跳到正文
11月13日周五
  1. arXiv · 机器人与计算机视觉42

    πhalf 如何提升动态操作反应性:执行策略研究

    该研究利用πhalf模型在两个动态仿真基准及三个真实机器人任务上,探究了使预训练视觉语言动作(VLA)模型对物体移动保持反应性的关键因素。实验表明最佳预测 horizon 约为 1 秒,且保持轨迹连续的方法优于仅降低延迟的策略,政策适应与执行流水线需共同评估以修复目标失败。

  2. arXiv · 机器人与计算机视觉48

    FloCOS:通过条件流匹配预测周围车辆紧凑前向占用集

    FloCOS 提出一种基于条件流匹配的框架,将前向占用集表示为随时间变化的半空间凸多边形并集,以解决现有方法覆盖不足或过于保守的问题。在 Waymo Open Motion Dataset 上的评估显示,该方法生成了高覆盖率且更紧凑的集合,交互完成率优于基线。真实车辆实验进一步证实了其在交互式场景中支持无碰撞规划的能力。

  3. arXiv · 机器人与计算机视觉42

    WaveFlow-UIE:一种用于水下图像恢复的单管道小波域流模型

    WaveFlow-UIE 提出了一种单管道小波域流模型,直接学习将退化水下小波表示转化为清晰图像。该方法在 UIEB、LSUI、UFO-120 和 EUVP 数据集上实现了质量与效率的平衡,相比强基线显著降低推理成本。实验显示,将推理步数从五步减至单步可在保持恢复质量的同时提升约 4 倍速度。

  4. arXiv · 机器人与计算机视觉74

    语义一致性视角下的多模态大语言模型:一种视觉中心的方法

    针对多模态大语言模型在视觉中心任务中的表现,研究定义了视觉 token 的语义一致性与不一致性。通过移除实验发现模型高度依赖语义一致的 token。提出的语义引导训练方法结合语言建模与语义一致性最小化目标,在保持文本对齐的同时提升视觉任务性能,并在多项基准测试中达到平均最优效果。

  5. arXiv · 机器人与计算机视觉58

    SteinPnP:一种用于透视 -N-点问题的非参数不确定性量化方法

    论文提出了 SteinPnP,这是一种概率性的透视-N-点(PnP)求解器,利用非参数姿态粒子集对相机位姿后验进行建模。该方法结合 Stein 变分推断的优势,旨在解决传统方法在捕捉多模态不确定性时的不足。实验表明,SteinPnP 能在合成与真实世界基准上准确捕获复杂的多模态不确定性并保持竞争力。

  6. arXiv · 机器人与计算机视觉72

    Verifier Choice is a Benchmark Design Variable:文本到图像模型的结构计数评测审计

    该研究指出自动评测分数是生成器、提示分布、验证器及评分规则的共同属性而非仅由生成器决定。作者在结构计数任务上构建了验证器中心审计套件,涵盖手机、椅子等物体及三叶草叶片等子结构,在 Qwen-Image-2512 和 FLUX.2-dev 生成的 6,240 张图像上进行测试。

  7. arXiv · 机器人与计算机视觉72

    Learning Motion-Appearance Coupling Priors for Solving Video Inverse Problems

    arXiv 预印本论文提出一种学习运动与帧外观耦合先验的方法,将其作为生成式先验用于视频逆问题重建。该方法通过条件扩散模型学习由运动引起的外观残差分布,以此正则化基于扩散模型的图像重建过程,同时兼容现有的外观正则化技术。实验表明,在动态视频逆问题上,该方法优于光流一致性和噪声变形基线,并成功迁移至心脏 MRI 重建任务。

  8. arXiv · 机器人与计算机视觉35

    ChartGalaxy++:面向图表理解与生成的丰富标注数据集发布

    ChartGalaxy++是一个包含 217,195 张信息图的新数据集,核心采用场景图表示法以编码视觉元素的层级与空间关系。该数据集支持图像到场景图的预测、增强型问答及生成中的场景图保持评估三项应用。其预印本已上传至 arXiv,旨在推动图表理解与生成的前沿研究。

  9. arXiv · 机器人与计算机视觉58

    通过刚性机械臂运动驱动被动肌腱软延伸的作动与控制

    该研究提出一种利用刚性机械臂关节运动来驱动被动式肌腱驱动软延伸的方法,旨在解决工业机械臂在受限空间易损坏结构而软体机器人伸展范围有限的问题。作者开发了一种控制器,能够在保持末端执行器(EE)约束的同时调节软体尖端。

  10. arXiv · 机器人与计算机视觉78

    低成本移动双臂长周期清洁任务中的 VLA 模型评估

    本文介绍了一个集成两个 LeRobot SO-101 机械臂、TurtleBot 4 底盘及 LeRobot-ROS 2 软件栈的低成本移动双臂平台,并以长周期的马桶清洁为案例研究。

