异构无人机 - 地面车方法实现小型自动驾驶汽车空中跟踪
该方法在 ROS 2 与 Gazebo Sim 仿真环境中,利用带 RGB 相机的 Tello 类无人机及多辆 LIMO 类无人车,融合视觉检测与 UGV 状态信息以弥补纯视觉跟踪的遮挡局限。
该方法在 ROS 2 与 Gazebo Sim 仿真环境中,利用带 RGB 相机的 Tello 类无人机及多辆 LIMO 类无人车,融合视觉检测与 UGV 状态信息以弥补纯视觉跟踪的遮挡局限。
该研究评估将视觉语言模型集成到自主无人机导航时的时序瓶颈与操作权衡。通过在高性能工作站和受限笔记本上的压力测试,发现轻量级模型易产生破坏确定性状态机的结构幻觉,而重型模型因推理延迟导致轨迹过校正。研究表明中权重架构能在不同硬件配置下恢复退化环境的导航能力,同时保持实时稳定性。
AnyGoal 是一个基于常用环境构建的目标偏移任务基准及开源库,旨在评估世界模型重组熟悉状态动作因子以产生有效动力学的能力。研究发现当前模型在这些未充分覆盖的组合下普遍失效,揭示了数据覆盖率、动力学泛化与下游规划性能间的关系。该框架为评估迈向能泛化至新规划任务的世界模型提供了基础分析依据。
论文提出 Fréchet Forcing 方法,用于微调世界模型以解决长序列生成中的漂移问题。该方法在无需教师模型或在线评论器的情况下,利用流匹配损失、上下文保真度和现实匹配三个约束,使模型在机器人操作和相机控制探索任务中能在超过 4,000 帧的长序列内保持稳定性并遵循动作指令。材料为 arXiv 预印本,未提及同行评审状态或具体部署许可。
推荐理由:提出无需教师模型的 Fréchet Forcing 方法,通过流匹配与统计约束解决长序列生成漂移问题。
2026 年 AI 赛道出现向生命系统转向的趋势,Biohub 联合多方投入 18 亿美元搭建虚拟生物学计划,国内计算医学也被纳入国家规划。文章分析指出,新药研发难点在于理解完整生命系统的动态演化,因此行业正从单点分子模型转向构建能预测干预后果的“生命世界模型”。
论文研究了数据量、多样性和模型容量如何影响具身智能体在不同视觉风格和物理动力学下的虚拟世界表现。实验覆盖 0.8B 至 27B 的四种模型规模及多种数据混合策略,结果显示更多数据提升同域性能,多样性有助于迁移到相关世界但远距离世界增益有限;存在早期界面阶段和后期世界阶段的转变规律,且模型在实时设置下表现最佳,但仍需更丰富的训练阶段以构建通用智能体。
大晓机器人发布全新视觉空间锚定增强型具身模型ACE-Brain-0.6,该模型基于Qwen3.5-9B架构构建,重点通过规模化、多样化及可验证的空间监督数据提升目标识别与交互锚定能力。
10 月 19 日,太空机器人公司国宇星辰宣布完成由沂景资本、复星创富等联合投资的近亿元 A 轮。其自研验证星“星迹源一号”已在轨稳定运行超 15 个月并完成多项关键技术演练。本轮融资将重点投入集群建设与市场拓展,推动国内在轨服务从技术验证走向规模化商业交付。
针对现有系统将导航规划与世界建模解耦导致状态 - 动作对齐弱的问题,论文提出 UniWM,这是一个统一的多模态自回归世界模型,整合了以自我为中心的视觉前瞻与规划。
GroundingPI 是一个 4B 参数的接地基础模型,通过生成共享词汇表中的量化坐标(点和框)来精确指定目标物体及其位置。该模型结合多模态与空间预训练、监督微调及 GRPO 强化学习,在涵盖 11 种感知能力的 34 个基准上平均达到 73.68% 的准确率,超越 GPT-6 Astra(71.54%)。
推荐理由:该论文提出 GroundingPI 模型,在多项感知基准上超越 GPT-6 Astra,并证明专用感知预训练对机器人操作和自动驾驶的有效性。
GroundAnything 是一个 40 亿参数的视觉定位基础模型,通过块级去噪实现并行解码,解决了自回归生成带来的延迟问题。该模型在公共数据集和专用引擎上进行预训练,结合自回归到扩散的转换及强化学习后训练。
该研究针对开放环境下具身智能的长视界最短轨迹探索难题,指出传统单点预测在部分可观测性下易导致决策脆弱。论文提出利用条件流匹配将目标预测重构为条件多模态锚点生成,结合障碍物感知规划、几何聚类压缩及分层选择模块,最终选出最优可执行轨迹。实验表明该方法提升了开放环境中的泛化能力与重建效率。材料已获 NeurIPS 2026 spotlight 接收,预印本发布于 arXiv。
针对 3D 视觉定位中全场景推理导致的模糊预测和高计算成本问题,本文提出 PruneGround 框架。该方法利用冻结的视觉语言模型识别语言相关区域以缩小搜索空间,通过多视图推理重构复杂表达中的缺失空间线索,并将检测预训练的时空大语言模型适配为语言条件化的定位模型。
