跳到正文
11月18日周三
  1. 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。

  2. 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。

  3. 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。

  4. 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。

  5. arXiv · 机器人与计算机视觉82

    MillBill:一种具备几何反馈的加工代理

    MillBill 是一种将加工决策与几何执行及验证分离的智能体系统。给定边界表示零件、毛坯和材料信息,本地托管的中大型开放模型负责提出操作和切削参数;几何约束生成器则生成刀具路径、模拟材料去除并返回反馈以优化计划。系统考虑了刀库的物理可达性而非仅可见性。基于 Qwen3.8-27B 的评估显示,MillBill 在指定公差内的目标表面积比例上优于前沿模型方法。代码与论文已公开。

    推荐理由:该工作提出将加工决策与几何执行分离的代理架构,在仿真环境下验证了其对复杂零件加工的优越性。

  6. arXiv · 机器人与计算机视觉72

    CADMAGEDDON:基于本地推理的高保真 CAD 重建开源代理

    针对专有零件不愿外泄及小团队算力受限的问题,研究提出 CADMAGEDDON,这是一个可在单显卡或当前代笔记本本地运行的开源智能体。该方法将复杂任务拆解为关于构建与修正的简单视觉决策链,利用几何工具支持精确构造,使智能体专注于视觉推理。

  7. arXiv · 机器人与计算机视觉85

    JEPA 风格潜在世界模型的规划器 - 硬件协同设计与差分稀疏性制造

    JEPA 风格的潜在世界模型虽能支持具身智能体进行基于模型预测控制的新目标规划,但采样式 MPC 重复推断导致单次规划耗时数十秒。本文提出利用规划器自身决策特性,通过参考森林采样在候选动作序列间制造位级差分稀疏性,并设计专用加速器实现算法与硬件的紧密协同。

    推荐理由:该文提出规划器与硬件协同设计,通过制造差分位级稀疏性提升 JEPA 世界模型的推理速度并降低能耗。

  8. arXiv · 机器人与计算机视觉25

    个体判断差异的形状:共享轴、个人权重及共识跨越时刻

    该研究利用十个公开数据集(约 20,000 名评价者)提出三种嵌套生成模型,分析人脸、艺术品等判断中个体差异的形态。结果显示,人脸判断仅需重加权即可恢复,而艺术品判断中 28% 的评价者位于与群体相反的一侧。研究证实个体差异不仅存在大小之分,其形状还取决于领域和评价者样本。

  9. arXiv · 机器人与计算机视觉28

    ROSMonitoring 扩展支持 ROS 2 Actions 运行时监控与强制

    ROSMonitoring 新增对 ROS 2 Actions 的运行时监控,通过目标标识符重构事件生命周期并自动注入协议合规的强制执行操作。受控压力测试显示,在固定负载下监控成本随动作调用次数近似线性增长,而大工作量和更多客户端 - 服务器对会引入额外开销。该研究揭示了当前同步实现的性能局限,相关论文已提交至 FMAS 2026 会议。

  10. arXiv · 机器人与计算机视觉62

    BehaVerify:一种用于行为树的形式化验证工具箱

    BehaVerify 是一个开源工具箱,旨在对行为树(BT)及神经符号行为树进行形式化验证。该工具支持使用领域特定语言(DSL)结合线性时序逻辑和计算树逻辑指定规范,并通过高效编码快速验证。它可生成 Python 和 Haskell 实现,已集成 PyTrees 与 ROS,并部署于多个自主机器人系统以验证运行时监控器。本文聚焦工具箱的使用、功能与实现细节。

  11. arXiv · 机器人与计算机视觉17

    FRETISH 工具将机器人辅助穿衣任务的 146 条自然语言危害需求形式化为 117 条唯一要求,揭示时序约束占比及分类互补性

    研究利用 FRET 工具将机器人辅助穿衣(RAD)案例的 146 条自然语言危害需求形式化为 117 条唯一 FRETISH 要求。分析显示 70.1% 的要求包含即时响应或顺序约束,且形式化过程暴露了歧义与假设。该工作证明 HRT 分类学与形式化方法提供互补视角,为机器人系统验证提供了从非结构化语言到可验证表示的过渡支持。

  12. arXiv · 机器人与计算机视觉53

    视觉语言融合缩放定律:揭示早融合与晚融合的权衡机制

    该论文系统分析了视觉语言模型的预训练动力学,提出了一种统一的缩放定律来描述不同数据混合比例、训练步数和模型规模下的损失变化。研究发现,在固定数据预算下,早融合能保持文本性能而晚融合偏向视觉性能,且随着模型规模扩大,权衡趋势逐渐向早融合倾斜。实验证实该定律能有效预测多模态学习动态并指导融合决策选择。

  13. arXiv · 机器人与计算机视觉84

    Perception into Imagination:面向物理 AI 的可执行感知记忆世界模型框架

    该论文提出可执行感知记忆(EPM)框架,旨在解决物理智能体在失去视觉或接触后利用过往信息的问题。该方法将显式感知状态与神经潜在动力学结合,用于奖励预测、价值估计和策略学习。

