跳到正文
10月27日周二
  1. arXiv · 机器人与计算机视觉78

    LaWAM:基于潜在世界动作模型的机器人策略

    LaWAM 是一种潜在世界动作模型,通过预训练视觉基础模型的潜在空间训练动作模型并复用其前向解码器来预测场景演化的未来观测特征,从而为机器人策略提供动力学感知能力。该方法在 LIBERO、RoboTwin 及真实操作任务中取得了具有竞争力的成功率,且每步推理延迟仅为 187ms,比像素空间方法低约 24 倍。材料已接受于 CoRL 2026。

    推荐理由:该工作提出利用潜在视觉子目标替代视频生成,在保持低延迟的同时实现动力学感知的机器人控制。

  2. arXiv · 机器人与计算机视觉65

    GeoHAT:面向移动操作的几何自适应混合动作 Transformer

    针对全身移动操作需协调移动底盘与机械臂且面临几何感知挑战的问题,本文提出 GeoHAT 端到端扩散框架。该方法利用轻量傅里叶空间编码器将像素级 3D 坐标映射为几何 token,并通过深度有效性门控融合注入视觉基础模型特征;动作生成部分采用混合全身动作解码器,将臂与底盘分解至不同子空间并分别关注任务相关视觉上下文。

  3. arXiv · 机器人与计算机视觉68

    面向水面无人艇漂移目标搜索与捕获的 MPPI 信息轨迹规划

    论文提出一种基于模型预测路径积分(MPPI)控制的自适应信息规划方法,用于解决开放水域环境中多个漂移目标(如垃圾)的搜索与捕获问题。该方法通过耦合时空漂移预测与探索目标的代价函数,平衡搜索与跟踪任务,直接生成长时域连续轨迹的运动学指令;在拦截阶段采用纯追踪引导进行物理捕获。仿真结果显示该规划器比最强基线多捕获 18% 的目标,并在实地试验中得到了验证。

  4. arXiv · 机器人与计算机视觉62

    Haptic Sorter:一种用于在线形状估计与实时位姿推断的统一规划框架

    论文提出 Haptic Sorter 框架,整合触觉感知、建模与操作规划以解决几何信息缺失问题。核心创新包括利用贝叶斯优化引导触觉探索以近似超椭圆边界、自适应编码物体几何的操纵势函数以及基于模型预测和触觉反馈的在线 ODE 位姿推断。系统在二维机器人分拣任务中验证了其在仿真及真实多臂设置下的鲁棒性与泛化性,相关代码与论文已发布于 arXiv。

  5. arXiv · 机器人与计算机视觉60

    CoMo3R-SLAM:面向户外多机系统的协作单目稠密 SLAM 系统

    该论文提出 CoMo3R-SLAM,一种利用学习到的前向 3D 重建先验解决多机单目 SLAM 中尺度与关联难题的系统。各机器人仅凭单路 RGB 流跟踪融合关键帧,协调器通过先验编码器特征检索跨机关键帧,经双向稠密点云匹配验证并统一同步独立相似性度量,最终在统一的 sim(3) 图中优化位姿与深度交替约束下的稠密结构与轨迹。

  6. arXiv · 机器人与计算机视觉72

    LLM 引导的未来假设用于多步机器人操作中的视域感知探索

    针对多步机器人操作中场景演化不确定性问题,研究提出通过未来经验条件化(FEC)接口,利用 LLM 推理器、数字孪生和扩散模型生成短视界未来视频作为控制与强化学习微调的结构化先验。在 RoboCasa 和 CALVIN 仿真环境中对比了无未来、生成未来及错误未来等条件下的策略表现,发现生成的未来视频能提升性能而失配的未来会退化效果,且 BC+RL 架构综合表现最强。

  7. arXiv · 机器人与计算机视觉63

    WorldArena 2.0:扩展具身世界模型的模态、功能与平台基准

    WorldArena 2.0 是一个扩展的基准,系统性地沿三个维度拓宽了具身世界模型评估:在模态上从纯视觉扩展到视听触觉多模态;在功能上超越策略评估与规划,将世界模型作为交互强化学习环境用于策略优化;在平台上从仅仿真器扩展到涵盖多种具身形态的仿真与现实设置。该基准遵循标准化协议,全面评估感知质量、交互效用和跨平台性能,为追踪具身世界模型的进展提供综合测试床。项目页面包含代码和演示。

