跳到正文
11月17日周二
  1. arXiv · 机器人与计算机视觉74

    CISyn:基于物理仿真的近身交互人体网格恢复合成数据集

    针对近身交互场景下缺乏大规模标注数据的难题,作者提出了 CISyn 数据集,利用物理仿真和 Blender 渲染生成了包含碰撞动力学、相互遮挡及姿态纠缠的 25,000 条序列。该工作还提出了一种不确定性感知损失函数,帮助模型更有效地学习重度遮挡样本。实验表明,结合 CISyn 并替换回归损失可显著提升近身交互基准上的表现。数据集、生成管线和代码已开源。

  2. arXiv · 机器人与计算机视觉83

    Frame First, Decode Once:面向系统一世界模型的物体中心坐标与单次解码方法

    论文研究了当单步原语解码器作为系统一世界模型时的关键因素。在 ManiSkill3 PushT-v1 和 lerobot/pusht 数据集上,将输入输出表达为物体初始姿态的 SE(2) 坐标系比世界坐标系降低决策后悔值 1.9-2.2 倍;单步解码延迟为 1.6-1.8 毫秒,优于迭代扩散模型。

    推荐理由:该研究对比了单步解码与迭代解码在系统一世界模型中的表现,证实物体坐标系能显著降低决策后悔值且单步解码延迟更低。

  3. arXiv · 机器人与计算机视觉82

    TyphoonWorld:一种用于台风图像概率预测的残差 Token 世界模型

    TyphoonWorld 是一种离散 Token 的世界模型,专门针对卫星台风预报生成回归网络平滑后的残差场。该模型以回归预报 Token、最新帧和最佳路径状态为条件,逐层采样残差并加到回归中心上。

    推荐理由:该工作提出残差 Token 世界模型,在台风图像概率预测中匹配回归误差并降低对流区域 CRPS。

11月16日周一
  1. arXiv · 机器人与计算机视觉42

    Teleo-Spatial Intelligence 模型在物理动力学与意图推理上落后人类表现

    Teleo-Spatial Intelligence(TSI)通过整合物理动力学与动作目标,揭示了视觉语言模型在开放世界环境中存在显著的意图推理差距。基于包含 11,328 个真实视频及 8,000 例基准数据的 EscherVerse 资源评估显示,最强专有模型整体准确率仅为 57.26%,远低于人类首判平均 90.62% 的水平。

  2. arXiv · 机器人与计算机视觉30

    Foundation Model Driven Robotics:基于基础模型的机器人技术综述与未来路线图

    该综述系统梳理了大语言模型和视觉语言模型在感知、规划及人机交互领域的进展,将应用划分为仿真驱动、开放世界操作等四个方向。文章重点分析了程序化场景生成与策略泛化等关键趋势,同时指出了具身数据匮乏、安全风险及算力限制等核心瓶颈。最后提出了通过构建更鲁棒的可解释模型来弥合语义推理与物理智能差距的未来研究路线图。

  3. arXiv · 机器人与计算机视觉78

    CS-MPC:不确定性下非线性系统的收缩认证采样模型预测控制

    论文提出了针对非线性机器人系统在参数不确定性、干扰及在线揭示的安全约束下的追踪与安全方法。该方法在每个采样展开中使用收缩认证的追踪反馈以集中展开,并通过分位数收紧的离散时间控制屏障函数条件验证输入执行。

    推荐理由:提出收缩认证采样模型预测控制方法,在 rover、四旋翼及小行星着陆任务中验证了其在参数不确定性与安全约束下的有限样本稳定性与概率安全性。

  4. arXiv · 机器人与计算机视觉23

    遥操作干预提升自驱动实验室韧性研究

    针对自驱动实验室(SDL)自动化流程故障,该研究开发了基于 UR3e 机械臂与 3Dconnexion SpaceMouse Pro 的遥操作接口。对比测试表明解耦控制器模式缩短了任务完成时间并减少旋转运动,且无参考路径引导时用户更具目标导向性。工作验证了人机回环机制在 SDL 故障恢复中的可行性,为未来共享自主性研究奠定基础。

  5. arXiv · 机器人与计算机视觉48

    PoliMop:面向移动机器人的三维空间闭环策略运动规划方法

    PoliMop 提出一种利用物理仿真挖掘控制策略技能的运动规划器,通过结合预规划质点路径引导采样,将规划时间缩短最多 63%。该方法在四足、人形及轮式机器人上无需修改底层算法即可实现即插即用,并能自动识别如搭建桥梁等预设环境改造以扩展可达空间。相关代码与视频已公开,论文为 arXiv 预印本状态。