    推荐理由:提出可执行感知记忆框架,在记忆迷宫任务中相比仅用共享前端的方法提升 7.00 回报,验证了持久感知对世界模型的贡献。

  14. arXiv · 机器人与计算机视觉43

    Weight-Space Programming 在扩散模型概念编辑中的程序构建与分数引导优化研究

    该研究利用语言模型构建可执行的权重更新以进行扩散模型概念编辑,但在 Stable Diffusion 1.4 的 24 个预注册测试中未优于强基线。探索性对比显示,Astra 程序在需主体存在的全图目标匹配任务上,单步成功率较共享面板基线提升 10.0 分,而 CLIP 相对匹配无显著变化。结果证实程序构建与分数引导修订应作为 WSP 流水线中独立评估的阶段。

  15. arXiv · 机器人与计算机视觉48

    LoCaR:冻结视觉语言模型的局部画布检索框架

    LoCaR 是一个无需训练的框架,利用冻结的视觉语言模型与独立 SAM2 提案构建局部图像表示以优化小物体检索。研究引入基于 Visual Genome 的 LOCFG 基准进行评测,结果显示提升区域表征本身是主要增益来源。该工作涵盖零样本及局部检索任务,代码或权重开放许可情况未明确说明。

  16. arXiv · 机器人与计算机视觉45

    When Lower Harm Misleads:概念修正审计与乳腺超声诊断优化研究

    针对专家修正预测(如乳腺超声 BI-RADS 描述)时“降低伤害”指标可能误导的问题,研究者提出一种可复现的修正审计协议。该协议在三个乳腺超声数据源上验证发现,单纯追求低伤害会牺牲有用增益并推高负对数似然;仅在结合有用增益、绝对风险及起始预测共同解读时,“降低伤害”才真正代表更好的修正效果。

  17. arXiv · 机器人与计算机视觉45

    FM-Mamba:一种具有稳定性感知离散化的高效原生二维选择性状态空间模型

    FM-Mamba 提出了一种基于 Fornasini--Marchesini 模型的原生二维选择性状态空间架构,通过耦合递推沿双轴演化并自适应调整步长以抑制局部放大。该模型采用双对角波前扫描执行,无需将特征图展平或固定缩放因子,代码已开源。

  18. arXiv · 机器人与计算机视觉83

    RiDEx:一种用于扩散强化学习的奖励感知方向性探索方法

    论文提出 RiDEx 方法,旨在解决基于奖励的扩散模型后训练中的探索效率问题。该方法将局部探索集中在去噪速度场中与奖励相关的子空间内,利用条件残差或可微奖励梯度确定子空间,并通过同状态下的等量反向扰动测量终端奖励响应。

    推荐理由:针对高维潜在空间探索效率低的问题,提出奖励感知的方向性探索方法,在四个对齐任务上实现最高峰值奖励并显著加速目标达成。

  19. arXiv · 机器人与计算机视觉82

    权重空间编程:大语言模型原生编写神经网络权重以控制真实拖拉机

    该论文提出“权重空间编程”概念,即大语言模型依据自然语言规范直接读写神经网络权重,无需优化器或梯度下降。研究将 GPT-6 Astra 和 Claude Fable 5.1/5.2 应用于自动拖拉机引导任务,在仿真中修复了为另一台拖拉机训练的 253 参数网络,并从零权重编写出控制器;两者均能正确分析闭环控制理论。

    推荐理由:研究展示了大语言模型直接读写神经网络权重的方法,成功在真实拖拉机控制器中实现路径引导。

  20. arXiv · 机器人与计算机视觉65

    PromptPack:无需训练即可增强扩散编辑器的意图对齐空间与语义控制

    论文介绍 PromptPack 方法,为扩散编辑器配备两种明确‘编辑指南’:像素级编辑角色分区(保持/允许/修改)和区域提示分配(将空间区域映射到文本提示)。该方法无需重训练,可将独立嵌入的区域提示注入固定长度文本序列,利用编辑指南在空间上掩蔽注意力、门控流更新并恢复受保护源像素。

  21. arXiv · 机器人与计算机视觉48

    VisHead-Spec:一种用于多模态推测解码的头路由视觉注意力机制

    VisHead-Spec 通过仅让 8 个 KV 头读取目标模型顶层图像特征,在 Qwen3-VL-8B 和 MMSpec 上实现了优于 DSpark 基线的推理加速。该方案将批处理量为 64 时的吞吐量增益提升至 16.0%,同时保持接受长度误差低于 0.3%。此预印本论文(arXiv:2611.21839)解决了高并发下多模态推测解码速度提升不足的问题。

  22. arXiv · 机器人与计算机视觉35

    场景表示对基于场景的优化认证影响研究:无损重分组提升可用性

    该研究揭示在保持样本与可行域不变的情况下,无损场景重分组使等分配支持子集证书的认证可用性从 480 次尝试中的 318 次提升至 471 次。结合无退化 Wait-and-Judge 理论,该方法在不减少见证基数或改变数值提案的前提下实现了更强的直接认证。实验表明,表观上的样本效率增益源于证书核算而非额外信息或决策风险降低。