    推荐理由:该研究在低成本移动双臂平台上评估了多种 VLA 模型,发现 $ ext{ extpi}_0$ 表现最佳,而增强变体未见提升。

  11. arXiv · 机器人与计算机视觉73

    Bind-WAM:一种由绑定不确定性引导的选择性未来想象世界动作模型

    论文提出了 Bind-WAM 方法,旨在解决世界动作模型(WAMs)在每个重规划步骤都生成视觉未来的高成本问题。该方法引入语言 - 物体绑定不确定性概念,利用离线标注流程识别任务相关对象并检测参考不匹配、不可见和身份漂移等问题,进而训练轻量级路由器预测当前观测下的不确定性。

  12. arXiv · 机器人与计算机视觉45

    Latent Filter++ 通过抓取力矩传感实现颗粒物料交互感知与属性推断

    Latent Filter++ 框架利用铲取过程中的力矩测量直接推断颗粒物料的粒径和堆积密度等物理属性。该方法在 26 种不同物料上验证了泛化能力,支持少量样本适应并建立了属性与运输防溢出最大加速度之间的关联。研究展示了无需手工信号预处理即可从交互观测中演化表示的有效性。

  13. arXiv · 机器人与计算机视觉78

    BiPOP:面向长时程双臂操作的偏序规划框架

    针对双臂机器人操作中空间与时序耦合的协调难题,本文提出 BiPOP 框架,将大语言模型用于自然语言指令的形式化翻译,结合显式时空模型与时间偏序规划器生成逻辑一致且支持并行执行的计划。实验表明该方法在仿真长时程任务中优于开环及 ReAct 风格规划,并在真实双臂机器人 NICOL 上实现了端到端运行。

    推荐理由:提出 BiPOP 框架,结合大语言模型与时间偏序规划解决双臂长时程任务协调难题。

  14. arXiv · 机器人与计算机视觉53

    Arbor:当标签未被随机粗化时的处理方案

    论文 Arbor 针对合并不同层级标签数据集后出现的细粒度缺失问题,提出一种在分类器中直接建模标签粗化过程的虚拟类别与逻辑门控方法。该方法将新类视为违反假设的实体,通过训练逻辑门分配概率,证明其在群体最优时等同于 Elkan-Noto 修正,且优于事后应用该修正。

  15. arXiv · 机器人与计算机视觉57

    超越显性:短视频隐性危害基准与检测

    针对短视频中隐性且碎片化的有害内容难以被现有方法有效检测的问题,本文构建了包含7110个样本的DeepHarm-7K数据集,并提出了集成视觉、音频及跨模态推理的DeepHarm-VL多模态检测框架。该框架采用两轮推理策略以逐步识别表面证据并推断潜在危害,实验结果显示其在多个开源视频语言模型上均优于强基线方法。

  16. arXiv · 机器人与计算机视觉73

    APG-Planner:基于解析策略梯度的视觉高速轨迹规划学习方法

    该论文提出了 APG-Planner 框架,旨在解决基于视觉的高速导航中无模型策略梯度方法训练效率低的问题。该方法利用微分平坦性从规划轨迹中解析重构车辆状态,构建了可微分的 episode rollout 并计算策略梯度,从而在无需显式底层动力学模型的情况下实现高效训练。

  17. arXiv · 机器人与计算机视觉65

    自行车机器人自主越野赛车:基于地形语义层的学习框架与感知管线

    论文提出一种将赛道编码为地形语义层的统一学习框架,解决两轮机器人越野导航难题。该方法在仿真中将导航任务嵌入训练环境,部署时利用相机和 LiDAR 数据重构该层;通过联合优化局部导航与运动控制,无需经典控制层级接口即可实现高速赛车与敏捷跑酷。

  18. arXiv · 机器人与计算机视觉44

    DroneDiffusion:感知引导的扩散路径规划器用于无人机导航

    DroneDiffusion 是一款专为本地三维无人机轨迹生成设计的感知感知扩散规划器,能显式规避由镜头眩光、过曝和反光表面导致的失效区域。该模型在仿真中训练并实现零样本真实部署,其可靠性条件将生成的轨迹平均感知可靠性从几何基线的 0.63 提升至 0.71。此外,无需重新训练的 CHOMP 引导策略将学习先验的碰撞率从 14.7% 降低至 7.8%,有效平衡了传感器不可靠区域的规避与导航性能。

  19. arXiv · 机器人与计算机视觉78

    ReTime-Compose:让驱动世界模型移动场景而非仅移动相机

    Yuqiao Feng 和 Xiaoyu Ao 在 arXiv 上发布研究论文,指出当前广泛使用的控制指标仅检查相机是否跟随指令,而忽略了场景响应不足的问题。作者发现现有模型生成的场景变化最多仅为真实视频的三分之一,且无法区分执行与忽略的速度指令。