  6. arXiv · 机器人与计算机视觉82

    TelePhysica:基于智能体的物理交互式场景重构方法

    TelePhysica 是一个闭环框架,旨在从单张照片重建可执行的多体制物理世界,以驱动状态化的三维交互和轨迹感知的视频合成。该方法利用视觉语言编码智能体生成分离的视觉网格和声明性物理模型,并通过像素对齐轮廓批评与零力重力平衡预飞检查进行两阶段验证。

    推荐理由:该工作提出闭环框架,从单张照片重建可执行的物理世界以驱动状态化交互与视频合成。

  7. arXiv · 机器人与计算机视觉45

    EViDS:环境 - 车辆动力学集成仿真平台助力智能底盘开发

    EViDS 是首个将 CARLA 环境感知与 CarSim 高保真动力学集成的仿真平台,通过射线铸造轮胎路面交互及参考姿态对齐技术维持时空一致性。该平台支持在线闭环智能底盘控制,在动力学特性保持与环境信息可靠传递的测试中表现优异,为环境感知型智能底盘开发提供统一验证基础。

  8. arXiv · 机器人与计算机视觉58

    AI 引导的机器人原位制造曲率自适应无线生物电子器件

    针对复杂体表个性化生物电子设备的需求,本文提出一种结合 3D 视觉、六自由度机械臂和直接墨水写入的 AI 引导机器人原位打印平台。系统利用 AI 进行伤口分割以确定尺寸与局部曲率,并将重建的三维几何信息纳入接收线圈与叉指电极的电磁设计,以补偿由几何形状引起的谐振行为偏移。研究在人体组织等效前臂假人上演示了该工艺,将假人的介电特性融入 RF 优化,实现了接近目标频率(25 MHz)的谐振操作。

11月14日周六
  1. Hugging Face Daily Papers82

    The Value of Thinking: Learning When to Reason in Hybrid Decision Models

    论文提出一种混合决策模型(HDM),利用冻结骨干网络配合轻量级自路由块,在单次前向传播中实现零思考或全思考两种模式切换。该方法通过校准的决策策略优化(CDPO)从回合级回报中学习何时进行推理,并在 MMLU-Pro、AGIEval 及 MiniWoB 等基准上验证了其在保持精度的同时显著降低延迟和 Token 成本的效果。

    推荐理由:提出零思考或全思考的混合决策模型,通过自路由块动态评估推理价值以平衡精度与延迟。

  2. The Robot Report60

    Rhoda AI 推出基于互联网级视频数据的通用机器人模型

    Rhoda AI 在获得 4.5 亿美元 A 轮融资后,推出了直接视频动作(DVA)模型,该模型通过在海量互联网视频上进行预训练以建立对运动、物理和交互的强先验。与仅依赖遥操作的小型数据集不同,该模型结合移动性与操作能力,通过观察 - 预测 - 转换 - 执行的闭环实现泛化,并可在少量任务特定微调后部署于真实世界场景。

11月13日周五
  1. arXiv · 机器人与计算机视觉82

    Instant NuRec:面向驾驶场景仿真的前馈式 3D 高斯重建模型

    NVIDIA 发布 Instant NuRec,这是一个前馈神经网络模型,旨在解决传统神经仿真方法速度慢且需逐场景调优的问题。该模型仅需一次前向传播,即可将多视角驾驶日志(约 10-20 秒)快速重建为包含静态与动态层的 3D 高斯泼溅(3DGS)世界、天空立方体及相机 ISP 校正结果。

    推荐理由:NVIDIA 提出 Instant NuRec,通过前馈网络将多视角驾驶日志在约 1.5 秒内重建为可仿真的高斯泼溅场景,性能优于现有基线。

  2. arXiv · 机器人与计算机视觉35

    AI Sandboxes:威胁模型、分类学与测量框架发布

    该研究提出"AI Sandbox"装置定义及五种原型架构,建立十五维测量指标与最弱环节许可规则以界定部署主张。框架涵盖驾驶、工业控制等四类实例的威胁建模,明确实验边界对证据解读的影响并映射至标准规范。预印本 arXiv:2606.18532 含 42 页正文及图表,旨在识别受控实验支持的声明与需进一步验证的假设。

  3. arXiv · 机器人与计算机视觉68

    NEXUS:用于接触丰富 3D 物体动力学的神经能量场框架

    论文提出了 NEXUS 框架,利用结构图表示物体并构建动态接触图,通过标量能量和耗散项而非直接预测状态来建模运动,从而在变化机械属性和物理效应组合下提升长时序准确性。该框架为接触丰富的视频生成提供有效引导,改善物理合理性并保持视觉质量。材料为预印本,未报告真实机器人部署结果。

