跳到正文
10月20日周二
  1. arXiv · 机器人与计算机视觉5

    月面站赋能的辐射观测提升月球导航定位性能

    针对早期部署时卫星几何限制导致的垂直定位精度不足问题,该研究提出利用月面站(SS)结合双差伪距多普勒及双向单程测距(DOWR)的辐射导航架构。蒙特卡洛仿真显示,在连接脊轨迹场景下,引入 SS 并将 DOWR 硬件偏差估计误差控制在 0.058±0.057 m 后,99.7% 垂直定位均值从 29.9 m 显著降低至 4.8 m。该方案通过直接辐射测距有效提升了月球自主漫游器的相对定位能力。

  2. arXiv · 机器人与计算机视觉78

    SpaRV:基于稀疏辐射体的可扩展几何一致 LiDAR-视觉建图与渲染

    论文提出 SpaRV(Sparse Radiance Voxels),一种通过可微射线步进渲染的稀疏辐射体地图方法,旨在解决机器人仿真、导航和检测中对照片级真实且几何准确的地图需求。

    推荐理由:提出 SpaRV 方法,利用稀疏辐射体与可微射线步进实现 LiDAR 与图像联合映射渲染,解决大场景几何一致性与显存限制问题。

  3. arXiv · 机器人与计算机视觉78

    InteractAgent:基于记忆增强反思的代理式人机场景交互系统

    论文提出了 InteractAgent,这是一个用于长程人机场景交互的多模态大模型系统。该系统采用单一大模型同时担任规划者与评估者,并冻结一个运动大模型作为执行器,形成闭环控制架构。

    推荐理由:该文提出 InteractAgent,利用冻结运动大模型与多模态大模型构建闭环规划执行反射机制,在 UniHSI 基准上验证了长程交互任务的成功率提升。

  4. arXiv · 机器人与计算机视觉53

    ReDT:一种面向高分辨率输入的分辨率解耦视觉几何 Transformer

    本文介绍 ReDT,这是一种专为扩展多视图重建至高清(HD)输入而设计的 Feed-forward 视觉几何 Transformer。针对现有模型在固定标准清晰度下训练导致高分辨率重建质量下降及计算扩展性差的问题,ReDT 通过先将各视角映射到固定大小的基元集合、在紧凑的常数大小基础空间计算对应关系、再将输出投影回原始分辨率进行密集预测,实现了内部表示与输入分辨率的解耦。

  5. arXiv · 机器人与计算机视觉43

    UniState:统一记忆与干预的可控世界仿真框架

    UniState 提出一种基于统一世界状态表示的框架,将空间记忆与用户干预融合,支持直接指定物体运动并独立选择相机轨迹。该方法无需规定所有后续动作即可合成合理交互,实验显示其在联合控制物体与相机方面优于现有方法,且干预引发的场景变化在多次 rollout 中持续存在。

  6. arXiv · 机器人与计算机视觉53

    SENRI:理解真实生活视频中空间与事件的关联

    SENRI 是一项研究长连续第一人称视频中空间与事件关联的任务,包含从事件恢复空间和从区域轨迹检索事件两个方向的六种子任务类型。评测基准 SENRI-Bench 涵盖 10 个不间断自录视频(约 25.3 小时)的 500 道人工标注选择题,显示现有直接感知、证据搜索和持久记忆三种范式均面临挑战。

  7. arXiv · 机器人与计算机视觉72

    学习航点与通行事件用于去中心化多旋翼轨迹规划

    这篇论文提出一种学习优化框架,旨在解决多旋翼飞行器在动力学和驱动约束下的协同路径与时序规划难题。该方法通过预测空间航点和有序通行事件来协调独立求解的规划器,利用可微序列凸编程结合刚体动力学与转子推力边界,使网络能通过生成的轨迹接受碰撞和完成度梯度训练。

  8. arXiv · 机器人与计算机视觉37

    SpriteStage:通过渐进式场景编程与重放实现长时段动画生成

    SpriteStage 框架利用迭代演绎和引擎重组,从已接受的世界检查点构建动画并基于运行时反馈修正剧情。该方法生成了三部时长约 9.9 至 14.3 分钟的完整动画,验证了其在长叙事生成中的有效性。相关代码与论文预印本已在 arXiv 公开(arXiv:2610.24869)。

