跳到正文
11月13日周五
  1. arXiv · 机器人与计算机视觉85

    UAV-Flow++:统一的语言引导无人机飞行评测与学习套件

    针对语言引导无人机导航长期侧重长程规划而忽视短距物体相对飞行的空白,该工作提出 Flying-on-a-Word 任务及 UAV-Flow 数据集,包含 30,692 条真实专家轨迹和 10,109 条仿真轨迹。团队开发 FlowVLA 模型,利用 Tail-Aware GRPO 方法进行在线后训练,在仿真基准上平均成功率达 93.16%,并在室内外实物场景中验证了物体相对指令的稳健执行能力。

    推荐理由:该工作提出语言引导无人机飞行新基准与框架,通过混合真实与仿真数据训练 VLA 模型,在仿真中成功率提升至 93.16% 并验证了实物执行能力。

  2. arXiv · 机器人与计算机视觉78

    第 8 届 LSVOS 挑战赛:移动统一多模态理解报告

    本报告总结了与 ECCV 2026 联合举办的第 8 届大规模视频目标分割(LSVOS)挑战赛中,关于移动统一多模态理解(MUMU)轨道的评测结果。该任务要求单一模型在 0.5B 参数和 8 GB 推理显存预算下,同时完成质量/场景/事件词汇的多概念图像标签、开放词汇目标检测和简洁图像描述。

    推荐理由:报告总结了 ECCV 2026 LSVOS 挑战赛中 MUMU 轨道的评测结果,展示了在 0.5B 参数预算下基于 Florence-2-base 的统一多模态理解方案。

  3. arXiv · 机器人与计算机视觉42

    CT-SGAL-LIO:因果连续时间离散激光雷达惯性里程计优化

    CT-SGAL-LIO 提出一种无需修改估计器即可平滑离散 SGal(3) 后验位姿流的连续时间细化模块。该方法在 GRAND-TOUR、MCD 和 GEODE 三个基准的 17 个序列上,将相对轨迹误差(RTE)提升最高 70%,并在 R-Campus 场景中使后验跳变减少 85.4%。作者计划开源代码与结果以支持社区验证及复现。

  4. arXiv · 机器人与计算机视觉82

    Kosmo-GFM:一种生产就绪的几何基础模型

    该预印本提出 Kosmo-GFM,这是一个集成了几何基础模型、位姿优化引擎及来自 KosmoWorld 的重建监督的场景重建系统。GFM 可从图像和视频预测相机参数、深度、跨视图对应关系及动态 3D 点;PoseEngine 结合这些预测与几何优化恢复场景级位姿和几何结构,用于下游 3D 和 4D Gaussian Splatting。

    推荐理由:该预印本提出 Kosmo-GFM 系统,在 SpatialBench 上实现最低深度误差与最高位姿 AUC,PoseEngine 运行时间约为 GLUEMAP 的 20%,支持将学习到的几何先验集成到重建流程中。

  5. arXiv · 机器人与计算机视觉45

    HALO:具身智能全身体移动操作的人机对齐数据采集系统

    HALO 是一种针对全身体移动操作的人机对齐数据采集系统,通过保留直接物理反馈与天然运动能力解决现有接口在感知、动作对齐及操作员移动性上的权衡难题。相比 Mobile ALOHA 和 VR 遥操作,HALO 将演示采集速度提升最高 2.9 倍,同时在六阶段长视界任务中保持相当或更高的成功率。经部署对齐处理策略训练后,系统在涉及重复协调基座与手臂运动的复杂操作中达到 73.3% 的成功率。

  6. arXiv · 机器人与计算机视觉56

    VBot Exo2Ego Policy:轻量数据采集与第三人称转第一人称视频生成

    论文提出 VBot Exo2Ego Policy 模型,将第三人称视频转化为选定演员的第一人称观察视角,以扩充第一人称操作数据。系统包含支持双视角同步采集的轻量级流程,利用预训练扩散 Transformer 结合几何引导与语义掩码监督优化手物交互保真度。

