跳到正文
10月12日周一
  1. arXiv · 机器人与计算机视觉78

    基于世界模型的采样运动规划方法

    论文提出利用视觉世界模型作为树搜索传播器的采样运动规划方法,解决传统优化器在长视界任务中停滞的问题。作者设计了最近邻引导的 RRT 和投影基 KPIECE 两种探索策略,并在四个仿真域及真实推方块任务上验证了该方法在规划时间和成功率上的优势。

    推荐理由:针对长视界任务中优化器停滞问题,提出将采样策略应用于世界模型潜在空间的方法,在仿真与真实机器人实验中均优于传统基线。

  2. arXiv · 机器人与计算机视觉78

    LeapBot-JAC:面向世界动作模型的联合动作链方法

    论文提出 LeapBot-JAC 方法,旨在解决固定动作令牌预算下的执行组织问题。该方法在共享动作专家内分配稀疏的未来控制引用和密集的当前执行目标,利用定向注意力机制让执行令牌读取受可见性约束的参考令牌。

    推荐理由:提出 LeapBot-JAC,在固定动作令牌预算下通过联合动作链组织稀疏参考与密集执行,提升 LIBERO 任务成功率。

  3. arXiv · 机器人与计算机视觉63

    TAME-Nav:面向敏捷与通用机器人导航的时序非对称混合专家蒸馏方法

    论文提出了 TAME-Nav 框架,利用时序软混合专家(Soft-MoE)架构解决单一策略难以适应多样化决策需求的问题。教师网络结合干净观测与因果维护的动态障碍轨迹构建特权表征,学生网络则通过时序编码和潜在蒸馏从受损观测历史中学习互补导航特征。

  4. arXiv · 机器人与计算机视觉85

    VLMs are Native Action Models:通过显式动作空间定位释放 VLM 的操作能力

    论文介绍 EASG(Explicit Action-Space Grounding)框架,旨在解决将预训练视觉语言模型转化为通用机器人策略的挑战。该方法通过将工具中心点(TCP)坐标系投影到手腕相机观测中,并将连续机器人动作表达为 VLM 原生文本生成接口,使 VLM 能直接利用其现有的视觉 - 空间推理能力生成可执行的动作,无需机器人动作预训练或额外动作模块。

    推荐理由:提出 EASG 框架,利用预训练 VLM 原生文本生成接口实现零样本机器人操作,无需额外动作模块或预训练。

  5. arXiv · 机器人与计算机视觉78

    LeWAM:基于 JEPAs 的端到端世界与动作建模

    论文提出 LeWAM,这是一种端到端的联合嵌入预测架构(JEPA),旨在无需像素重建的情况下学习紧凑的潜在世界模型以支持直接控制执行和高效规划。该方法通过联合训练下一个潜在状态预测与动作流匹配,并施加各向同性高斯约束,使单一模型能同时支持策略执行与采样动作评估。

    推荐理由:LeWAM 通过联合嵌入预测架构实现了端到端控制,在接触丰富任务上成功率提升至 89.7%,规划速度提升 32.3 倍。

  6. arXiv · 机器人与计算机视觉74

    GAMMA:具备机械审计的 grounded 多智能体记忆系统

    论文指出预训练视觉语言动作(VLA)策略在处理依赖长时观察事件的记忆任务时表现不佳,因训练数据多为马尔可夫式且难以将情节记忆直接映射为动作。作者提出 GAMMA 架构,构建由空间定位工具(SAM-3)、蒸馏文本的 VLM 写入器、追加仅文本记忆库及带机械视觉证据校验的 VLM 推理器组成的双智能体协作系统。

  7. arXiv · 机器人与计算机视觉75

    Reflex:一种基于视觉感知的具身智能反应式控制框架

    论文提出了 Reflex 框架,旨在解决人形机器人对动态物体进行全身协调、实时反应及以自我为中心视觉感知的挑战。研究通过接住抛来的盒子作为典型任务,分三阶段训练:首先用强化学习掌握全身接球策略;其次让策略从延迟和不完整的观测中推断物体动力学;最后利用自编码器直接从 RGB-D 图像恢复该动力学表示。