  9. arXiv · 机器人与计算机视觉58

    ATLAS:学习适应 LVLM 注意力以进行推理视频分割

    该论文针对推理视频对象分割任务,提出 ATLAS 框架将大型视觉语言模型(LVLM)中分散且嘈杂的原始注意力图转化为物体中心定位线索。该方法将所有层、头和模态的注意力视为结构化特征,融合高分辨率帧级空间信息与低分辨率视频级时序上下文,利用配备时序注意力和 FiLM 调制的轻量级 U-Net 生成粗分割热力图,再使用 SAM2 进行跨视频传播。

  10. arXiv · 机器人与计算机视觉58

    面向视觉语言动作模型的关系式空间对齐方法

    针对现有方法通过直接对齐预训练 3D 基础模型表示导致 VLA 模型特征空间秩坍缩的问题,本文提出一种关系式空间对齐方法,将关注点从点对点相等转向成对关系对齐。该方法能在注入 3D 空间感知能力的同时保持模型的原始表达能力。实验在公开基准、新的空间推理基准及真实世界操作场景中均表明,该方法能有效将 3D 空间表示融入 VLA 推理,实现多样化的操作任务中的鲁棒性能与增强的空间感知能力。

  11. arXiv · 机器人与计算机视觉82

    从视图到世界:面向视觉语言模型的 3D 世界主动探索框架

    针对现有视觉语言模型在三维空间推理中受限于被动视角的问题,本文提出 View-to-World (V2W) 框架。该框架通过重建包含几何、相机姿态和语义的显式 3D 世界,使 VLM 能通过多轮交互主动获取空间证据进行推理。实验表明,该方法在不需训练的情况下显著优于基线,且经强化学习优化探索策略后达到最先进水平。

    推荐理由:提出无需训练的主动探索框架,将 VLM 从被动感知升级为基于 3D 世界的主动推理。

  12. arXiv · 机器人与计算机视觉53

    建模 3D 可变形模型中的不确定性传播

    本文研究如何将 3D 可变形模型的参数空间方差映射到每个顶点的方差。传统采样或误差传播方法计算成本高,作者提出闭式局部不确定性估计(CLUE),利用全方差定律进行近似,具有模块化、低成本和高精度特点。实验表明,CLUE 在关节、网格和不确定性评估指标上优于概率及确定性基线,且不确定性与误差的相关性最高。代码已开源,并附带高分辨率不确定性图以增强回归器。

  13. arXiv · 机器人与计算机视觉75

    MOMO:基于移动声音的人体运动生成

    arXiv 发布了一篇关于动态空间音频驱动人体动作生成的研究论文。作者提出了 MOMO 框架和两个数据集(DySAM、DySAL)。MOMO 是一个基于扩散的框架,通过定位、理解和生成三个原则,利用原始双耳音频估计移动声源的空间方向并生成高保真的人体运动。材料为预印本,未报告真实机器人部署结果或具体性能数字。

  14. arXiv · 机器人与计算机视觉55

    HumanSkill-4D:时空可变形高斯头像的免训练语言查询方法

    论文介绍 HumanSkill-4D,一种用于可变形高斯头像(animatable Gaussian avatars)的免训练语言查询框架。该方法通过语义记忆关联身体部位与外观描述,并利用几何算子检查运动轨迹以匹配姿态或动作区间,解决了相邻区域分离难和细粒度动作区分难的挑战。

  15. arXiv · 机器人与计算机视觉58

    PACE-Mem:面向多模态智能体的前缀感知互补证据方法

    针对多模态智能体长期记忆中存在重复观测且固定检索深度难以平衡信息量的问题,论文提出 PACE-Mem 方法。该方法构建互补证据序列并基于同一选择轨迹确定长度;对结构化记忆采用查询引导池化计算相关性得分与表征,利用最大边际相关(MMR)在查询相关性与重叠度间取得平衡,并通过比较归一化后的相邻下降值确定检索深度。