该论文提出 PixelWizard 框架,旨在解决高分辨率视频生成中优化不稳定与计算成本过高的瓶颈问题。方法上,首先建立紧凑的时空锚点以集中密集结构先验,引导高分辨率下的细粒度生成,从而缓解局部优化偏差并保证结构稳定性;进而引入噪声跨度对齐捷径训练(Noise-Span Aligned Shortcut Training),通过显式建模步长实现大步长遍历生成轨迹。
针对气动机械臂平台 - 操作臂耦合、历史依赖及负载变化导致的复杂动力学建模难题,本文提出一种结构化编码器 - 解码器框架。其中非线性历史编码器捕捉时序与变量间依赖关系,轻量级线性潜变量解码器支持部署时的快速自适应。
Thomas P Zollo 和 Richard Zemel 在 TMLR 发表的研究首次系统分析了视觉语言动作(VLA)基础模型的置信度校准问题,建立了评估基线并揭示了任务成功率与校准误差的关系。作者提出了提示词集成(prompt ensembles)和行动级 Platt 缩放两种轻量技术来修正观察到的校准偏差,旨在通过可靠的量化不确定性使 VLA 行为更加可信。
论文介绍了一种基于梯度的求解器,用于强制执行信号时序逻辑(STL)规范。该方法通过引入最小值和最大值的下近似及其 SparseMax 投影梯度,证明了其构建的稳健性既满足声性(Soundness),又能在任意时间步长下保持对违反样本的梯度权重有正的下界。
该研究提出一种语言对齐框架,将任意嵌入空间与可解释辅助数据链接以解决不可解释性问题。在 S2BMS 和 SatBird 两个物种分布建模任务中,AlphaEarth 嵌入在 7 项指标中的 6 项超越先前最先进模型,且基于概念检索的平均表现优于地球观测视觉语言模型。对齐后的概念成功恢复物种 - 栖息地关联(ρ=0.44),证明抽象嵌入可在领域专家语言中被 interrogated。
论文提出 ECHOES 框架,解决长视界 GUI 智能体依赖视觉历史导致成本高或文本摘要丢失关键信息的问题。该方法利用训练时的特权多图像输入作为教师模型,对基于 Compression-Think-Action (CTA) 格式生成的学生模型进行 token 级在线策略蒸馏,并通过感知 - 记忆保真度差距指导动态平衡。
该研究针对现有方法在视频生成中难以兼顾动态多样性与物理一致性的问题,提出 PhysRepair 框架。该方法采用生成 - 诊断 - 修复范式,通过时空因果约束定位无效状态并指导局部重生成,结合经验增强情境学习适应多样物理故障。实验显示其在固体力学、流体力学等多个领域均能提升视频生成的物理合理性。
该论文提出将 FOUND-IT 几何与语义基础模型集成至移动操作平台,以构建实时、任务驱动的开放集 3D 场景图。通过严格的在机实验评估了该系统在物体变化检测、多会话建图、可导航路径确定及直接抓取支持等任务中的有效性。材料指出尽管传统机器人建图技术已有广泛演示,但将此类新型空间记忆整合到完整自主性管道仍需基础与系统层面的突破。代码已开源于 GitHub。
论文提出 Hindsight Inverse JEPA Planning (HIJP) 框架,旨在解决基于世界模型的视觉规划需进行昂贵在线搜索的问题。该方法通过引入目标条件逆模型直接预测动作,并在训练阶段利用回顾性重标记策略塑造视觉表征与动作转换的一致性。
推荐理由:提出 HIJP 框架,通过隐式逆动力学替代在线搜索实现无搜索规划,在四项视觉控制任务中成功率达 86.8% 且速度提升显著。
针对非结构化环境中的移动操作任务,本文提出了一种结合混合任务表示与任务优先全身学习的强化学习框架,旨在协调运动与操作并保持任务一致的末端执行器行为。研究团队开发了轻量级四足操作机器人平台进行验证。实验结果显示,该方法在坡度高达 30 度、楼梯及可变形地形等复杂场景中成功部署,证明了所学习策略在真实环境中的可行性及全身协调对地形自适应的重要性。
当前视频世界模型的内存测试常将场景设置、动作执行与结果展示混为一谈,导致低分被误读为遗忘。本文提出 MIST 评测,分离变化指令与应留下的记忆痕迹,定位到模型能设景却无法执行指令的瓶颈。
推荐理由:提出 MIST 评测与 M3-Agent 方法,从执行侧诊断视频世界模型的记忆失效瓶颈并提升基准。
该论文提出 Momentum 方法,通过参考相机阵列构建同步视频作为场景动态共享记忆,利用图结构在相邻设备间传播生成以协调时空一致性。WorldUpdate 阶段生成全局动态记忆,WorldInteract 阶段将目标相机控制锚定于此记忆,确保移出视野的动态内容(如车辆、行人)能保持状态并在重入时一致呈现。
推荐理由:原文提出了利用多机位视频记忆与图传播机制解决动态场景一致性的方法,并提供了 CARLA 数据捕获流程与评估框架。
