  10. arXiv · 机器人与计算机视觉80

    Bridging Scene Generation and Planning: Driving with World Model via Unifying Vision and Motion Representation

    论文提出了 WorldDrive 框架,旨在解决现有驾驶世界模型仅关注视觉表征而忽视运动规划需求的问题。该方法通过统一视觉与运动表征,引入轨迹感知的世界模型以生成符合特定意图的未来场景,并将预优化的编码器转移至多模态规划器中。

    推荐理由:该工作提出统一视觉与运动表征的端到端自动驾驶框架,通过轨迹条件生成未来场景并蒸馏奖励以优化规划策略。

  11. arXiv · 机器人与计算机视觉5

    UniE2F:基于视频基础模型的统一事件到帧重建框架

    UniE2F 利用预训练视频扩散模型生成先验,通过引入事件基帧残差指导,实现了从稀疏事件数据到高保真视频帧的统一重建。该方法在真实与合成数据集上多数定量指标优于以往方法,并以零样本方式达到专用插值预测方法的竞争性能。代码将在公开平台发布,论文已被 IEEE TIP 接收。

  12. arXiv · 机器人与计算机视觉3

    监督学习用于生物混合肌肉环致动器的静态与动态力预测研究

    针对生物混合致动器内在的生物变异性与非线性挑战,该研究利用监督学习建模并预测其行为。静态模型(随机森林与神经网络)在输入变量下实现平均 R²为 0.9346 的预测精度,而基于 LSTM 的动态模型在五组训练实例中达到平均 R²为 0.9944。这些高准确度结果既支持肌肉致动器性能的优化,也为未来生物混合机器人系统的鲁棒自适应控制策略奠定基础。

  13. arXiv · 机器人与计算机视觉72

    Learning Generalizable Hand-Object Tracking from Synthetic Demonstrations

    该论文提出一种完全基于合成数据的系统,用于训练通用的手物跟踪控制器,无需人类演示。核心贡献包括 HOG 高效数据生成器和 HOT 跟踪器,后者通过强化学习和交互模仿学习实现从仿真到物理的迁移。方法支持多种物体形状和手部形态,并能在不同仿真器间迁移。评估显示该系统能让灵巧手处理包含物体重排和敏捷内部转向的挑战性长序列任务,旨在解决灵巧操作的数据瓶颈问题。

  14. arXiv · 机器人与计算机视觉68

    面向无图轨迹预测的代理内运动与代理间关系学习

    该论文针对无图轨迹预测中缺乏道路拓扑先验的挑战,提出了以目标条件化专家路由 Transformer(GCERT)为核心的框架。方法首先通过中心化移动平均分解历史运动特征为平滑趋势与局部残差,随后利用双级专家路由机制生成交互特定消息并自适应变换节点状态。最终将多模态未来轨迹与回归、分类及目标预测目标联合优化。材料仅包含预印本摘要与技术细节,未涉及真实部署结果或同行评审状态。

  15. arXiv · 机器人与计算机视觉62

    InFeR:一种具备知情失败韧性的视觉导航控制框架

    针对模仿学习策略在分布外场景下易发生不可预测失败的问题,该研究提出 InFeR 框架,可在不依赖失败或恢复演示的情况下,利用变信息瓶颈重构潜在空间以检测分布外失败,并结合 Grad-CAM 将失败归因于特定图像区域以指导启发式策略自主恢复。实机实验表明该方法在两种不同架构的策略上均能实现复杂环境中的长距离导航恢复。

  16. arXiv · 机器人与计算机视觉65

    TAR:一种基于时间锚点约束的视频时序定位推理框架

    该论文针对现有大视觉语言模型在视频时序定位任务中依赖结果监督导致的幻觉问题,提出 TAR 框架。该方法引入时间锚点作为透明可审计的检查机制,强制思维链过程持续对齐视觉证据并迭代校准预测,显著提升了推理的忠实度与最终准确率。研究还展示了利用标准 7B 模型自动采集高质量思维链数据的自举范式,实验表明其在视频时序定位任务上达到最先进水平且生成自主、渐进优化的推理痕迹。

