跳到正文
11月13日周五
  1. arXiv · 机器人与计算机视觉62

    RECALL:基于学习 OEM 锚点残差的多相机阵列实时重校准

    论文提出 RECALL 方法,通过前馈网络结合 OEM 标定锚点和已知物体观测,预测多相机阵列的当前内参和外参。该方法利用可合成真值在飞数据上训练,无需采集数据集。在合成基准和真实数据(TotalCapture、CMU Panoptic)测试中,RECALL 在旋转精度和焦距准确性上优于传统束调整及强基线模型,且运行速度快四个到五个数量级。代码与论文已公开于 arXiv。

  2. arXiv · 机器人与计算机视觉23

    Open-Source Transtibial Prosthetic Bypass 保留关节对齐并实现步态学习

    开源跨膝假肢旁路装置在无需鞋垫或侧向偏移约束下,仅经 10 分钟熟悉即可让受试者无扶手行走。实验显示单腿支撑时间缩短至 27%(对侧为 45%),摆动期膝关节最大屈曲角从 61°降至 36%,髋关节活动范围增至 51°,为下肢假肢研究提供有效工具。

  3. arXiv · 机器人与计算机视觉73

    SunLightBots:将阳光转化为自持高功率运动的软机器人

    论文介绍了 SunLightBots,这是一类亚克级、太阳能驱动的无缆软机器人,通过集成液晶弹性体与弹跳失稳机制实现能量积累与快速释放。系统在接近 1 Sun(100 mW/cm2)光照下运行,峰值比功率达 89 W/kg,并展示了持续的游泳、爬行和重复脉冲跳跃能力。

  4. arXiv · 机器人与计算机视觉20

    SyntheIce:冰川层重建的雷达图标注基准与算法验证

    SyntheIce 数据集包含 600 张涵盖多复杂度及真实噪声条件的合成雷达图,其中 150 张大图被划分为四块相邻瓦片以测试边界连续性。研究提出的斜率感知贪婪片段链接算法在专家标注的真实数据上实现了高精确度、召回率和 F1 分数。该成果已接受 IEEE BigData 2026 会议,证明了轨迹链接在处理碎片化空间特征时优于外观匹配方法。

  5. arXiv · 机器人与计算机视觉78

    基于熵的视图选择存在盲区:对 VLM 测试时适应的审计

    该论文审计了视觉语言模型在测试时适应中的视图选择机制,发现依赖预测熵的方法无法有效识别正确视图,仅能恢复约五分之一由理想方法获得的准确率。研究提出利用裁剪保留比例作为新信号,在 15 个基准数据集中优于现有最强评分函数。该工作已获 NeurIPS 2026 研讨会接收。

    推荐理由:研究发现熵值无法区分正确与错误视图,利用裁剪保留比例作为新信号可显著提升测试时适应的准确率。

  6. arXiv · 机器人与计算机视觉78

    面向搜救的地形感知多无人机汤普森采样算法

    本文提出一种用于搜救应用的去中心化地形感知多无人机汤普森采样算法。该方法利用基于历史数据的 SAR 模型(位移环、高程等)构建定位概率分布,并通过贝叶斯推断更新高斯后验均值与方差以平衡探索与利用;同时引入分数森林覆盖率指标来量化植被遮挡带来的观测不确定性。

    推荐理由:提出地形感知多无人机汤普森采样算法,结合 SAR 历史模型与森林覆盖不确定性,在仿真中验证了搜救成功率。

  7. arXiv · 机器人与计算机视觉43

    FreeDeshadow:支持多模态提示的指定物体阴影去除框架

    FreeDeshadow 提出统一可控阴影去除框架,通过对象感知生成器与阴影感知局部细化器,仅移除用户指定物体的投射阴影并保留其他内容。该方法构建包含 154,571 组四元组的 PCSRD+ 数据集,支持点、线、掩码及属性描述等六类视觉与文本提示。实验表明其在去除目标物体阴影的同时有效保护非目标区域,性能优于现有方法。

  8. Hugging Face Daily Papers74

    PhysLoop:利用 LLM 的物理感知实现视频生成模型的自我改进

    PhysLoop 是一个统一框架,旨在通过大语言模型(LLM)的物理知识来改善视频生成模型的物理动态和因果一致性。该框架在视频生成、选择和修正过程中指导并约束 LLM,将其物理知识蒸馏到物理一致的视频中,支持可控训练数据构建和推理时的视频修复。

  9. Hugging Face Daily Papers73

    UniSpark:探索混合注意力的多模态理解与生成

    UniSpark-9B 是一个基于混合注意力机制的统一多模态模型,结合了全注意力与 GatedDeltaNet 线性注意力以支持视觉问答、文生图及指令编辑等任务。该模型在 MME-S 基准上得分为 2470.3,GenEval 得分为 0.83。材料为 arXiv 预印本技术报告,展示了其在多模态生成与理解方面的能力。

  10. Hugging Face Daily Papers72

    WorldDraft:若代码构建世界,视频模型能否仅负责渲染?