  4. arXiv · 机器人与计算机视觉82

    NVIDIA 发布 OmniDreams:面向自动驾驶闭环仿真的实时生成式世界模型

    NVIDIA 发布 OmniDreams,这是一个基于 Cosmos 扩散模型中后训练的实时生成式世界模型,旨在解决长尾场景下自动驾驶策略安全评估的瓶颈。该模型通过自回归方式根据过去帧、当前仿真状态及即时驾驶动作生成逼真的传感器视频,能合成极端天气和不可预测的动态行为等难以捕捉的现象。

    推荐理由:NVIDIA 推出 OmniDreams,利用 Cosmos 扩散模型基座实现实时闭环生成,支持极端场景与动态交互,并展示在 NuRec 数据集上优于 Alpamayo 1.5 的预训练策略性能。

  5. arXiv · 机器人与计算机视觉42

    Model-Predictive Spill-Free Emergency Stopping for Liquid-Manipulating Robots

    该系统将紧急制动建模为最优控制问题,在模型预测控制框架下生成时间最优且防溢出的停止轨迹。作为即插即用的安全层,该方法叠加于现有无晃动运动规划之上,能在检测到危险时立即响应非线性液体动力学。仿真及七自由度 Franka Emika Panda 机器人实验证实,系统可实现快速紧急制动且不发生液体溢出。

  6. arXiv · 机器人与计算机视觉42

    SunnyParking:多拍轨迹生成与运动状态感知的人机一致泊车算法

    SunnyParking 提出双分支端到端架构,联合预测空间轨迹与离散运动状态序列以解决传统方法在换档点物理不可行问题。该方法引入傅里叶特征表示目标车位,在 CARLA 仿真数据集上显著提升了复杂多拍场景下的轨迹鲁棒性与换档定位精度。论文已接受发表于 IEEE Access,并开源了专用泊车数据集供评估全预测能力。

  7. arXiv · 机器人与计算机视觉42

    ReflFlow:学习几何引导的光线追踪以实现动态高光重建

    ReflFlow 框架通过残差材质增强高斯泼溅表示及混合渲染管线,解决了动态高光场景中的反射方向估计与物理建模难题。在动态场景基准测试中,该方法定量定性均优于先前方法,生成了更清晰逼真的复杂环境高光反射。该成果作为 ICML 2026 预印本发布,包含代码、权重与数据,共 16 页含 5 张表格。

  8. arXiv · 机器人与计算机视觉65

    SAGAS:基于语义感知的图辅助拼接用于离线时序逻辑规划

    论文提出 SAGAS 框架,解决线性时序逻辑(LTL)机器人规划中模型合成依赖准确状态机、学习方法需在线交互的权衡问题。该框架在无动力学模型与任务演示的离线设置下,利用固定轨迹片段学习可复用的隐式可达性图与冻结的目标条件执行器。

  9. arXiv · 机器人与计算机视觉68

    Agentic Aerial Cinematography:从对话线索到电影级轨迹的自主空中摄影框架

    论文提出了 Agentic Aerial Cinematography (ACDC) 框架,旨在弥合智能体在数字环境中的推理能力与物理世界任务执行之间的差距。该框架通过执行器将智能体对电影意图和视觉判断的解释锚定在场景几何与飞行约束上:给定自然语言请求和三维场景表示,智能体选择相关视角并通过视觉反馈进行优化,随后利用优化与运动规划生成可执行的无人机航迹。

  10. arXiv · 机器人与计算机视觉42

    LLM-to-Phy3D:LLM 驱动物理合规的在线三维物体生成方法

    LLM-to-Phy3D 提出一种新颖的在线黑盒优化循环,通过视觉与物理评估反馈驱动大语言模型实时生成符合物理约束的三维设计。在车辆设计优化消融研究中,该方法相比传统 LLM-to-3D 模型使目标域设计的物理合规性提升 4.5% 至 106.7%,显著增强了几何新颖性与工程性能。该成果已被 IEEE CEC 2026 接收并发表,为科学和工程领域的生成式设计提供了新的 AI 驱动解决方案。

  11. arXiv · 机器人与计算机视觉35

    Neural Render Proxies 实现静态场景交互式可微光照重渲染

    Neural Render Proxies 通过解耦路径采样与发射计算,在固定相机和材质下为静态场景提供约 30-60 Hz 的交互式重渲染速率。该方法兼容非可微生产渲染器且推理内存需求极低,能逼近真实路径追踪的视觉保真度并支持基于梯度的逆向工作流。论文已被 EGSR 2026 接收,代码与数据许可状态待定。