  16. arXiv · 机器人与计算机视觉59

    BLANC:面向手语生成的自适应时序调度方法

    BLANC 是一种无词义(gloss-free)的手语生产框架,旨在从文本合成富有表现力的手势运动。针对手部精细动作需高时间分辨率而身体运动较慢的挑战,该方法引入多速率向量量化器将身体与双手表示为不同时间分辨率的离散流;核心组件潜在发音时钟学习时序结构以预测块时长和序列终止,支持因果生成变长运动块并并行去噪;此外还引入推理时基于身体的手部细化以提升协调性。

  17. arXiv · 机器人与计算机视觉43

    SynerGest:基于对比流匹配的双人对话手势生成框架

    SynerGest 提出一种基于对比流匹配(CFM)的高保真双人对话手势生成框架,通过解耦动作内容与节奏的 ITSA 模块解决语义纠缠与微抖动问题。在两个公开数据集上的广泛评估显示,该模型实现了状态最先进性能,能输出上下文响应且运动流畅的双人交互效果。论文已被 ACM MM 2026 接收,代码与权重开放许可待注册。

  18. arXiv · 机器人与计算机视觉65

    ProV-Mem:面向流式视频问答的主动记忆框架

    论文提出了 ProV-Mem 框架,这是一个基于冻结视觉语言模型(VLM)骨干网络的免训练主动记忆系统。该框架将主动决策分解为三个轻量级记忆层级:时序触发记忆用于控制何时查询骨干网络并恢复沉默状态;指令性记忆通过固定提示先验引导生成简洁且具视觉依据的回答;情景记忆则通过过滤近重复响应来决定是否发出回答。

  19. arXiv · 机器人与计算机视觉35

    自动驾驶场景理解:使用定性推理与四值逻辑实现自动因果判定

    该方法利用时空推理和 Belnap 四值逻辑,通过分析 Qualitative eXplainable Graph(QXG)图来判定自动驾驶车辆动作的复杂成因。研究基于 NuScene 数据集的多场景验证了工具的有效性,旨在为乘客提供合理解释并提升道路安全。论文已作为作者手稿发表于 2025 IEEE Intelligent Vehicles Symposium (IV)。

  20. arXiv · 机器人与计算机视觉78

    预训练特征作为教师而非状态:用于视觉规划的紧凑潜在世界模型

    论文提出了 Anchor-WM 方法,利用预训练的 DINO 特征作为教师来学习紧凑的潜在状态,而非直接将其作为世界模型的状态空间。该方法通过动作条件化的动力学学习和仅用于蒸馏的训练头,在保留视觉信息的同时避免表示坍塌。

    推荐理由:提出用预训练特征指导学习紧凑潜在状态,在四个环境中实现最佳成功率并显著加速规划。

  21. arXiv · 机器人与计算机视觉85

    Time-JEPA:利用物理时间序列锚定视频世界模型

    论文 Time-JEPA 针对视频世界模型缺乏物理状态演化信息的不足,提出用低维时序对齐的物理量作为辅助监督信号进行微调。该方法在自动驾驶、机器人操作和人体运动等多个领域均提升了当前状态解码、多步未来预测及运动学重建性能,且在跨条件与变量分布偏移下表现更稳健。外部评估显示其能增强对物理异常及交互的敏感度,且方法可迁移至不同视频骨干网络。

    推荐理由:该工作提出用低维时序物理量辅助监督视频世界模型,在自动驾驶、操作与人体运动等多域任务上提升状态解码与未来预测能力。

  22. arXiv · 机器人与计算机视觉68

    SituHOI:大规模场景化全身人 - 物交互数据捕获

    论文介绍 SituHOI,这是一个包含约 86 小时高质量筛选活动的大规模 RGB-D 数据集,涵盖 16 个室内房间及 18,429 条标注片段。该数据集将移动 RGB-D 相机记录与静态场景扫描、物体几何、语言描述及估计轨迹配对,利用扫描作为持久参考,结合相机定位、深度度量对齐、人体网格恢复等步骤,将所有几何标注注册到共享地板对齐坐标系中。

  23. arXiv · 机器人与计算机视觉45

    超分即空间降尺度:地球观测中的连贯性、结构与任务效用研究

    该研究将单图超分辨率视为空间降尺度问题,在 190 个场景的 735 张卫星瓦片上验证了轻量网络优于双三次插值。实验显示模型恢复约 30% 奈奎斯特频率以上光谱功率,且强制连贯性下剩余误差至少 99.7% 位于观测算子零空间。研究建议评估需结合像素指标、空间结构及任务级测试,以应对能量基指标偏好虚构细节的问题。

