跳到正文
11月17日周二
  1. arXiv · 机器人与计算机视觉35

    多机器人异方差源搜索的协同梯度估计方法研究

    该论文提出利用加权中心 Voronoi tessellation 形成策略与加权最小二乘估计器,实现团队在球形表面上的稳健三维标量场源定位。分析证明该方法渐近达到估计方差的理论下界,且仿真显示其具备在线重构以应对机器人故障的能力。研究明确考虑了传感器异方差性,为多机协同控制提供了近乎最优的梯度估计方案。

  2. arXiv · 机器人与计算机视觉42

    深度感知路径规划与避障:基于实时 3D 视觉的机器人护理助手导航框架

    该研究提出了一种针对杂乱环境的深度感知路径规划与避障框架,集成 RGB-D 传感、规则避障及 NavfnROS 全局规划器。系统在搭载 Kinova Gen3 臂的 Husky A200 机器人上验证,仿真实验显示成功率提升 40%、最小净空改善 35%,且真实世界测试证实了其计算高效与安全特性。

  3. arXiv · 机器人与计算机视觉58

    PALIN:基于像素对齐的 LiDAR-NIR 多模态 3D 物体检测基准

    PALIN 是一个大规模内在像素对齐的多模态数据集,包含约 8000 帧来自静态城市路口和多样化移动郊区场景的数据,联合捕捉几何与近红外强度信息。基于该数据集提出的 CMambaFusion 框架利用双向跨模态交互模块和门控拼接 Mamba 模块进行特征融合,实验表明其在纯 LiDAR 及代表性融合基线上实现了更优的精度效率权衡。

  4. arXiv · 机器人与计算机视觉78

    StyleJudge:一种经人工验证的、基于上下文学习的艺术风格迁移视觉语言评估器

    论文提出了 StyleJudge,这是一种紧凑的视觉语言评估器,通过少量源到风格化参考对进行条件校准以评估图像风格迁移质量。在包含 12 种艺术风格的 878 对人标注基准上,该模型在未见风格上与人工评分的 Spearman 相关系数达到 0.325,优于 Gram-matrix、CLIP 和 LPIPS 等现有指标。

    推荐理由:该工作提出了一种基于小样本参考对进行上下文学习的风格迁移评估模型,在未见风格上的人机相关性优于现有指标。

  5. arXiv · 机器人与计算机视觉36

    InvarOrd:一种用于跨物种高光谱鱼类新鲜度评估的自监督序数知识蒸馏方法

    InvarOrd 模型仅需每等级 5 个样本(共 30 个)即可在三种阶段内适应新鱼种,其 42.3K 参数学生网络比教师小 2.54 倍。该方法在鲑鱼与鳕鱼配对数据上实现 1.476 天平均绝对误差和 56.1% 一日内准确率,优于仅目标训练 0.29 天且推理延迟为每立方体 1.44ms。论文已被 IEEE TAFE 接收,代码与权重开放许可。

  6. arXiv · 机器人与计算机视觉78

    Few-Shot Visual Concept Extraction for Steering Diffusion Transformers

    该论文提出一种无需训练的新框架,直接从扩散 Transformer 的图像侧激活中提取视觉概念方向。该方法利用简单的均值差估计器,能在少样本提示对下识别出可复用的概念方向并注入推理过程以实现连续控制。定量结果显示,其方法优于文本编码器引导和免训练激活编辑基线,且能与专用编辑模型竞争,支持在同一图像中对多个概念进行精确的定向和组合式操控。

  7. arXiv · 机器人与计算机视觉59

    为开放词汇查询准备更轻更快:高斯泼溅的查询感知三维分割器

    论文提出一种无需训练的轻量级框架,用于高斯泼溅(Gaussian Splatting)上的查询驱动三维实例分割。该方法利用密集像素级 CLIP 特征保留细粒度语义信息,通过视频分割器在选定视角识别目标区域并跨视图传播,最后利用新颖的可见性投票策略将二维轨迹提升为三维高斯掩码。

  8. arXiv · 机器人与计算机视觉23

    多星协同边缘 AI 框架实现小目标空间检测与避撞评估

    针对近地空间拥堵风险,该研究提出多视角空间目标检测(SOD)协同边缘 AI 框架并系统评测深度学习模型。图像级融合在跨卫星链路带宽约束下,平均将通信与推理延迟降低约 30.13% 至 32.80%,且在高视角集下引入的延迟开销极小。该工作为未来协同卫星网络设计及空间态势感知提供了关键设计洞察。

