ContraFM-S2O:基于流匹配与对比学习的一步 SAR 转光栅图像翻译模型
ContraFM-S2O 提出一种基于流匹配的 SAR 到光栅图像翻译模型,通过预测速度场求解 ODE 实现一步生成并引入对比学习提升细节保真度。实验表明该模型在 SAR2Opt 和 QXS 数据集上达到最先进水平,推理延迟显著低于扩散与 GAN 基线且边缘纹理更清晰。代码与论文已公开于 arXiv (arXiv:2609.31378v2)。
ContraFM-S2O 提出一种基于流匹配的 SAR 到光栅图像翻译模型,通过预测速度场求解 ODE 实现一步生成并引入对比学习提升细节保真度。实验表明该模型在 SAR2Opt 和 QXS 数据集上达到最先进水平,推理延迟显著低于扩散与 GAN 基线且边缘纹理更清晰。代码与论文已公开于 arXiv (arXiv:2609.31378v2)。
论文 GraFT 针对当前多模态大语言模型在几何测量、视角转换及细粒度外观定位上的不足,提出无需微调的解决方案。该方法通过紧凑的三维场景图(3DSG)向冻结模型提供三维结构信息,具体形式包括符号工具计算的值、鸟瞰图图像以及由几何选定的以自我为中心的画面。
推荐理由:GraFT 提出无需微调的框架,通过图结构为冻结模型补充三维信息,在 ScanQA 和 VSI-Bench 上显著优于基线。
针对重复室内环境中 LiDAR 到 BIM 配准易受对称性误导导致高置信度错误定位的问题,本文提出 Move First, Commit Later 选择性层。
论文提出 GemNav,一种将机器人局部航点坐标表示为离散度量值分数的概率分布并软解码为连续坐标执行的视觉导航策略。该方法利用度量距离目标采样构建训练轨迹,仅需 8.7 小时 SCAND 公开数据集即可训练,在未见环境和三种物理不同的机器人平台上实现了无需重新训练的跨平台迁移,且相比基于帧的采样和连续回归头展现了更可靠的避障与分布外泛化能力。
本文研究了如何将针对文本域的智能体架构搜索(AAS)技术迁移至感知具身智能体领域。作者引入了 AgentCanvas 作为可编辑的有类型图表示,支持仿真执行与日志记录;将优化器从大语言模型调用循环升级为利用工具的编码智能体会话,并提出了知识蒸馏循环(KDLoop)。
针对预训练视觉语言模型语义空间与具身控制策略的结构不匹配问题,本文提出 AffordanceVLA 框架。该框架引入结构化机会学习作为任务导向和对象中心的中间表示,通过 Which2Act、Where2Act 和 How2Act 三个互补组件建立精确的感知 - 动作映射。
针对多模态大模型在多机器人协作空间推理上的不足,本文提出首个基准 CoopSR 及数据集 EgoTeam,涵盖合成环境与真实四足机器人测试集。作者构建了 SG-CoR 框架,通过动态帧采样与几何引导视图融合实现细粒度协作推理,在 Habitat 和 iGibson 上显著优于最强微调基线,并支持未见团队规模泛化。代码已开源。
Mono-Hydra++ 是一种面向敏捷机器人的单目 RGB 加 IMU 流水线,用于室内度量 - 语义映射和分层三维场景图构建。系统结合 DINOv3 基的多任务模型 M2H-MX 与深度视觉惯性里程计前端,在 Go-SLAM ScanNet 子集上比最强 RGB-D 基线平均轨迹误差低 1.6%,在校准的 7-Scenes 数据集上将平均 ATE 提升 29.8%。
推荐理由:该工作提出仅凭单目 RGB+IMU 实现实时三维场景图构建,在资源受限平台上替代深度传感器,代码与模型权重已开放。
该研究针对现代视觉语言模型(LVLM)的长上下文建模问题,系统探索了长上下文持续预训练(LongPT)策略。研究发现长文档 VQA 比 OCR 转录更有效,且平衡的数据分布优于仅聚焦目标长度的数据。
该论文提出 SpaAct 框架,旨在让视觉语言模型(VLM)具备在未见过的三维环境中遵循指令进行导航的能力。方法引入动作回顾与未来帧选择两个任务以分别强化反向动作推理和正向过渡预测能力,并设计 TriPA 课程学习策略从基础运动逐步过渡到长程推理。实验表明该方法在标准 VLN-CE 基准上取得最先进性能,代码与模型将公开支持后续研究。
该研究针对现有端到端导航策略在远距离或跨房间场景中易迷失的问题,提出分层推理导航框架。该方法利用视觉语言模型生成高层短视域规划(如通过门还是走走廊),再由在线强化学习策略执行低层动作,并引入游荡抑制惩罚减少无效探索。实验表明该方法在仿真与真实环境中均优于现有方法。
推荐理由:提出分层推理导航框架,将长程任务拆解为高层规划与低层执行,并引入游荡抑制惩罚以解决远距离目标定位难题。