  7. arXiv · 机器人与计算机视觉67

    Lang-SVG:一种基于语言先验的分层图像矢量化方法

    该论文提出 Lang-SVG 方法,旨在将位图重构为紧凑且可编辑的 SVG 矢量图形。针对现有方法缺乏语义层级对齐的问题,该方法引入显式树结构组织 SVG 原语,利用粒度可控和开放词汇分割先验初始化对象部分层级,并结合多模态大语言模型(MLLMs)分配语义标签。

  8. arXiv · 机器人与计算机视觉49

    VibePrevisBench:评估 Blender 中智能体生成 4D 场景的编码能力

    VibePrevisBench 基准通过 242 项任务,涵盖脚本、照片及续写等输入,利用基于规则的场景检查与视觉语言模型屏幕检查双重维度,量化了 11 个前沿编码智能体在空间理解与相机运动方面的表现。分析发现所有智能体虽掌握基础运镜却难以应对挑战请求且无法修正渲染错误,表明当前智能体亟需提升对空间与相机的视觉理解及逐项验证能力。

  9. arXiv · 机器人与计算机视觉78

    低成本移动双臂长周期清洁任务中的 VLA 模型评估

    本文介绍了一个集成两个 LeRobot SO-101 机械臂、TurtleBot 4 底盘及 LeRobot-ROS 2 软件栈的低成本移动双臂平台,并以长周期的马桶清洁为案例研究。

    推荐理由:该研究在低成本移动双臂平台上评估了多种 VLA 模型,发现 $ ext{ extpi}_0$ 表现最佳,而增强变体未见提升。

  10. arXiv · 机器人与计算机视觉78

    无需训练的个人化图像分割框架:解决多图实例召回瓶颈

    该论文针对个性化图像分割(PIS)在多图实例场景下的召回瓶颈问题,提出一种无需训练的模块化系统。该方法利用通用检测器生成高召回目标提案,结合基础模型特征进行匹配,并用 SAM 细化边界;同时提出了基于 Top-K Sinkhorn 的鲁棒距离度量方法。研究引入了新的多实例基准数据集,实验表明该系统在多个标准数据集上优于现有方法,且运行时更低、参数量更少,为真实世界应用提供了可部署的基线。

    推荐理由:针对现有个性化分割方法在多图实例场景下失效的问题,提出无需训练的模块化框架与多实例基准。

  11. arXiv · 机器人与计算机视觉73

    XInfer:面向机器人执行约束的规模化 VLA 服务系统

    论文介绍了 XInfer,这是一个在生产环境中部署的视觉语言动作模型服务系统,旨在降低大规模机器人部署的推理基础设施成本。该系统通过协调异构计算与机器人执行的响应需求,在利用并行性的同时管理干扰,从而在保证时间关键反馈的前提下提升 GPU 效率。

  12. arXiv · 机器人与计算机视觉23

    Open-Source Transtibial Prosthetic Bypass 保留关节对齐并实现步态学习

    开源跨膝假肢旁路装置在无需鞋垫或侧向偏移约束下,仅经 10 分钟熟悉即可让受试者无扶手行走。实验显示单腿支撑时间缩短至 27%(对侧为 45%),摆动期膝关节最大屈曲角从 61°降至 36%,髋关节活动范围增至 51°,为下肢假肢研究提供有效工具。

  13. IEEE Robotics and Automation Society15

    2027 IEEE RAS Summer School on Multi-Robot Systems 在布拉格举办

    继 2019 至 2026 年成功举办后,IEEE RAS 多机器人系统技术委员会将于 2027 年 8 月 4 日至 10 日在捷克布拉格举办夏季学校。活动聚焦合作无人机与地面机器人系统,旨在推动多机群协同理论及最后一天自主微型航空器机队的实地实验落地。该活动主要面向线下参与以强化学生 networking,同时为受旅行限制地区的学生提供虚拟参会选项。

  14. 盖世汽车 · 汽车资讯58

    北京人形机器人创新中心“慧思开物”应用商店更新落地展演场景闭环

    北京人形机器人创新中心“慧思开物”应用商店近日迎来关键更新,正式落地固定点位展演场景闭环能力。此次更新将机器人应用分发的颗粒度从单一技能升级为整套场景方案,实现了从素材入库、内容编排、应用分发到机器人执行的全链路闭环。