    论文提出 WorldDraft 基准,包含 432 个严格配对的测试用例,覆盖 48 个可执行 4D 世界家族及六类动态挑战。评估显示世界保持与视觉实现存在操作张力,丰富草稿虽锚定结构却损害外观保真度,冲突源线索导致高达 64% 的源泄漏。为此提出 WorldDraft-Primer 插件式视觉提示策略,在冻结视频渲染器上同时提升两项目标,为连接程序化 4D 仿真与视频生成奠定基础。

  11. Hugging Face Daily Papers83

    Actor, Judge, or Teacher? 理解长视界智能体中的决策模型

    论文研究了决策模型在长视界智能体中作为行动者、裁判者和教师的三种角色。实验发现,即使模型在执行任务时表现不佳,只要能在回合结束后准确评估动作后果,就能有效区分有用与无效的动作。作为教师,JEV 模型利用这种能力将 Qwen2.5-1.5B 策略在 ALFWorld 和 WebShop 上的成功率分别提升至 82.9% 和 71.4%。代码已开源。

    推荐理由:研究对比显示,即使作为执行者表现不佳的决策模型,在评估动作后果或指导强化学习时仍能有效提升策略成功率。

  12. Hugging Face Daily Papers45

    CANTraj:从 CAN 信号恢复自然驾驶轨迹的隐私攻击基准与数据集发布

    CANTraj 数据集配对解码的 CAN 事件与时序对齐 GNSS 轨迹,包含 3940 次驾驶记录及 3675 次用于评估的测试集。实验显示结合转向信号可将在线地图过滤的五分钟路线恢复率从 56% 提升至 87%,中位平均位移误差降至 43 米;LLM 智能体在测试集上最佳配置恢复率达 79%。该研究揭示了仅移除 GPS 仍无法消除车辆信号中的位置信息,为隐私安全评估提供基准。

  13. Hugging Face Daily Papers66

    Envisioning Agentic Robotics:迈向具身智能体新纪元

    Grid Robotics 团队发布预印本论文,提出“具身智能体(agentic robotics)”新范式及 Embodied System 2 概念,主张利用基础模型与具身 harness 构建闭环决策核心。文章定义了从感知到策略适应的完整操作循环,并提出了评估框架以衡量模型能力与系统性能,同时规划了通往持续自主的研究路线图。材料为预印本状态,未报告真实部署结果或具体实验数据。

  14. Hugging Face Daily Papers74

    Gamer:面向长周期复杂交互环境的通用视觉 - 语言 - 动作基础模型

    论文介绍 Gamer 框架,旨在处理复杂交互式环境中的长周期任务。其架构整合感知、记忆管理与多步推理,支持 2D 界面与 3D 仿真世界交互。训练基于数万小时设备级键鼠轨迹数据,涵盖物理与虚拟域以学习环境动态;采用稀疏思维指令微调减少冗余计算,并利用稳定多回合强化学习解决有限上下文与稀疏奖励问题。

11月12日周四
  1. 盖世汽车 · 汽车资讯31

    东南大学与莫纳什大学开发“物理信息驱动”编队控制框架提升自动驾驶可靠性

    东南大学和莫纳什大学团队将传统车辆控制方法与基于学习的优化技术结合,开发出一种“物理信息驱动”的编队控制框架。该成果已发表在期刊《Communications in Transportation Research》上,旨在解决传感器不确定性、车辆模型不完善及执行器响应非线性等实际部署挑战。

  2. 盖世汽车 · 汽车资讯35

    首尔国立大学开发 TACToC 与 mzCache 工具降低 AI 通信开销及响应延迟

    韩国首尔国立大学开发出 TACToC 和 mzCache 两项新技术,分别通过仅传输任务所需信息减少通信成本、缩短智能手机 AI 响应时间。TACToC 将通信成本降低高达 14.5 倍且准确性损失控制在 3 个百分点以内;mzCache 在多应用环境中使 AI 首次响应时间缩短高达 5.5 倍,有效解决传统视频压缩传输冗余信息的问题。