  12. arXiv · 机器人与计算机视觉68

    面向非线性时间最优模型预测控制的集成化数据高效实时神经模仿架构

    针对非线性时间最优模型预测控制计算成本高难以实时的问题,本文提出一种集成化架构以实现数据高效的实时神经模仿。核心贡献包括自信息采样策略、联合处理数据集相关性等挑战的完整训练与控制架构,以及在 Furuta 摆上的真实世界验证。

  13. arXiv · 机器人与计算机视觉78

    AstroMemBench:具身航天体记忆系统基准

    AstroMemBench 是一个针对具身航天体记忆系统的基准测试工具,涵盖行星表面操作、在轨服务及深空探索等九项任务。该基准包含 16 个子挑战、140 个模板和 2240 个实例,通过确定性环境对任务完成度、状态变化、安全性和资源使用进行评分。

    推荐理由:该基准通过确定性环境量化了具身航天体在通信延迟与资源受限下的记忆系统性能,为长周期自主任务提供了可复用的评估框架。

  14. arXiv · 机器人与计算机视觉48

    PCM-PPO 方法实现土星探测器自主任务规划

    针对土星探测极端环境,该方法提出物理约束掩蔽近端策略优化(PCM-PPO)以实现自主任务规划。研究建立土星特定离散马尔可夫决策过程并融入系统动力学与几何模型,通过物理约束动作掩码构建可行决策域以规避不可行探索。对比、消融及不确定性实验验证了该方案在资源受限下的有效性,为深空探测提供了可行且可解释的自主规划路径。

  15. arXiv · 机器人与计算机视觉75

    基于高斯过程的信息路径规划:误差界、算法与基准

    本文针对环境监控中的信息路径规划(IPP)问题,指出当前方法受限于启发式约束且缺乏同时满足最坏情况估计误差和逼近质量的理论保证。研究通过评估重构误差的概率与确定性界限,证明预测方差是 GP 基 IPP 的理论理想优化目标;分析表明 GreedyCover 算法的近似保证匹配了该问题的根本性近似硬度极限。

  16. arXiv · 机器人与计算机视觉38

    AgriSense:虚拟温室中的视觉语言决策支持与机器人干预框架

    AgriSense 框架结合 Isaac Sim 虚拟温室与四足移动操作臂,利用冻结的 DINOv2 和 BERT 编码器联合预测十二项环境参考及干预标志。在源分组测试集上,全模型、去图像及去语言配置均达成 43/44 次区域决策正确率,未体现多模态增量增益;温度与湿度预测误差分别为 0.249 度和 2.03 个百分点。

  17. arXiv · 机器人与计算机视觉82

    PhysCapBench:首个跨域物理 grounded 视频描述基准发布

    PhysCapBench 是首个统一涵盖第三人称场景、第一人称操作及手持夹爪演示的物理标注基准,包含 1,500 条经人工验证的视频序列并覆盖七个物理维度。该基准显示,相比仅含元数据的描述,富含物理信息的视频语言监督可将视频重建的 LPIPS 误差降低 8.6% 至 30.9%,并在 pi0.5 策略微调任务中带来 7.5 个百分点的成功率提升。

    推荐理由:PhysCapBench 作为首个跨域物理标注基准,通过量化语言监督中的物理信息缺失,为视频重建与策略微调提供了可检验的评估标准。

  18. arXiv · 机器人与计算机视觉73

    Alloy:面向机器人学习的多材质物理引擎

    Alloy 是一个开源物理引擎,旨在解决机器人训练中刚体与非刚体(如布料、液体、颗粒)难以在同一场景模拟的问题。该引擎将不同材质的求解器耦合在单一场景中,支持在单 GPU 或 CPU 上并行运行多个世界实例,并引入健康度评分以区分物理失败与策略失败。

  19. arXiv · 机器人与计算机视觉48

    Prediction-Error-Tightened MPC 实现社交合规人群导航

    该研究将障碍物检测、Koopman 运动预测及在线误差估计集成至碰撞规避机制,通过聚合邻近障碍降低计算复杂度。仿真闭环对比显示,Markov 残差收紧使物理接触率从 10.0% 降至 1.33%,平均耗时仅增加 0.68 秒。人群导航语义消融实验表明,行人感知处理下机器人足迹与个人空间重叠占比为 2.11%,显著低于通用障碍物处理的 22.84%。