  15. Hugging Face Daily Papers66

    Envisioning Agentic Robotics:迈向具身智能体新纪元

    Grid Robotics 团队发布预印本论文,提出“具身智能体(agentic robotics)”新范式及 Embodied System 2 概念,主张利用基础模型与具身 harness 构建闭环决策核心。文章定义了从感知到策略适应的完整操作循环,并提出了评估框架以衡量模型能力与系统性能,同时规划了通往持续自主的研究路线图。材料为预印本状态,未报告真实部署结果或具体实验数据。

11月12日周四
  1. The Robot Report35

    Viam Launchpad 加速机器人部署:六个月孵化计划助力初创企业从原型到商业化落地

    Viam Launchpad 推出为期六个月的密集孵化项目,为创始人提供技术工具、使用额度及纽约办公空间,助其快速完成从概念到商业安装的转化。该计划依托东北地区的机器人实验室与硬件资源,帮助如 RoboBuilt 等团队跳过基础驱动配置,专注于核心任务并加速获取种子轮资金前的商业化部署。

  2. 盖世汽车 · 汽车资讯57

    具身智能分岔口:本体补脑,脑公司找出口

    元戎启行 CEO 周光提出“几年后全无人驾驶可能不是自动驾驶公司”的判断,文章据此分析具身智能领域本体公司与“脑公司”的博弈。目前宇树、智元、优必选等本体厂商均在自研或适配模型以掌握真机数据回流;而 Physical Intelligence、Skild AI 等纯脑公司面临上游通用模型挤压与下游本体自研的双重压力,需证明跨本体迁移能力并找到收费入口。真正的分水岭在于谁能掌握真实世界的数据复利。

  3. 智东西 · 机器人72

    World Labs发布统一世界模型Atlas:支持从稠密重建到纯生成的切换且在相机控制基准测试中排名第一

    李飞飞在CoRL 2026会议上介绍World Labs新发布的Atlas模型,这是一个用于生成与重建的统一世界模型。该模型采用多模态自回归扩散Transformer架构,能在多图输入下进行稠密重建、零像素条件下进行纯生成,以及少量视图下的稀疏重建。

11月11日周三
  1. arXiv · 机器人与计算机视觉50

    CARV:扩散模型梯度方差缩减框架

    CARV 是一种计算感知的方差核算框架,将蒙特卡洛估计重构为两阶段采样问题以复用昂贵上游计算。该方法在文本转三维和数据归因任务中实现 2 至 3 倍有效算力倍增,其中时序重要性采样与分层逆 CDF 采样贡献约 25% 增益。该成果已作为 NeurIPS 2026 相机就绪版本发布,适用于预训练扩散模型作为冻结教师的教学管道。

  2. arXiv · 机器人与计算机视觉78

    无需专家演示的安全近似非线性模型预测控制

    论文提出了 Sequential Approximate MPC (Seq-AMPC),这是一种无标签的循环框架,利用共享参数生成完整控制序列。该方法通过已知动力学直接训练策略,并引入基于安全滤波器的阶段成本依赖接受容差,以在存在神经近似误差时保持递归可行性和渐近收敛性。

    推荐理由:提出无需专家演示的 Seq-AMPC 框架,在四类基准上实现接近 NMPC 的成本比与高采纳率。

  3. arXiv · 机器人与计算机视觉72

    RB-LDC:一种用于抗噪扩散潜变量的冗余平衡编码方法

    该论文提出了 RB-LDC(Redundancy-Balanced Latent Coding)方法,旨在解决潜在扩散模型解码器对扰动的敏感性不均问题。研究构建了一个编码器与扩散过程之间的可逆线性层,利用基于雅可比矩阵的敏感度估计,在能量预算约束下最小化加权后的 LMMSE 风险,从而优化潜空间各方向的噪声分配策略。