  8. arXiv · 机器人与计算机视觉50

    Visual-WiFi 导航至信号发射设备:一种结合视觉与 Wi-Fi 感知的具身智能研究

    针对目标小、遮挡或视觉不明显的室内导航难题,该研究提出利用设备发出的 Wi-Fi 信号作为空间线索进行导航的方法。作者构建了 WiFiSpaces 仿真环境以支持闭环策略学习中的姿态依赖观测,并开发了 ViFiNav 定位感知导航框架,通过融合深度观测与动态更新的源估计实现自主行动。

  9. arXiv · 机器人与计算机视觉13

    FallGown:一款用于防跌倒的软体气动可穿戴设备

    FallGown 是一款由充气气囊构成的软体可穿戴支撑结构,旨在防止老年人跌倒。该设备便携(存储重 6.9 kg),穿戴平均耗时少于 2.5 分钟,脱卸少于 0.5 分钟。单用户测试显示,配备 12 个气囊和直径 1.4 米底座的配置除一次机械故障外成功预防了所有跌倒。

  10. arXiv · 机器人与计算机视觉73

    CASTER:将合成视频的零样本操作形式化为约束优化

    论文 CASTER 针对从合成视频生成到真实世界机器人轨迹的零样本操作任务,将其形式化为约束优化问题。研究指出合成视频虽具备合理运动但缺乏物理一致性与机器人接地,因此无法直接执行。该方法利用视频中提取的对象轨迹作为初始猜测,在数字孪生环境中对轨迹进行修正,同时强制执行物理可行性和语义一致性。实验表明,去除现有简化假设后,该方法平均任务成功率较最佳基线提升 34.1%。

  11. Hugging Face Daily Papers68

    Dream2Discern:面向多智能体系统运行时故障预测的困难潜在变体学习

    针对大语言模型驱动的多智能体系统部署中运行时审计器面临的验证轨迹数据有限且难以扩展的问题,本文提出 Dream2Discern 方法。该方法通过隐式增强策略,利用审计器自身的预测损失生成困难潜在变体样本,从而在不收集新轨迹或进行额外结果验证的情况下扩充训练语料。

  12. Hugging Face Daily Papers82

    关系学习作为世界建模:TabWM 与 WorldRel 预训练生成器

    论文提出 TabWM(Tabular World Model)和 WorldRel,旨在从观测到的执行中推断系统行为并生成可执行的关系统一世界。TabWM 利用未见世界的执行记录作为上下文,在不更新参数的情况下预测由新动作引起的稀疏结构化编辑。

    推荐理由:提出 TabWM 与 WorldRel,在未见执行下通过上下文推断系统状态变更,支持递归想象未来以优化动作序列。

10月11日周日
  1. 量子位72

    TypeSafe AI发布Jev决策模型并完成8.7亿美元A轮融资

    TypeSafe AI宣布完成8.7亿美元A轮融资,投后估值达75亿美元。其核心产品Jev是一款专注于自动化判断(如分类、打分、选择)而非生成文本的AI模型,上线3天日吞吐量即达1万亿Token,且输出Token永久免费。该发布引发了微软、OpenAI和Cloudflare等巨头在24天内迅速推出同类决策模型进行竞争。

  2. Hugging Face Daily Papers72

    ANTE:学习用于编码智能体的内部世界模型以进行预测与执行

    该论文提出 ANTE 框架,旨在构建能够知晓过去、当前状态及下一步行动结果的代码世界模型。针对现有编码智能体缺乏前瞻性的问题,该方法通过真实执行验证策略的预动作预测,利用 Belief-Anchored Policy Optimization (BAPO) 将预测转化为每步优势,并引入 ANTE-TTO 在推理时选择候选动作。

10月10日周六
  1. Hugging Face Daily Papers78

    Evolving to Match Capabilities:通过技能适配提升 Harness 自进化能力

    Harness 自进化的效果取决于模型能否遵循其引导,但研究发现强模型的有益技能对弱模型可能有害甚至降低性能。为此,作者提出技能适配方法,利用外部重写器诊断工具执行、上下文管理等失败原因并蒸馏为固定元技能,在不依赖执行证据的情况下将通用技能改写以匹配执行者能力。实验显示该方法在七种不同能力的执行器上均提升了自进化循环的最终得分,为开发更有效的 Harness 自进化提供了设计指导。