该论文提出 OccSim,这是首个不依赖预记录驾驶日志或 HD 地图等空间先验的 3D 占用世界模型驱动仿真器。系统仅需初始帧和自车动作序列即可稳定生成超过 3000 个连续帧(较此前最先进方法提升 80 倍),并融合成跨度超 9 公里的地图,定性测试甚至可滚动至 11 万帧以上。
推荐理由:该工作提出首个无需 HD 地图或日志布局的 3D 占用世界模型仿真器,生成长度提升 80 倍并支持超千米范围合成数据。
该论文提出了一种名为 MVISTA-4D 的新型具身 4D 世界模型,旨在解决现有方法仅支持纯图像预测或部分 3D 几何推理、难以预测完整 4D 场景动态的问题。
针对现有评估偏语言或仿真、缺乏对真实世界知识密集型推理的考察,本文提出 Sparsely Grounded Visual Navigation 任务及 CityNav 基准,涵盖四个全球城市。
该论文提出一种无需训练且与描述器无关的方法,通过矩阵分解将多个参考描述符联合建模为基表示,实现投影残差匹配以解决外观变化下的视觉定位问题。在外观变化数据集上,该方法相比传统单参考集匹配 Recall@1 提升约 18%,并在观点变化场景下支持分布式参考集匹配。
论文探讨视觉语言模型在视觉对齐后是否改变了其文本表征的视觉结构。研究通过形状计数任务发现,尽管模型能回答图像问题,但在纯文本描述的几何问题上表现并未提升,且解码器嵌入缺乏视觉结构。作者提出一种优化目标,将上下文中的视觉嵌入蒸馏到文本嵌入中,无需显式监督即可在复杂样本上提升纯文本任务的性能,表明传统的 VQA 风格对齐未充分利用跨模态迁移潜力。
论文针对 LeWM 等潜在世界模型指出,使用环境范数(如欧氏距离)作为终端代价仅在目标附近有效,远距离会形成虚假低代价盆地导致规划失败。作者提出 Neighborhood Graph Cost (NGC),通过构建训练潜变量的互最近邻图计算流形上的最短路径距离来替代传统代价。
Ashish Hota 提出一种含单可调增益的转向率反馈律,在满足转向约束下保证对任意合法逃逸策略的有限时间捕获。研究推导了非空增益区间所需的转向权限及与逃逸速度无关的速度上限,数值仿真验证了该方法的有效性。
CARVS 算法通过整合任务交换、验证检查与随机初始化,解决了人机协作中因人类不确定性导致的动态障碍与路径规划超时难题。仿真结果显示,该算法在大规模场景下显著降低了传统 MAPD 算法失效时的路径规划超时时间,提升了效率与可扩展性。论文已被 DAI 2026 会议录用并发表口头报告,代码与数据暂未提及开源许可。
针对具身世界模型长时预测中潜变量演化易偏离物理演化的问题,本文提出结构化动力学框架 HWM,通过在广义坐标与动量构成的学习相空间中表示骨干潜变量,并利用耗散哈密顿动力学进行未来状态传播。
该预印本提出 GazeAgent 框架,利用视觉语言模型(VLM)从佩戴者手部和 IMU 等多模态行为中识别精确视觉注意力事件,将其作为伪校准目标以连续自适应地提升眼动精度。
针对复杂非凸物体的碰撞检测瓶颈,本文提出了 ML-IST 方法,将内球树的叶节点生成重构为基于多通道体素几何的单步集合预测问题,并通过可微覆盖反馈修正残差及轻量级几何投影确保有效性。
针对大语言模型生成的 CAD 装配体常无法实现预期物理功能的问题,本文提出 FunCAD-Harness 框架,将抽象需求转化为候选方案专用的物理测试,利用仿真反馈指导设计迭代。研究构建了涵盖 46 类机械结构的 FunCADBench 基准,实验表明该方法能发现视觉检查难以察觉的机械故障,显著优于标准仿真增强基线。
Ropedia W0 是首个涵盖人类与机器人的自中心运动操作世界基础模型。作者整理了包含 1 万小时人类数据和 3 千小时机器人数据的 Xp-Data,并引入统一运动学表征(相机姿态编码运动、投影骨架编码操作)及高质量遥操作基准 Xp-Teleop。
InfiniDream 是一个由 VLM 驱动的框架,旨在解决现有方法受限于预定义工厂和 API、难以创建新型资产的问题。该框架提出符号约束资产生成与端到端文本到世界管线,在 100 个物体及 20 个场景生成任务上提升了四项感知指标并通过了人类偏好评估。项目页面已公开,代码与权重许可状态待定,相关论文为 arXiv 预印本版本。
本文系统研究了物理递归自我改进(Physical RSI)的机制、缩放行为与泛化性,引入 PhysRSI-eval 通过首次尝试性能、效率、成功率、预算和失败后改进五个维度量化 VLM 在 18 个操作任务中的表现。
推荐理由:该文提出物理递归自我改进观测缩放律,通过五轴指标量化 VLM 在操作任务中的表现与改进机制。