    推荐理由:作者指出主流驱动世界模型仅移动相机而未同步场景,提出无需训练的 ReTime-Compose 方法以几何方式注入计划。

  20. arXiv · 机器人与计算机视觉51

    我们准备好迎接雪天自动驾驶了吗?——极端天气下鲁棒自动驾驶的挑战综述

    这篇论文由欧盟 Horizon Europe 项目 ROADVIEW 团队撰写,基于四年大规模开发与多平台实地演示,识别出阻碍恶劣天气(如积雪、降雨、大雾)下自动驾驶发展的十大关键挑战。研究指出数据稀缺、域偏移、多模态感知局限及验证缺口等问题导致下游任务性能显著下降,并提出了未来研究与标准化的关键方向。

  21. arXiv · 机器人与计算机视觉78

    无需训练的个人化图像分割框架:解决多图实例召回瓶颈

    该论文针对个性化图像分割(PIS)在多图实例场景下的召回瓶颈问题,提出一种无需训练的模块化系统。该方法利用通用检测器生成高召回目标提案,结合基础模型特征进行匹配,并用 SAM 细化边界;同时提出了基于 Top-K Sinkhorn 的鲁棒距离度量方法。研究引入了新的多实例基准数据集,实验表明该系统在多个标准数据集上优于现有方法,且运行时更低、参数量更少,为真实世界应用提供了可部署的基线。

    推荐理由:针对现有个性化分割方法在多图实例场景下失效的问题,提出无需训练的模块化框架与多实例基准。

  22. arXiv · 机器人与计算机视觉59

    一种面向视觉语言嵌入的通用概念分解方法

    针对视觉语言模型表示是否对齐人类自然描述尚不明确的问题,本文提出 GRACE 方法,在特征空间层面学习概念分解结构。该方法通过新颖的训练目标保持概念空间的几何关系,实现语义与通用概念分解。实验表明,GRACE 在多个图像和视频基准上均能产生与人类感知一致的概念分解,且以最小开销提升现有视觉语言模型的可解释性并保留大部分原始性能。

  23. arXiv · 机器人与计算机视觉15

    对话评估中的标签泄露效应:同一演示对不同子群产生相反影响

    基于 SGD、STAR 和 AMI 语料库的实验表明,训练集中包含测试对话的前驱行会提升词汇分类器的延续得分却降低转换得分。该现象在两个 7B 指令微调模型及 TF-IDF 检索演示的八种组合中均呈现相反模式,而自然权重准确率仅波动 -0.05 至 +0.04。研究通过排除测试对话验证了泄露频率依赖检索管线且无需重新训练即可诊断,所有暴露均为诱导产生而非重评已发布系统。

  24. arXiv · 机器人与计算机视觉52

    OT-BLS:面向跨域少样本分割的 DINOv3 骨干层选择新方法

    针对跨域少样本分割中传统方法未显式评估查询与支撑标签一致性的问题,本文提出基于最优传输对应关系的骨干层选择准则 OT-BLS。该方法通过估计最优传输计划并聚合传输质量来生成评分,从而反映预测前景与背景同支撑数据的匹配程度。

  25. arXiv · 机器人与计算机视觉12

    GingivitisSeg:口腔图像牙龈炎分割公开数据集与基准评测

    GingivitisSeg 发布包含 961 张标注图像的公开基准,涵盖训练、验证和测试集划分。UPerNet 配合 ResNet50 骨干网络在标准条件下取得最高 mIoU 76.49% 及牙龈炎 IoU 54.91%,但经 Holm 校正后与 DeepLabV3+ 等基线差异无统计学显著性。数据集、基准划分及源代码已公开,目前为预印本状态并正在期刊审稿中。

  26. arXiv · 机器人与计算机视觉43

    MAST:多模态大模型视觉定位的中介锚定子空间引导方法

    MAST 提出一种免训练、输入自适应的激活引导框架,通过任务聚类与低秩局部方向聚合解决全局均值导致的跨任务干扰问题。在此基础上,MAST-PR 利用轻量级探针重加权专用方向家族,在基准上平均提升 8.09 分。该工作为多模态大模型的视觉定位提供了新的无训练优化路径。

  27. arXiv · 机器人与计算机视觉45

    Bridging Update Coordination and Flatness in Federated Learning 提出统一框架提升联邦学习泛化能力

    针对数据异构导致的更新冲突问题,该研究提出统一联邦学习框架,通过独立累积下降信号与平坦度修正并融合输出,实现优化机制灵活组合。实验表明,相比仅使用更新协调策略,所评估的组合方案在平均及最差客户端准确率上均有所提升,验证了结合互补优化机制的有效性。