  8. arXiv · 机器人与计算机视觉82

    RoboEvolve:基于有限数据的机器人操作规划器 - 模拟器协同进化框架

    该论文介绍 RoboEvolve 框架,通过耦合视觉语言模型(VLM)规划器和视频生成模型(VGM)模拟器构建相互强化的协同进化循环。系统利用无标签种子图像启动自进化,采用认知启发的双阶段机制:日间探索促进物理基础的行为发现,夜间巩固挖掘“差一点成功”的失败案例以稳定策略优化。

    推荐理由:提出 VLM 规划器与视频生成模拟器协同进化的框架,利用无标签种子图像实现数据高效训练并提升底层控制成功率。

  9. arXiv · 机器人与计算机视觉33

    通用游戏智能体综述:虚拟世界中的基础模型研究

    该综述提出从单一游戏精通迈向同时创造与演化的理论游戏多元宇宙路线图,旨在构建全能通用智能体以铺平 AGI 之路。工作围绕数据集、模型、框架和基准四大支柱展开,试图突破束缚系统的五项根本权衡。项目页面与代码仓库已提供链接供查阅。

  10. arXiv · 机器人与计算机视觉70

    BEACON:通过最佳努力适应进行跨域生成机器人策略联合训练

    论文介绍 BEACON 框架,这是一种理论引导的方法,用于在拥有大量源演示但目标演示有限的情况下训练生成型机器人策略。该方法将跨域联合训练视为差异感知的重要性重加权问题,通过学习基于扩散的视觉运动策略和每样本源权重来优化性能。实验涵盖仿真到仿真、仿真到现实及多源操作设置,结果显示其在鲁棒性和数据效率上优于仅使用目标数据或固定比例联合训练的基线。

  11. arXiv · 机器人与计算机视觉70

    面向视觉语言模型集成的室内移动机器人:混合确定性推理与跨机器人自适应记忆框架

    该研究提出了语义自主堆栈(SAS),这是一个六层集成框架,旨在连接人类指令与空间目的地并保留操作经验。系统采用‘确定性优先’级联架构,结合路线图、语义对象和状态信息处理任务,仅在必要时将未决案例升级至预训练的视觉语言模型(VLM)。

  12. arXiv · 机器人与计算机视觉72

    SentryVLA:基于不确定性的视觉语言动作机器人控制中的动作选择与状态监测

    论文介绍 SentryVLA,这是一个针对冻结的预训练视觉语言动作(VLA)策略的轻量级运行时包装器。该方法在动作层面利用校准分位数回归估计动作偏差上界以优化候选动作选择,在执行监测层面基于马氏距离计算异常分数以检测闭环控制中的非正常状态。实验表明,该框架无需修改底层模型架构或重新训练即可提升动作选择质量并提供运行时的异常预警信号。

  13. arXiv · 机器人与计算机视觉65

    AffordSim:一种可扩展的功能感知机器人操作数据生成器与基准

    针对现有仿真数据生成器缺乏任务语义或需人工标注的问题,该研究提出 AffordSim,将开放词汇 3D 功能预测集成到基于仿真的轨迹生成中。给定自然语言描述,系统合成场景、发射功能查询并在地面化物体表面采样区域条件化的抓取,再经运动规划筛选可执行候选。

  14. arXiv · 机器人与计算机视觉42

    PrepTurn:强化学习框架实现快速序列四足导航中的预期机动

    PrepTurn 是一个强化学习框架,通过直接映射当前与下一姿态目标到关节动作,利用持久信用奖励和自动课程解决序列任务中的走走停停问题。Unitree Go2 的仿真与车载实验表明,该方法实现了高效遍历、高完成率及减少的非必要停顿。当容差放宽时,策略还能涌现提前转向等新兴行为以提升效率。

  15. arXiv · 机器人与计算机视觉72

    FlowHOI:面向灵巧操作的语义 grounded 手物交互生成方法

    针对现有视觉语言动作模型在手物交互结构表示上的不足,该研究提出 FlowHOI 框架,通过两阶段流匹配生成语义 grounded、时序连贯的手物交互序列。该方法解耦几何抓取与语义操作,利用紧凑的 3D 场景 token 和运动文本对齐损失进行条件控制,并引入重建管道从大规模第一人称视频中恢复手物轨迹以解决高保真监督稀缺问题。