  24. arXiv · 机器人与计算机视觉78

    PhaseGuard+: 基于时序采样扰动的稀疏帧视频问答信任度学习与重观测策略

    PhaseGuard+ 提出一种无需微调即可评估稀疏帧视频语言模型答案可靠性的方法,通过控制时序偏移探测冻结 VLM 并预测修复动作收益。在 Qwen3-VL-8B 上可靠性 AUROC 从 68.0% 提升至 74.8%,将 30% 问题路由至更强模型后准确率达 67.87%,显著优于随机路由。

    推荐理由:PhaseGuard+ 方法在冻结 VLM 上独立评估答案风险与修复动作价值,显著提升了稀疏帧视频问答的可靠性与路由效率。

  25. arXiv · 机器人与计算机视觉75

    IMPULSE:在 V-JEPA 2 特征空间先推后测的物理感知方法

    论文 IMPULSE 提出一种在冻结的 V-JEPA 2 视频编码器特征空间中进行物理感知的预测器。该方法通过三次短校准推探获取物体响应,利用贝叶斯接触记忆总结信息,并结合轻量级随机傅里叶变换姿态头将预测姿态输入预测器。实验显示,在预指定的保留对象集上,该方法相比无经验的基准模型将 1 秒特征预测误差降低了 11.6% 至 12.8%,且该增益对超出范围物理属性的对象同样有效。

  26. arXiv · 机器人与计算机视觉38

    Same Space or Not:通过跨视角矛盾评测空间智能的基准

    针对现有基准无法发现偏离真实视图的问题,研究引入包含千问问题的跨视角矛盾解析基准。人类准确率达 83.3%,而最强视觉语言模型仅为 39.7%;即使提供真值相机信息,解决准确率也仅升至 48%。结果表明跨视角矛盾解析是当前 VLMs 的显著弱点,需针对性监督改善。

  27. arXiv · 机器人与计算机视觉63

    ESCAPE:面向碰撞避免与策略执行的自身体感感知框架

    论文提出 ESCAPE 框架,利用分布式深度传感器聚合稀疏测量以构建结构化点云表示,结合基于流匹配的生成式策略,在包含超 10 万条安全关键轨迹的高质量数据集上进行联合优化训练。该框架完全在仿真中训练并实现零样本迁移至物理硬件,无需真实世界微调,在仿真与实机评估中均优于外部视角及体素化规划基线。

  28. arXiv · 机器人与计算机视觉42

    CoM$^2$-Bench 基准与 Agentic Window Search 方法提升电影时刻细粒度定位精度

    针对现有电影时序定位基准难以区分仅细节不同的相似时刻问题,研究提出包含混淆查询对的 CoM$^2$-Bench 基准。分析显示检索阶段是主要瓶颈,因模型常基于共享内容而非差异特征进行选择。提出的免训练代理窗口搜索(AWS)方法通过分解查询并检查候选窗口,将 mIoU 从 18.5% 提升至 26.8%,有效解决了细粒度定位难题。

  29. arXiv · 机器人与计算机视觉44

    任务充分主动感知:移动操作机器人何时决策的混合神经符号框架

    针对未知环境中机器人需判断信息是否充足再行动的挑战,研究提出一种概念性混合神经符号框架。该架构在解析任务后生成初始计划并迭代重评,支持获取新视角、检查物体或请求用户澄清等动作。系统将在由类人躯干与移动底盘组成的移动操作机器人上实现,并在仿真环境中进行互补评估。

  30. arXiv · 机器人与计算机视觉82

    从似然到效用:面向端到端自动驾驶的质量轴扩散

    论文提出 QualiDrive 方法,将端到端自动驾驶中的轨迹生成沿驾驶质量轴而非高斯噪声轴进行扩散。该方法通过构建场景特定的质量阶梯,根据测得的驾驶效应对观测到的轨迹排序,并学习通过有序的低质到高质细化来逆转这种退化。

    推荐理由:提出沿驾驶质量轴进行扩散的 QualiDrive 方法,在 NAVSIM 上实现 SOTA EPDMS 并显著提升高分候选比例。