  9. arXiv · 机器人与计算机视觉78

    多楼层建筑内长视界因果惯性里程计研究

    针对室内多层建筑中电梯或扶梯加速后进入长时间匀速巡航导致惯导退化、垂直位移低估的问题,论文提出 Local-Token Causal Attention 架构,将每秒惯性数据压缩为运动令牌并在有限缓存中维持初始状态。

    推荐理由:提出 LTCA 架构解决长时惯性里程计在电梯匀速阶段的漂移问题,并在 MSIO 基准上验证了优于短窗口基线的性能。

  10. arXiv · 机器人与计算机视觉58

    AcousticBEV:面向智能车辆的声学鸟瞰图目标定位

    现代自动驾驶系统主要依赖摄像头、雷达和激光雷达进行环境感知,但这些模态在光照或天气方面存在局限。本文设计了一种水平排列的麦克风阵列作为车辆的“耳朵”,实现了对附近移动车辆在鸟瞰图(BEV)表示下的定位,能够捕捉其相对方向和距离。

  11. arXiv · 机器人与计算机视觉82

    RETR:一种用于鲁棒 3D 车道检测的结构保持 RGB-事件 Transformer

    论文提出了 RETR,这是首个尝试将事件相机引入 3D 车道检测的工作。作者构建了包含真实世界序列的 DSEC-3DLD 和大规模仿真序列的 Ev-OpenLane 两个多模态基准数据集。

    推荐理由:提出首个将事件相机引入 3D 车道检测的模型,在真实与仿真基准上均达到最先进水平。

  12. arXiv · 机器人与计算机视觉78

    思维块是条件而非计划:生成式模型中思维链的实证分析

    该研究通过替换实验发现,生成式模型中的思维链(think block)并非被执行的计划,而是对绘制内容的规格说明。内容无关的文本无价值;仅当指代明确时,命名主体能提升效果,否则无效或产生负效应。

    推荐理由:研究证实思维链文本仅作为绘图规格而非执行计划,且其价值高度依赖指代明确性。

  13. arXiv · 机器人与计算机视觉72

    SAR-TopoGuard:一种用于结构保持的 SAR 转光学的免训练拓扑验证方法

    针对 SAR 转光学翻译中过度合成细节的问题,本文提出 SAR-TopoGuard,这是一个无需训练的推理层,可冻结应用于现有生成器。该方法通过随机采样候选、斑点感知梯度相关性排名以及频率门控机制,仅在 SAR 边缘支持处引入高频细节。在 SEN1-2 等数据集上的评估显示,该方法显著提升了 Pix2Pix、CycleGAN 和 CUT 的 PSNR 与 SSIM 指标,且仅增加极低的推理延迟。

  14. arXiv · 机器人与计算机视觉58

    VLN-Flash:基于自适应执行的并行动作解码视觉语言导航方法

    针对视觉语言导航策略自回归生成导致的等待延迟问题,VLN-Flash 提出一种无需训练的解码器,能在单次前向传播中并行评估完整动作前缀树。该方法利用分支特定注意力与匹配 token 位置保持原始策略的条件分布,并通过步数贪婪前缀与其最强替代方案的分数差值决定执行步数。

  15. arXiv · 机器人与计算机视觉58

    Generate, Align, and Restore: MLLM-Empowered Diffusion for Generalizable Low-light Image Enhancement

    针对真实世界夜间图像增强因缺乏严格配对的日 - 夜数据及复杂退化导致的泛化难题,论文提出 MrLIE 框架。该方法利用多模态大语言模型(MLLM)作为高保真参考合成器与诊断评论家,直接从退化的夜间观测中迭代生成、诊断并校正正常光照参考图。

  16. arXiv · 机器人与计算机视觉73

    LC-ISP 基准:基于实时流与采集流的先进 ISP 学习

    LC-ISP 是一个大规模基准,由相机实时预览流与离线采集流的内在差距构建而成,包含 53.9k 组空间对齐数据,覆盖昼夜、室内外及 HDR 场景。该基准提供用于模块化监督的采集流中间数据,并开发了一个在 2.5-GFLOP 预算下优于最强单帧基线(PSNR 提升超 2 dB)的两阶段轻量级基线模型。