  16. arXiv · 机器人与计算机视觉82

    UniManip:基于代理操作图的开放世界机器人操作研究

    UniManip 是一个统一的机器人操作框架,核心是代理操作图(AOG),用于任务编排、状态跟踪和闭环故障恢复。该框架将高层语义意图转化为可执行原语,通过物理感知的场景图和局部规划器生成无碰撞轨迹,并利用结构化记忆自主诊断失败。

    推荐理由:该框架通过代理操作图统一任务编排与物理交互,在 LIBERO-Pro 基准及真实场景中实现零样本泛化,优于主流 VLA 模型。

  17. arXiv · 机器人与计算机视觉68

    CRAFT-E:一种用于功能属性 grounding 的可解释可编辑神经符号框架

    针对非结构化环境中辅助机器人需推理物体功能及非常规用途的挑战,该工作提出 CRAFT-E 框架,通过组合大语言模型生成的动词 - 属性 - 对象知识图、CLIP 视觉对齐与基于能量的抓取推理,实现可解释的 grounding 路径与无需重新训练的编辑能力。

  18. arXiv · 机器人与计算机视觉78

    Guardian:利用视觉语言模型检测机器人规划与执行错误

    针对机器人操作失败检测中高质量失败数据稀缺的问题,本文提出自动框架在仿真与现实环境中生成多样化规划与执行失败轨迹,构建 GuardianFail-36k 大规模推理数据集。基于此训练的多视角推理 VLM(Guardian)在三类未见现实基准上达到最先进水平,并与先进 LLM 操作策略集成后显著提升任务成功率。代码、数据及模型已开源。

    推荐理由:提出自动框架生成多样化机器人规划与执行失败数据,构建大规模推理数据集并训练多视角 VLM 以统一验证规划与执行。

  19. arXiv · 机器人与计算机视觉72

    IndustryNav:评估具身智能体在动态工业导航中的空间推理与安全能力

    作者引入 IndustryNav 仿真环境,包含 24 个仓库场景以支持闭环导航至指定目的地。研究引入了感知碰撞和近撞警告的安全指标,实验表明现有视觉大语言模型虽能到达目标但会与移动障碍物发生碰撞。此外,策略在熟悉路线上有效却无法泛化到未见过的新布局,凸显跨场景泛化仍是开放挑战。

  20. arXiv · 机器人与计算机视觉36

    迈向物理递归自我改进:呼吁人形机器人身体控制协同设计

    该论文提出通过身体与控制的协同设计实现人形机器人的物理递归自我改进(RSI),以解决固定躯体下控制策略优化的局限。文章基于生物进化灵感,探讨了战略探索、Sim2Real迁移及元策略学习等协同设计方法,并提出了从短期创新到长期目标的开放研究问题。

  21. arXiv · 机器人与计算机视觉45

    多目标强化学习使用路由集成与轨迹归因方法

    该方法引入目标冲突系数并设计路由集成策略,在 Meta-World 和 MO-Gymnasium 在线环境中平均性能较基线提升 4.3%。基于核函数的轨迹归因算法使留一法分析相关性优于现有基线 50%,且应用于轨迹选择时奖励提升 27%。该工作共 30 页,拟发表于 NeurIPS 2026(扩展版)。

  22. arXiv · 机器人与计算机视觉78

    视频世界模型需要可预测的潜变量:一种兼顾动态建模与像素准确性的新架构

    针对现有视频世界模型在长序列推演和分布外泛化上的不足,本文提出将时序可预测性作为潜空间设计准则的新方法。通过结合时序表示学习目标与过去条件解码器架构,该方法在不牺牲像素预测精度的前提下简化了未来预测任务。

    推荐理由:提出将时序可预测性作为视频世界模型的潜空间设计准则,在同等训练预算下实现推理成本降低 5 倍、训练加速 7 倍以上及泛化误差显著下降。

  23. arXiv · 机器人与计算机视觉78

    内在目标驱动下的自主智能体:分层探索捕捉果蝇的未来意愿动作

    arXiv 论文提出结合果蝇全脑记录与神经机械数字孪生的研究框架,测试优化内在目标是否能生成与果蝇行为及内部表征相匹配的人工智能体。研究采用 DIAYN 等算法训练无外部奖励的智能体,在虚拟系留球实验中成功复现了果蝇的自发运动统计特征、内部表征编码及未来转向预测能力,表明分层内在动机框架是逆向工程动物自主性的有力工具。