    推荐理由:原文发现通用技能对弱模型有害,提出通过元技能诊断失败并适配技能以匹配执行者能力的方法。

  2. Hugging Face Daily Papers71

    BridgeWAM:通过潜在桥接查询连接视频与动作专家

    论文 BridgeWAM 提出一种名为 BoE 的架构,利用 32 个潜在桥接查询聚合视觉、语言和本体感觉先验,实现视频专家与动作专家的解耦训练。该方法在 LIBERO 基准上达到 98.25% 的成功率,LIBERO-Plus 池化成功率为 72.24%,并将仿真推理 FLOPs 降低 28.72%,真实机器人延迟降至 77.1ms。材料为预印本版本,未提及开源仓库或具体部署许可。

10月9日周五
  1. 智东西 · 机器人82

    Aether AI 推出因果机器人智能系统 CRIS-0

    Aether AI 正式推出因果机器人智能系统 CRIS-0,该系统通过因果驱动的 Agent 和因果世界模型两大模块,在真实环境中展示了对动态干扰的实时调整、任务自主纠错及动作直接生成能力。创始人黄碧薇为 UCSD 助理教授,公司成立于 2026 年并已完成融资。材料包含真机演示视频与架构说明,未提及具体开源代码或部署许可细节。

    推荐理由:Aether AI 推出 CRIS-0 系统,利用因果状态与统一工具接口实现机器人自主纠错与环境适应。

  2. 量子位75

    Aether AI发布CRIS-0:基于因果智能的具身机器人系统

    加州大学圣地亚哥分校助理教授黄碧薇创立的Aether AI发布了代号CRIS-0的具身智能系统,展示了在突发扰动下0.2秒急停、秒级重规划及长程任务抗干扰能力。该系统采用因果原生架构,通过提取物理因果变量、统一工具接口及内建安全机制,实现了从感知到执行的闭环控制。材料包含官方Demo视频与测试数据,未提及开源代码或具体硬件部署规模。

  3. Hugging Face Daily Papers82

    MiMo-V2.6:扩展强化学习迈向自我改进

    该报告由小米 LLM-Core 团队发布,介绍了 MiMo-V2.6 系列全模态模型,旨在通过扩展强化学习(RL)计算规模推动大模型智能边界。在预训练混合-SWA 架构基础上,报告详细阐述了三个维度的 RL 扩展策略:更大批次与吞吐量、涵盖代码/通用/视觉/网络域的复杂环境以及更强大的评估器计算。

    推荐理由:报告介绍了 MiMo-V2.6 系列,通过扩展 RL 计算规模、引入混合任务代理 RL 基础设施及开源训练动态,推动大模型向自我改进迈进。

  4. 量子位78

    Sharpa发布D01通用人形机器人及新一代触觉灵巧手

    Sharpa在IROS现场发布三款产品:一体式触觉感知灵巧操作机器人D01、新一代全触觉超紧凑灵巧手W02以及高保真外骨骼触感数据手套AE01。D01全身覆盖电子皮肤,采样率100Hz;W02将21个主动自由度塞入更紧凑结构,实现零抓握半径与整手触觉覆盖;AE01通过双向接口采集自然手部动作与接触反馈。

    推荐理由:Sharpa发布D01机器人、W02灵巧手及AE01数据手套,构建触觉全栈体系以解决真实场景下的接触感知与闭环控制难题。

  5. 量子位86

    星动纪元自研世界动作模型VPP2登顶RoboDojo榜单并开源

    星动纪元自研的世界动作模型VPP2在RoboDojo仿真榜单综合平均成功率32.26%、得分39.26分两项指标均居第一,泛化与精细操作能力领先。该模型采用视频预测与动作学习分阶段训练策略,未依赖额外数据或外挂增强手段。代码已开源,项目主页提供复现入口。

    推荐理由:星动纪元自研的世界动作模型VPP2在RoboDojo仿真榜单登顶,并开源代码与项目主页。

  6. arXiv · 机器人与计算机视觉65

    PhysMoDPO:一种基于偏好优化的具身智能运动生成方法

    本文提出 PhysMoDPO,这是一种直接偏好优化框架,旨在解决全身体控制器(WBC)生成的轨迹虽符合物理但偏离原始文本指令的问题。该方法将 WBC 集成到训练流程中,利用基于物理和任务特定的奖励函数为合成轨迹分配偏好,从而在保持物理合理性的同时遵循文本指令。

  7. arXiv · 机器人与计算机视觉74

    More Than Meets the Eye? Uncovering the Reasoning-Planning Disconnect in Training Vision-Language Driving Models