  17. arXiv · 机器人与计算机视觉38

    dit.xpu:在移动 SoC 上驯服扩散 Transformer 稀疏推理

    dit.xpu 提出一种针对异构移动 SoC 的稀疏 DiT 推理框架,通过 Tile-aligned 稀疏注意力与锚点误差补偿机制优化数据流。该方案在两款骁龙手机上的五项 DiT 模型测试中,相比 Hexagon-NPU 后端实现高达 1.56 倍的端到端去噪加速,且生成质量接近稠密注意力模式。代码已开源,适用于移动端图像生成与编辑场景。

  18. arXiv · 机器人与计算机视觉32

    下肢关节角度估计:交叉活动与跨主体数据的条件价值研究

    该研究针对意图驱动外骨骼控制,分离了高密度 sEMG 与 IMU 数据中“信息量”与“优化器更新”的独立效应。实验基于公开数据集的十名参与者六种运动任务,证实用户自身其他活动能将拟合度 R²从 0.722提升至 0.788,且楼梯下行是有害捐赠源而坐站行走有益。跨主体同活动数据仅在用户缺乏目标活动时有效,校准后价值迅速坍缩,揭示了无标签测试下何时转移数据的瓶颈。

  19. arXiv · 机器人与计算机视觉83

    超越对齐:对 EEG 到图像重建的生成器进行监督

    本文提出一种名为 GDS(generation-derived supervision)的新方法,用于提升脑电图(EEG)信号到图像的解码质量。研究指出单纯优化跨模态对齐无法显著提升重建效果,因此引入基于图像条件的教师网络,将静态特征映射至扩散Transformer的内部表示空间以指导生成过程。

    推荐理由:提出生成衍生监督方法,解决 EEG 条件生成器难以跟随固定对齐目标的难题。

  20. arXiv · 机器人与计算机视觉38

    视觉语言模型通过任务子空间投影与动态 LoRA 实现增量学习

    针对预训练视觉语言模型在多域任务增量学习中面临的遗忘与适配难题,研究提出 TSP-DLoRA 方法。该方法利用任务子空间投影区分已知未知任务,并通过动态分配低秩适配器平衡性能与参数成本。在 11 个数据集上的三项指标实验验证了该方法的有效性,代码已开源。

  21. arXiv · 机器人与计算机视觉72

    Ego2Sim2Humanoid:无需机器人演示的具身智能移动操作学习

    该研究提出 Ego2Sim2Humanoid 框架,利用第一人称眼镜记录的人类演示数据,通过代理式真实到仿真转换构建物理验证的训练轨迹。方法包含碰撞与纹理资产重建、未见表面补全及目标接触带预测;运动适应阶段将接触带转化为可行腕部姿态与手指闭合,规划无碰撞站立姿势并合成全身运动。

  22. arXiv · 机器人与计算机视觉73

    蒸馏安全滤波器用于免滤波器多智能体强化学习

    论文提出一种方法,将控制屏障函数(CBF)的安全约束蒸馏到强化学习策略中,使系统在部署时无需运行集中式优化滤波器即可保持安全。该方法通过隐式 Q 学习和合成近碰撞状态进行蒸馏,证明了损失函数能界定策略的约束违反程度和碰撞概率。

  23. arXiv · 机器人与计算机视觉72

    无标签条件下自监督单目深度不确定性校准方法 MonoCal

    针对自监督单目深度网络预测的不确定性仅能排序误差大小而无法反映实际量级的问题,论文提出 MonoCal 方法进行校准。该方法首先利用立体图像对测量单一常数来修正不确定性的尺度,无需重新训练;随后通过重新训练网络使其预测网络与第二台自监督网络在深度上的分歧区域以修正形状分布。

  24. arXiv · 机器人与计算机视觉58

    VLMs 真的在看路吗?面向自动驾驶的诊断性评估

    针对自动驾驶领域利用问答基准评估视觉语言模型(VLM)但高准确率未必反映视觉化推理的问题,作者提出了一套诊断评估框架。该框架包含恶劣天气与路口交叉口两类任务,并扩展了 nuScenes 空间推理测试,对开源 VLM 进行了无图、反事实天气敏感度、语言鲁棒性及空间推理四项协议的系统性探测。

  25. arXiv · 机器人与计算机视觉73

    WA-JEPA:一种用于世界 - 动作模型的基于目标感知的预测性反馈动作细化方法

    WA-JEPA 是一种耦合了动作生成、动作条件潜空间预测和目标感知反馈的世界 - 动作模型。该方法首先生成动作提议并预测未来的场景与本体状态,随后利用任务目标作为参考,通过目标差异残差反馈和未来场景上下文反馈两条互补路径对提议进行迭代细化。