  4. arXiv · 机器人与计算机视觉58

    振荡处理单元:一种用于生物仿生智能的计算基底

    Alexander A. Wolf 在 arXiv 发布预印本论文,引入振荡处理单元(OPUs)概念,即共享节律的合成神经元组。该架构通过定向交互将输入活动与先验状态转化为振荡占用空间(OOS),支持逻辑数值运算、联想回忆及固定权重下的闭环决策。研究建立了测量关系图谱以支持响应类预测,旨在为生物仿生智能提供经验保留于状态中的计算基底。

  5. arXiv · 机器人与计算机视觉42

    DecompRL 强化学习框架实现 CAD 分解以达成全六面体网格生成

    DecompRL 提出拓扑感知内部分割动作与几何奖励机制,解决复杂 CAD 模型特征错位导致的六面体网格生成难题。在 ABC、Fusion360、NIST 及 DeepCAD 基准测试中,该方法在三者上取得最高成功率,其中 Fusion360 达 59.6%,运行时间较 LMFF 快两个数量级。该预印本论文已在 arXiv 发布,代码与权重暂未提及开放许可。

  6. arXiv · 机器人与计算机视觉68

    UniWeaver:利用统一多模态模型实现图文交错生成

    该论文提出了 UniWeaver 框架,旨在通过整合多模态规划、生成和视觉反馈来解决统一多模态模型缺乏原生协调能力的问题。作者构建了包含 10,000 个任务的 UniWeaver-10K 数据集及评估基准 UniWeaver-Bench。实验表明该方案在多个统一多模态模型骨干上实现了图文交错生成的最先进性能。

  7. arXiv · 机器人与计算机视觉72

    AHEADance:基于流式音频的人形机器人预期舞蹈生成

    针对人形机器人在听到音乐片段前必须承诺动作、且需延续已执行动作的挑战,论文提出 AHEADance 框架。该框架利用 ListenAhead 模块结合已听音乐的冻结模型预测与未来音乐预报来对齐节拍,并通过 Commit Forcing 训练从自身已承诺片段进行延续,将低活跃度从 83.5% 降至 10.3%。

  8. Google DeepMind75

    Gemini 4 Carbon 正式发布

    Google DeepMind 正式向开发者、企业及消费者发布 Gemini 4 Carbon。该模型在 CursorBench 4.0、WANDR 等基准测试中排名第一,成本低于次优外部模型;在金融研究、全栈开发及网络安全漏洞挖掘与修复方面表现卓越;同时在科学推理(如蛋白质结构预测)和模型安全对齐上取得显著进展。

    推荐理由:原文给出了模型在复杂知识工作、全栈开发及前沿网络安全领域的基准表现与成本优势,开发者可据此评估其是否适合现有工程流程。

11月10日周二
  1. 量子位42

    Fable 5.2首批实测:智能体编程与3D生成能力超越Opus 5.5但Token成本高昂

    Fable 5.2在智能体编程、科学研究等基准测试中全面超越Opus 5.5,软件工程测试达69.9%,输出速度提升30%且价格降20%。海外开发者利用其生成8小时零人工反馈的3A游戏及76分钟海底题材作品,但高推理档位导致Token消耗剧增,部分任务性价比下降。

  2. arXiv · 机器人与计算机视觉68

    PoEM:基于现有策略预测强化学习结果

    论文介绍 PoEM 框架,旨在通过已训练的模型和新的奖励函数直接近似目标 RL 策略,而无需重新进行计算密集型的强化学习训练。该方法利用新奖励函数可表示为现有奖励线性组合的特性,在 log-probability 空间中将最优策略表达为现有策略的组合;即使奖励非线性相关,RL 学到的策略也常跨越低秩子空间。

  3. arXiv · 机器人与计算机视觉45

    AAMBERS-UAV:面向无人机杂草水稻分割的感知 aware 多模态骨干网评估与排名

    针对无人机图像集空间时间关联被常规分割基准割裂导致评估偏差的问题,研究基于 WeedyRice-RGBMS-DB 数据集,在固定 124 张目标采集测试集下对比了“目标保留”与“目标暴露”两种协议。实验显示 RGB+MS 模态在目标暴露后 IoU 达 0.7822±0.0269,优于完整保留时的 0.7317±0.0201,且早期融合对光谱位移更敏感。代码与支撑材料将在论文被接收后公开。