    该研究构建 DriveMind 大规模驾驶视觉问答数据集与训练免费探测工具,发现视觉语言模型中的推理过程并非规划轨迹的因果驱动因素,而是自回归生成的副产品。实验表明移除自车或导航先验会导致规划分数大幅下降,而移除思维链(CoT)仅产生微小变化,证实了推理与规划的脱钩现象。

  8. arXiv · 机器人与计算机视觉65

    GeniWorld:一种支持视觉动作的通用交互式世界模型

    论文提出了 GeniWorld,这是一种基于预训练视频生成模型的交互式世界模型,旨在解决机器人策略在未见环境中的鲁棒性问题。该方法利用 URDF 渲染将数值动作转化为视觉表示,解耦了本体运动学与环境动力学,从而减轻场景过拟合并支持闭环控制。实验表明,即使仅使用固定场景数据训练,该模型也能实现域内优越性能及零样本泛化到高度随机化的未见环境,并能生成多样化的操作轨迹以提升下游策略的鲁棒性。

  9. arXiv · 机器人与计算机视觉67

    ACID:基于逆动力学的动作一致性用于世界模型的规划

    针对决策时规划中仅关注终端状态而忽略中间过渡可实现性的问题,本文提出了 ACID 框架。该方法引入循环动作一致性约束,利用逆动力学模型从预测的转移中推断动作并验证其一致性,将每步残差融入规划成本。实验涵盖四个动作条件世界模型及八项任务,包括仿真中的物体操作与多体控制、视觉导航以及真实机器人操作,结果显示 ACID 在保持基线精度的同时大幅减少了规划计算量。

  10. arXiv · 机器人与计算机视觉74

    3D Point World Models:通过点云补全实现更准确的动力学学习

    论文提出 3DPWM,这是一种完全在 3D 空间运行的无任务特定世界模型。该方法首先对部分点云进行补全以构建完整几何场景,随后在此场景中学习动作条件化的动力学。实验表明,该模型能支持长达 100-300+ 步的可靠长序列预测,同时支持开环与闭环规划,并实现了成功的仿真实验到现实世界的迁移。

  11. arXiv · 机器人与计算机视觉50

    分层多视图聚合用于分数蒸馏

    该工作提出 MV-SDI,一种无需重训的采样器,将单步梯度估计从单一随机视角替换为固定 UNet 调用预算下的 K 个视角平均值。实验显示在 43-prompt SDI 基准上,K=2 使优化步骤减半并将 CLIP R-Precision 从 74.8% 提升至 83.8%,CLIP score 从 0.297 升至 0.312;K=4 进一步将步骤减少四倍。

  12. arXiv · 机器人与计算机视觉72

    PearlVLA:基于潜在空间的渐进式具身动作 - 规划优化

    针对现有视觉语言动作模型在高效执行与显式推理间的权衡问题,该文提出 PearlVLA 框架。该框架利用冻结的、预训练于无动作视频的潜在世界模型(LaWM),在多轮迭代中通过预测中间规划的后果来反馈修正潜在计划。最终优化后的计划被一次性传递给宿主策略以生成动作片段。研究在 LIBERO 和 RoboCasa 基准测试上展示了与现有强基线方法具有竞争力的性能。

  13. arXiv · 机器人与计算机视觉68

    WorldCraft:从相机导航到交互式视频世界模型中的物体操作

    arXiv 论文 WorldCraft 提出首个支持相机导航与物体轨迹联合控制的自回归视频世界模型。针对现有模型难以在视角变化或物体不可见时保持控制一致的问题,该方法通过归一化世界轨迹锚定路径、结合选择性记忆刷新以维持离屏期间的状态更新,并引入路径选择型 LoRA 保留预训练相机控制器。

  14. arXiv · 机器人与计算机视觉49

    World-Ego Model 实现长视界导航操作任务的具身视频生成

    World-Ego Model(WEM)通过解耦场景演化与机器人行为,在 HTEWorld 基准上实现了长视界导航 - 操作任务的最优性能。该模型结合角色条件注意力视觉语言状态预测器与非对称查询预算的语义路由混合专家扩散生成器,有效兼顾了场景一致性与指令遵循精度。研究构建了包含 12.5 万视频片段(超 450 万帧)及 300 条多轮评估轨迹的 HTEWorld 数据集以支持严格评测。