  3. 智东西 · 机器人84

    CoRL 2026 放榜:伯克利 SuperMimic 获最佳论文,英伟达斯坦福 RoboTTT 获最佳学生奖

    机器人学习顶会 CoRL 2026 公布获奖名单,加州大学伯克利分校的 SuperMimic 研究获得最佳论文奖,该方法基于可微世界模型将人形机器人全身控制训练算力降低超千倍,单卡 3 小时即超过百卡基线并已在宇树 G1 真机验证。英伟达与斯坦福联合团队的 RoboTTT 获最佳学生论文奖,其通过测试时训练将策略上下文扩展至 8000 个时间步,在多项灵巧装配任务中平均完成率提升至 79%。

    推荐理由:CoRL 2026 最佳论文展示可微世界模型将人形机器人训练算力降低千倍,最佳学生奖提出长上下文策略方法。

  4. Hugging Face Daily Papers56

    LLM 智能体工作负载的批处理延迟优化:基于推理与环境协同的方法

    该研究针对大模型智能体任务交替进行推理与环境交互的特点,提出了协调优化方案以减少批处理总耗时(makespan)。方法包括利用工作负载资源模型指导 GPU 显存分配、轨迹感知调度以复用缓存、以及在环境容量受限时将样本准入与执行解耦并引入链推进动作调度。

  5. Hugging Face Daily Papers36

    Evidence-Governed Adoption of Self-Generated Updates in Autonomous AI Agents:提出 EGE 框架治理自主智能体更新

    针对自主智能体候选修改可能隐藏性能退化问题,研究提出 Evidence-Governed Evolution (EGE) 框架,将生成与确认采纳分离。该框架通过冻结候选体的新鲜配对审计、要求预定义目标显著改进及参考相对非劣性测试来保护声明能力。蒙特卡洛压力测试仅作为统计实验演示校准效果,未验证部署智能体安全或任意分布偏移下的鲁棒性。

11月11日周三
  1. Hugging Face Daily Papers42

    TorchCurves:可微参数曲线 PyTorch 库发布

    TorchCurves 是 Alex Shtoff 开发的 PyTorch 库,将向量值参数曲线作为可学习原语处理。该库支持 B-spline 或 Legendre 多项式基表示,允许对输入和系数进行联合优化,涵盖从连续特征嵌入到 Kolmogorov-Arnold 网络的应用。GitHub 仓库已开放下载,但代码与权重暂无商用许可说明。

  2. Hugging Face Daily Papers74

    WM-PPO:通过评估未来状态提升世界模型下的动作学习能力

    针对稀疏终端奖励导致信息缺失的问题,本文提出 WM-PPO 方法,利用训练于真实交互的世界模型预测动作后的观测,由价值网络对预测后继状态进行估值以指导策略优化。该方法在无需教师信号或特权信息的情况下,仅在推理阶段使用策略网络,在 ALFWorld 和 ScienceWorld 基准上将成功率分别从 63.5% 提升至 87.5%,从 39.3% 提升至 52.9%。

  3. arXiv · 机器人与计算机视觉42

    When Words and Bodies Disagree:LLM 实现言语与非言语不匹配以增强虚拟智能体情感表达

    研究提出言语 - 非言语不匹配分类法,验证 LLM 在社交语境下能成功选择讽刺等目标行为。人类受试者实验证实这些线索显著改变了对虚拟智能体态度与情绪效价的感知,且能有效区分加强、缓解及泄露三种功能类型。该成果为训练具备复杂情感交互能力的虚拟智能体提供了关键方法支撑。

  4. arXiv · 机器人与计算机视觉57

    CoMet:一种用于多模态大模型的不确定性估计新方法

    针对多模态大语言模型难以准确评估自身不确定性的问题,论文提出 CoMet 方法,将不确定性分解为反映任务歧义的上下文项和反映合理答案数量的多重性项。该方法训练一个轻量级后处理模块来估算这两项指标,无需自回归生成或重复采样即可实现高效的不确定性估计。实验在多个开放多模态基准、幻觉检测及视觉问答任务上验证了 CoMet 相比现有基线的有效性。代码与论文预印本已公开。