GeoReason 通过引入前瞻先验机制和位置感知思维链,解决了多模态大模型在遥感任务中的空间保真度退化问题。该方法将分割标记注入初始查询并显式对齐潜在特征,在 Earthreason 和 RRSIS-D 基准测试中持续优于最先进方法。代码已公开于 GitHub,预印本发布于 arXiv。
针对具身智能在开放世界中因遮挡和视角变化导致空间关系感知困难的问题,该研究提出了一种名为 AWAM 的主动世界 - 动作模型(Active World-Action Model)。
FloodVLM-Pix 提出首个包含 13.1 万图像块和 44.3 万文本描述的洪水多模态基准,通过洪水先验模块消除注意力偏差并解决云层干扰。该语言引导像素级理解模型在描述质量与分割性能上均优于现有视觉语言模型及分割模型。代码与数据将按原文链接发布。
论文介绍了一种名为 Spatial-TRM 的紧凑递归模型,旨在解决大型视觉语言模型(VLM)在处理自然图像中的空间关系与物理约束时的挑战。该模型通过共享权重实现了高准确率且仅包含 11.2M 可训练参数,支持六种空间关系、三种参考系及开放词汇锚点物体。
针对从长视频序列重建高质量可渲染 3D 场景的任务,现有前馈方法在显存和存储成本上存在瓶颈。该工作提出 LonGaussian 流式框架,利用预训练骨干网络解码几何特征,并通过多帧点跟踪合并重复观测、深度一致性过滤抑制错误遮挡的高斯分布。实验表明该方法在 DL3DV 和 RealEstate10K 基准上提升了新视角渲染质量并显著减少了高斯数量。
该论文提出 ORD-WM 模型,旨在解决现有基于图像的稠密三维世界模型在机器人操作中缺乏显式物体级刚体运动约束的问题。模型利用符号距离场监督的向量神经元变分自编码器编码几何感知潜在表示,并通过动作条件化的动力学模型预测物体级的 SE(3) 运动增量。
该论文介绍 Scene-Designer,一个通过学习设计与批判互补经验来掌握设计智能的代理框架。作者构建了 Scene-OTA-35K(提供观察 - 思考 - 动作监督)和 Scene-OTC-15K(提供观察 - 思考 - 批判监督)两个数据集,分别用于学习场景设计与质量批判。
该综述针对轨道操作和近距离作业,梳理了从感知到部署的自主空间机器人基础模型架构及验证方法。文章指出地面向太空动力学转移测试尚不足,并探讨了事件相机、脉冲神经网络及闭环重验证等关键技术路径。
TriFold 是一种原生 3D 高斯 VAE,通过将高斯场景编码为固定布局的三平面潜变量并联合重建几何与外观,解决了原语数量差异大及空间密度不均的挑战。该方法利用单元级学习查询聚合投影高斯以减少信息损失,并在解码阶段通过占据预测重构局部高斯集。实验表明,TriFold 实现了单图条件下的场景生成与无模态生成,验证了其在部分观测下的高保真重建能力。
针对固定翼飞机进近着陆阶段对可靠定位及完整性(trustworthy outputs)的需求,本文提出 PASS 系统。该系统在统一时空框架下集成可配置机场环境、规定轨迹、惯性模拟、标定立体图像及连续跑道相对真值,支持可控传感器误差与环境变化以生成用于算法开发的测试数据。
推荐理由:该工作提出可控的进近仿真系统 PASS,支持 CAT III 完整性算法开发,并引入 SRST 指标量化仿真与现实的差距。
ANCHOR 是一个评估多模态大语言模型推理中感知依据对齐情况的基准框架,包含 2,319 个视频和 8,272 个问答对,并设有 224 个视频的人为精修测试集。
论文 SenseSwarm 提出一种轻量级学习地图预测器,将其折叠进群体占位图的启发式引导场,以在物理覆盖前预判未知建筑区域。作者在 HouseExpo、HKUST 和 KTH 的十二个真实楼层基准上进行了测试,结果显示该共享预测器在多机器人规模下显著提升了建图速度并降低了接触率,而单机器人预测器则失效。材料为预印本,未提及开源代码或模型权重下载入口。
该研究针对非铺装路面高速自主导航中动力学模型过于简化的问题,提出 SpatialBEV 方法,利用鸟瞰图特征的空间结构进行预测条件化。论文在跨季节数据集上将预测误差降低了 17.1%,并在硬件上对高速(≥10 m/s)及几何挑战性路线进行了评估,最大横向误差减少了 25.3%。材料为 CoRL 2026 接收的预印本,包含基准测试方法以挖掘数据集中最困难场景。
论文提出直接条件参数化(direct conditional parameterization)方法,将 N 维 Splatting 的协方差推导替换为显式参数,在五个基准测试中质量持平或更优且推理速度提升。
推荐理由:提出直接条件参数化方法,将 N 维 Splatting 的协方差推导替换为显式参数,在五个基准测试中质量持平或更优且推理速度提升。
该研究探讨了是否可以通过编码智能体自动化空间记忆的设计过程。在固定开发预算下,Designer Agent 根据 Query Agent 的反馈编写和修订代码以构建记忆并实现检索。