  17. arXiv · 机器人与计算机视觉68

    DualTopo:基于双潜在世界模型的时空车道图生成方法

    该论文针对流式方法在车道拓扑推理中存在的初始化查询监督不足及 BEV 边界信息丢失导致时序传播减弱的问题,提出了 DualTopo 框架。该方法通过双并行解码器路径同时监督时序与初始化查询,确保后者作为可靠锚点;并利用基于自车运动的两个潜在世界模型将过去观测的隐状态表征传播至当前时刻。

  18. arXiv · 机器人与计算机视觉5

    自监督深度补全方法提出:仅需稀疏测量与单图训练

    该方法提出一种新型自监督深度补全范式,仅需稀疏深度测量及对应图像即可训练,无需密集标签或邻视点序列。通过利用深度分布特性设计新损失函数并融合视觉基础模型分割图,有效将观测点信息传播至未观测区域。实验证明该方法在静态或单帧场景下能有效恢复稠密深度,但论文已被作者撤回且无 PDF 可用。

  19. arXiv · 机器人与计算机视觉52

    评估与缓解皮肤癌分类中的肤色偏见:一种基于连续属性的方法

    该研究提出了一种将肤色表示为连续属性而非类别的方法,并为每个样本分配非线性权重以改善分类公平性。在两个皮肤病数据集上的评估显示,该方法比传统的类别重加权具有更稳定的公平性提升效果,同时保持了整体分类性能。材料仅提供了预印本摘要和链接,未包含完整的实验细节或真实世界部署结果。

  20. arXiv · 机器人与计算机视觉85

    RTime-QA:一种用于多模态大模型原子级时序事件理解的基准

    作者提出 RTime-QA 基准,利用时间反转的视频对和相同文本但答案不同的问题,检验多模态大模型是否真正感知事件在时间上的展开。该基准包含 8,420 个问题,涵盖快速评估、核心难例及连续事件等子集。

    推荐理由:该基准通过时间反转视频对,验证多模态大模型是否真正感知事件时序而非仅依赖单帧或语言先验。

  21. arXiv · 机器人与计算机视觉42

    利用知识表示与大语言模型实现类人语义自动驾驶导航

    针对动态城市环境中依赖预定义地图的导航难题,该方法通过大语言模型将非正式指令转化为 Answer Set Programming 逻辑规则,支持无需预设地图的自适应规划。实验表明,LLM 驱动的 ASP 规则生成实现了基于语义的决策与可解释性,其推理过程高度契合人类沟通导航意图的方式。该研究为自动驾驶在复杂场景下的实时适应性与逻辑推演提供了新的形式化知识表示框架。

  22. arXiv · 机器人与计算机视觉0

    arXiv 论文撤回:Nanorobot queue 癌症协同治疗模型因缺乏实验证据被作者撤稿

    该论文由 Xinyu Zhou 于 2026-11-18 正式撤回,未提供 PDF 及任何实验数据。文中提出的基于纳米机器人队列、成员通信与计算机视觉图像分类的癌症协同治疗理想模型,因缺乏理论保证和实证支持而被判定为高概念笔记而非有效研究。

  23. arXiv · 机器人与计算机视觉53

    面向黑盒生成模型的无失真语义水印算法

    作者提出了一种仅需黑盒采样和语义嵌入访问的无失真语义水印算法,形式化保证了水印不会降低生成输出质量。该方法克服了传统方法对模型白盒属性或特定扩散机制的依赖,通过训练专用图像编码器在内容保持变换下实现鲁棒检测与独立样本区分,并在开源及闭源模型上验证了有效性。

  24. arXiv · 机器人与计算机视觉45

    WoRD:基于扩散模型的在线目标识别方法

    WoRD 利用学习到的轨迹先验,通过变分推断从部分观测中恢复智能体意图。该方法在机器人、行人及车辆仿真设置下均能保持多模态信念校准,克服了传统滤波器与分类器在模糊轨迹前缀上的失效问题。论文已被 NeurIPS 2026 接收,代码与权重开放许可状态待确认。