该论文提出 Stateful Harness 框架,旨在解决现有世界模型在处理依赖隐状态的导航任务时无法确保动作遵循持久规则的难题。框架将世界演化与视频渲染分离,在指定规则下维护演化的世界状态,并利用冻结的视频模型渲染事件以更新下一轮状态。
论文提出了 Unisense 框架,旨在解决具身智能系统中多模态感知受限的问题。该框架通过两阶段训练过程,首先对齐感官表征与语言以建立接口,随后在共享架构内微调特定模态专家。
SpatialScout 是一个包含 80 个室内场景和 3140 个目标物体的基准,用于评估视觉语言模型(VLM)智能体在受限交互预算下进行主动物体级三维建图的能力。
针对头戴式立体鱼眼相机存在的强畸变、视野受限及基线短导致的 3D 姿态估计难题,本文提出 EgoRayFormer 因果姿态估计器。该方法在射线空间耦合立体特征采样与几何细化:将共享的 3D 假设沿关节观测射线投影至双图,通过几何分支校正投影位置并求交,再经学习门控融合几何估计与姿态更新。
论文提出 PrismWAM,旨在解决世界动作模型(WAM)将外观与物理构型纠缠的问题。该方法将世界状态分离为语义上下文和受物理规律支配的演化过程,构建了从语义规划到物理卷展再到可执行动作的流水线。
推荐理由:提出将语义与物理状态解耦的 PrismWAM,仅凭 RGB 输入在仿真和真实环境中实现操作性能超越大规模预训练基线。
论文介绍 Holi-World 生态系统,整合了经验捕获、世界表征、自动化数据构建、模型学习与独立评估。系统通过结合静态与动态感知自动构建连接场景结构与交互历史的记录,将约 100 个自采集场景整理为包含约 80K QA 对的训练资源用于训练 HOLIWORLD-VL-4B 模型。
针对图像空间推理训练中瓶颈阶段动态变化的难题,论文提出 CALIPER 自适应过程奖励框架及 SpatialTrace 轨迹语料库。该方法通过组内岭回归估计各阶段参考覆盖率与答案正确性的关联,利用其作为效用代理逐步更新奖励权重;同时引入闭环机制监控估计器可靠性以指导回滚、多样化 rollout 及早停。
推荐理由:提出 CALIPER 自适应过程奖励框架,利用 SpatialTrace 解决图像空间推理训练瓶颈动态变化问题。
作者提出 ForagerSim 这一跨学科研究平台,专注于需要地图推理的具身任务,涵盖从搜救到觅食的多种场景。该平台支持感知、规模、拓扑、动力学和任务等维度的独立调节,并在八个示例世界中对比了强化学习基线、工程化机器人栈与人类玩家的表现。
Kinematic Age of Information (K-AoI) 提出一种结合瞬时笛卡尔速度的时空同步指标,将时间延迟转化为物理意义上的空间发散。研究在含六自由度机械臂、Unity 数字孪生及七种网络条件的测试床中验证,发现 K-AoI 与 AoI 的秩相关系数在卫星连接下降至 0.22,且拒绝通用帕累托分布假设。
论文提出一种方法,利用冻结的高层世界模型预测器训练轻量级的目标条件网络,以替代传统规划中昂贵的候选轨迹搜索过程。该方法在离线轨迹上仅使用回溯目标和状态预测损失进行训练,无需宏观动作标签或搜索解的目标。
该研究提出了一种针对自动化仓储内货架拣选任务的分析与离散事件仿真(Analytical-DES)基准,涵盖三种货架长度及至多 30 个拣选位共 180 种场景。
OmniGround 提出 TACG 方法,利用内部注意力作为可靠的时间锚点对齐预测与真值,构建 580K 样本数据集进行后训练。该模型在 LongVALE 和 UnAV-100 基准上分别达到 37.5 mIoU 和 35.7 mIoU,实现了多模态时序定位的最先进水平,同时保持通用音视频理解与纯视觉定位的竞争力。
针对平面相机游戏(如俯视和等距视角)中动作控制依赖特征条件导致空间不一致的问题,本文提出 ActionRoPE 这一无参数动作接口,将动作驱动的光学位移直接转换为世界坐标旋转位置,使同一世界位置的 token 地址随时间保持不变。
推荐理由:提出 ActionRoPE 接口将动作转化为世界坐标,配合 CNS 调度策略,显著降低平面相机游戏世界的重访漂移并提升控制保真度。
针对现有视觉语言动作(VLA)模型因稀疏监督导致关键场景信息被压缩的问题,本文提出“密集思考、稀疏行动”的新范式及 LECDrive 框架。该框架通过注入任务特定的潜变量令牌,将基础视觉模型的视觉表征、语义结构与空间几何知识内化为层级化的专家认知链,并遵循课程学习原则逐步结构化监督。实验表明,该方法在多个自动驾驶基准测试中提升了基座视觉语言模型在物体感知、状态预测和轨迹规划等关键任务上的性能。