  23. arXiv · 机器人与计算机视觉43

    Feedback-Linearised Trajectory Tracking via Model-Informed Robust Geometric DDPC 论文提交至 2027 年学习动力学与控制会议

    该研究提出基于模型反馈线性化的几何鲁棒数据驱动预测控制(DDPC),用于全驱动机械臂轨迹跟踪。仿真在含重力平面 2R 机械臂上验证,相比双积分 MPC 提升跟踪精度但增加扭矩消耗,性能相对 DeePC 取决于参考轨迹。论文已提交至 2027 年瑞典斯德哥尔摩学习动力学与控制会议,暂未开源代码或权重。

  24. arXiv · 机器人与计算机视觉35

    EviSlide-MIL:多查询池化与共享预测用于类增量全切片图像分类

    EviSlide-MIL 提出一种结合每类多个可学习查询与共享预测模块的框架,解决全切片图像在引入新肿瘤亚型时的知识遗忘问题。该模型通过冻结历史查询、经验回放及知识蒸馏,在 TCGA 八种肿瘤亚型数据集上实现了优于竞品的性能并降低遗忘。代码与预训练模型将发布,适用于弱监督下的癌症诊断场景。

  25. arXiv · 机器人与计算机视觉43

    ID-MAE 多模态掩码扩散自编码器提升驾驶损伤推断效果

    ID-MAE 模型通过结合 gaze 与轨迹重建的自监督目标,在 DIVERT 数据集上将损伤检测配对 AUC 从 0.590 提升至 0.706。该研究利用包含 103 小时数据、涵盖十种认知/视觉/情绪诱导的仿真数据集验证了多模态输入的有效性。代码与数据将在论文被 CVPR 2027 接收后开放,相关成果已提交至会议评审。

  26. arXiv · 机器人与计算机视觉58

    Learning Grounded Reasoning from Human Gaze

    arXiv:2611.23209 论文提出利用人类注视数据作为先验来引导 VLM 的视觉推理,在图表理解、视觉搜索和计数等任务中表现优于全序列监督。作者收集了 7,109 次人类注视试验并训练了 GGR(Gaze-Guided Reasoner)模型,该模型实现了更高的人类对齐度和更可靠的视觉定位,同时匹配或超越了领先的基线准确率。

  27. arXiv · 机器人与计算机视觉64

    Any2Building:通过共享空间查询统一点云与图像进行建筑重建

    该论文提出 Any2Building 模型,旨在从部分点云、俯视图或两者结合中重建 LoD2 精度建筑。核心采用基于占据的共享空间查询表示法,在公共三维网格内对齐几何与视觉线索,并通过体素条件表面生成及低多边形重网格化管线输出紧凑模型。

  28. arXiv · 机器人与计算机视觉67

    少说错得少?诊断并修复偏好优化视觉语言模型的物体覆盖不足

    该研究发现偏好优化(PO)在降低大视觉语言模型物体幻觉的同时,也显著降低了物体命名数量。研究证明,通过调整序列结束概率即可复现大部分召回率增益,而无需训练。作者提出一种基座引导的物体类别恢复方法,在不增加幻觉的前提下将 PO 模型的召回率提升至接近基座模型水平。

  29. arXiv · 机器人与计算机视觉57

    D\'ej\`a View:一种用于视觉任务的共享工作记忆模型

    arXiv 预印本介绍了一种结合动态活动与特征临时关联的图像工作记忆模型。该模型在五个任务上接受训练,包括样本记忆、分类干扰项以及判断图像新旧。同一模型由明确提示引导完成不同任务,结果显示延迟对样本记忆影响小,但看到更多图像会增加误报率;在多问任务中正确回答概率随问题数量增加而下降。材料为预印本,未提及同行评审状态或真实机器人部署结果。

  30. arXiv · 机器人与计算机视觉42

    Attribution Through the Decoder:结构化输出的预测空间解释方法

    该方法通过解码器微分进行归因,解决传统方法在角度、注视方向等预测中因固定解码器丢弃坐标变化而导致的错误归因问题。实验显示,在 MPIIGaze 数据上其 Tangent Grad-CAM 使像素删除后的预测位移提升 44%,PASCAL3D+ 任务下平均删除位移分别优于基线 14.1 度和 13.8 度。该研究区分了径向污染与标量化损失两种失效来源,并指出不变性归因仍需结合删除性能检查。

  31. arXiv · 机器人与计算机视觉42

    TextSphere:通过共享超球面对齐实现高效文本生成图像

    TextSphere 是一种将语言条件与跨模态对齐引入 Sphere Encoder 的高效文生图框架。该方法利用预训练 CLIP 嵌入引导生成,并通过 SSAU 目标优化超球面上的语义对齐与表示均匀性。在 CUB-200-2011、MS-COCO-2014 和 Flickr30k 数据集上,仅需 4 至 6 步采样即可将 gFID 降至基线以下且 rFID 低于 1.0。