  25. arXiv · 机器人与计算机视觉63

    Grounding Illusion:检索增强型视觉语言模型的 grounding 幻觉研究

    该研究提出 GIB-200K 基准,包含 20 万图文问答样本及噪声、模糊和图文冲突等压力条件,用于评估模型在证据失效时的模态组合行为。研究发现主流开源模型存在知识惯性或感官捕获偏差,部分正确回答会因检索文档错误而被放弃。所有实例输出、代码及审计工具已公开。

  26. arXiv · 机器人与计算机视觉53

    FrameRouter:面向长视频理解的帧预算路由方法

    针对长视频问答基准(如 Video-MME-v2)统一分配帧预算导致证据需求不匹配的问题,本文提出 FrameRouter 框架。该方法无需训练,结合证据需求路由器、预算约束分配规则及冻结的帧采样策略库,在保持平均视觉预算不变的情况下,为不同问题动态分配差异化的帧预算,从而更有效地利用计算资源提升长视频理解性能。代码已开源。

  27. arXiv · 机器人与计算机视觉42

    Residual-Guided Lightweight Reinforcement Learning for Risk-Aware Trajectory Selection with a Frozen World Model 提出残差引导强化学习框架,在冻结世界模型下优化轨迹选择策略。

    该研究针对自动驾驶场景依赖的权衡问题,利用近端策略优化微调联合策略与有界残差,并通过上下文条件排名网络从局部扰动反馈中学习候选偏好。在 nuScenes 验证集的开环评估中,该方法相比 RiskWorld 基线将平均欧氏轨迹误差降低 3.99%,且在去除或打乱风险特征时仍保持更低误差。

  28. arXiv · 机器人与计算机视觉48

    CodeReel:通过精确帧复用与阻塞感知调度加速代码生成视频智能体

    CodeReel 是一种无需训练的代理执行层,利用精确帧复用和阻塞感知调度将代码生成视频的等待时间较 Rebuild 基准降低 36.3%,较 Sequential 流程降低 57.9%。该方法在五个模型与两个框架上验证有效,使 Claude Code 和 Codex CLI 的构建中位等待时间分别降至原水平的 0.62 倍和 0.67 倍。

  29. arXiv · 机器人与计算机视觉23

    高维空间物理耦合算子实现三维湍流超分辨率

    针对硬件限制导致的低分辨率湍流数据,该研究提出一种架构无关的高维空间物理耦合算子,将标准卷积扩展至联合时空维度以显式捕捉变量间局部交互。实验表明该方法在极度稀疏条件下具备强重建性能与零样本泛化能力,为三维湍流建模提供了物理感知的归纳偏置。

  30. arXiv · 机器人与计算机视觉82

    CaFe:一种因果忠实条件交通场景生成方法

    针对语言引导的交通仿真中存在的意图泄露问题,本文提出了 CaFe 模型。作者构建了包含 531,099 个场景的 WOMD-PACT 数据集,并开发了一种配对干预测试方法来量化泄露程度。CaFe 采用双流扩散强制机制,在闭环微调下将智能体间的交互限制为公共信念,成功消除了可测量的意图泄露,同时保持了与 WOSAC 相当的现实度(0.763)。

    推荐理由:该研究提出 CaFe 仿真器,通过限制交互于公共信念消除了指令泄露问题,同时保持了高现实度。

  31. arXiv · 机器人与计算机视觉84

    LLM 控制的社交机器人面临网络暴露的配置攻击风险

    该预印本研究了 LLM 在具身机器人中的安全依赖问题,发现可通过管理接口在未认证情况下替换人格设置和系统提示词。实验表明配置层攻击路径能引发物理硬件行为变化,而推理层的对抗输入被抵抗。

    推荐理由:研究揭示了具身智能机器人管理接口存在配置层攻击漏洞,证明仅靠推理层的拒绝无法阻止未授权指令修改。

  32. arXiv · 机器人与计算机视觉63

    PACT:通过保留正确计划并修复动作进行 GUI 代理的计划 - 行动一致性训练

    该论文针对 GUI 代理在推理出正确计划却发出错误动作导致执行失败的问题,提出 PACT 框架。该方法利用标注的参考动作识别执行差距,在不改变原始标量动作奖励的前提下,通过掩码负策略梯度贡献保护已验证的计划,并利用偏好替代方法引导模型选择参考动作而非错误动作。