    推荐理由:该研究利用果蝇全脑记录与神经机械数字孪生,验证了基于内在动机的分层策略能复现生物自主探索行为。

  24. arXiv · 机器人与计算机视觉18

    Trajectory Generation and Control for Quadrotors 项目展示四旋翼轨迹生成与控制设计

    该项目利用微分平坦性算法基于航点导航生成了最小拍平滑轨迹,并采用比例加导数(PD)控制器进行跟踪。仿真结果显示了四旋翼的位置与速度轨迹生成效果,论文包含 8 页正文及 6 张图示。该研究属于系统与控制领域的预印本提交,尚未通过同行评审或正式出版。

  25. arXiv · 机器人与计算机视觉38

    非线性气动机械臂控制:arXiv 预印本对比阻抗与自适应滑模控制器

    该研究提出两种针对搭载双自由度机械臂的四旋翼飞行器的控制器,用于在存在有界扰动时完成悬停任务。论文开发了完整动力学模型,并在相同初始条件和期望位置下对比了笛卡尔阻抗控制与自适应滑模控制的性能。目前该文为 arXiv 预印本(arXiv:2610.34454),包含 9 幅图和 2 个表格,尚未进入同行评审或正式出版阶段。

  26. arXiv · 机器人与计算机视觉48

    AndroidFlux:评估移动多模态智能体的故障恢复与奖励建模能力

    AndroidFlux 是一个基于 AndroidWorld 构建的基准,通过重置轨迹至错误发生点来隔离并评估移动多模态智能体从意外状态中恢复的能力。研究发布了一个离线强化学习数据集以提升错误恢复效果,结果显示恢复性能仅部分与清洁启动成功率相关,且显式推理仅在 GUI 领域特定 RL 训练模型中有效。

  27. arXiv · 机器人与计算机视觉78

    EAST:基于数字孪生的具身智能安全测试系统

    EAST 是一个数字孪生框架,旨在解决仅以任务成功衡量具身智能安全性不足的问题。它将文献中的安全隐患转化为涵盖感知、指令、环境、动作和时序的故障注入测试。该框架包含专家审核的安全故障分类学和八个可执行算子,通过三阶段工作流生成测试规范并验证故障实现。

    推荐理由:该框架将文献中的安全隐患转化为数字孪生环境下的故障注入测试,能独立评估任务成功背后的安全风险。

  28. arXiv · 机器人与计算机视觉52

    执行日志干扰视觉语言模型对机器人进展的判决

    该研究在 CoRL 2026 SPAIS Workshop 上发布,发现当机器人视频片段显示进度落后时,添加一条声称“正在进步”的旁注日志行,可使 Gemini、Qwen 和 GPT 等 VLM 法官将正确判决翻转为“有进展”的比例增加 10 至 35 个百分点。仅一行警告日志可能出错即可消除大部分此类误导效应;选定的虚假“任务完成”声明能翻转 Qwen 半数正确判决,但对 Gemini 无影响。

  29. arXiv · 机器人与计算机视觉78

    Replicate What Varies:面向域随机化具身仿真的资源共享系统 Patchwork

    论文提出 Patchwork 系统,旨在解决并发运行多个具身仿真环境时因独立构建场景而导致的 CPU 和 GPU 内存占用过高问题。该系统基于 E=T+Δ表示法,将共享模板(包含公共资源)与补丁(记录目标环境的变异)分离,在 robosuite 和 MuJoCo 框架上实现了资源共享运行时。

    推荐理由:提出 Patchwork 系统,通过模板与补丁分离机制共享资源,在 robosuite 和 MuJoCo 上实现多实例 CPU 内存占用降低 88-92%。

  30. arXiv · 机器人与计算机视觉48

    EBench 评测前沿智能体 GPT-6-Astra:从直接控制到策略 harness 的能力边界分析

    EBench 评估了前沿多模态大模型 GPT-6-Astra 在机器人操控任务中的表现,对比其直接生成航点与调用后训练 VLA/WAM 策略两种配置。结果显示该智能体在短时任务领先且泛化稳定,但在长时及高精度接触任务上逊于专用策略;结合 harness 虽能提升成功率并降低 token 成本,但受限于次优调用机制仍低于组件上限。