  5. arXiv · 机器人与计算机视觉78

    RANSAC Scoring Done Right:一种消除尺度依赖的 RANSAC 评分新方法

    论文提出了一种改进的 RANSAC 评分方法,通过边际化尺度参数而非固定阈值来区分内点与外点,从而消除了对噪声水平估计的依赖。该方法仅需一个超参数(均匀分布的外点半宽),且可通过单次排序和线性扫描最大化得分。该工作为 NeurIPS 2026 录用论文,适用于需要适应不同标注程度数据集的场景。

    推荐理由:提出了一种新的 RANSAC 评分方法,通过边际化尺度参数消除了对阈值和噪声水平的依赖,仅需一个超参数即可适应不同标注程度的数据集。

  6. arXiv · 机器人与计算机视觉53

    Einstein World Models:一种将视觉时序推演嵌入大语言模型推理轨迹的世界模型蓝图

    该论文提出 Einstein World Models(EWMs),这是一种基于大语言模型的推理系统蓝图,旨在通过引入视觉时序推演来增强复杂思考能力。在 EWM 架构中,LLM 调用世界模块生成场景的短时序推演结果,这些结果不作为直接答案,而是作为可检查的反事实假设以支持后续推理过程。该工作将工具调用能力扩展至视觉思维实验领域,探讨可视化反事实事件是否能作为语言之外的复杂思考机制。

  7. arXiv · 机器人与计算机视觉50

    CARV:扩散模型梯度方差缩减框架

    CARV 是一种计算感知的方差核算框架,将蒙特卡洛估计重构为两阶段采样问题以复用昂贵上游计算。该方法在文本转三维和数据归因任务中实现 2 至 3 倍有效算力倍增,其中时序重要性采样与分层逆 CDF 采样贡献约 25% 增益。该成果已作为 NeurIPS 2026 相机就绪版本发布,适用于预训练扩散模型作为冻结教师的教学管道。

  8. arXiv · 机器人与计算机视觉83

    MC^2:用于快速椭圆偏微分方程求解的蒙特卡洛校正方法

    论文提出 MC^2,一种结合神经网络与蒙特卡洛方法的混合求解器,通过单次前向传播对低预算蒙特卡洛解进行结构化校正以恢复高保真解。该方法在匹配精度的情况下比传统 Walk-on-Spheres 快约 218 倍,推理时间较最先进扩散方法减少约 171 倍且精度更高。

    推荐理由:提出 MC^2 混合求解器,在保持精度的同时将椭圆偏微分方程求解速度提升约 218 倍,并开源 PDEZoo 基准。

  9. arXiv · 机器人与计算机视觉78

    无需专家演示的安全近似非线性模型预测控制

    论文提出了 Sequential Approximate MPC (Seq-AMPC),这是一种无标签的循环框架,利用共享参数生成完整控制序列。该方法通过已知动力学直接训练策略,并引入基于安全滤波器的阶段成本依赖接受容差,以在存在神经近似误差时保持递归可行性和渐近收敛性。

    推荐理由:提出无需专家演示的 Seq-AMPC 框架,在四类基准上实现接近 NMPC 的成本比与高采纳率。

  10. arXiv · 机器人与计算机视觉43

    Federated Learning of Binary Neural Networks:FedBNN 框架实现低成本边缘推理

    FedBNN 提出一种联邦旋转感知二值化框架,在异构客户端数据分布下利用全局模型引导本地二值化并融合局部旋转信息。实验显示该方法在多个基准数据集上达到与全精度联邦模型相当的准确率,同时相比全精度模型 FLOPs 节省高达 58 倍、内存占用降低 32 倍。该成果为资源受限的边缘设备提供了预测性能与部署效率的实用平衡方案。

  11. arXiv · 机器人与计算机视觉42

    RECAP:一种结合局部海布原型学习的储层计算图像分类方法

    RECAP 是一种无需误差反向传播的生物启发式学习策略,通过耦合未训练储层动力学与自组织海布原型读出实现鲁棒图像分类。该方法在 MNIST-C 数据集上展示了抗干扰能力,能在未接触腐蚀样本的情况下保持对多种数据损坏的鲁棒性。论文已被 AICCC 2026 接收,代码与权重暂未提及开放许可。

  12. arXiv · 机器人与计算机视觉18

    DualHash:基于随机原始对偶算法的 W 型正则化深度哈希方法

    DualHash 提出一种利用 Fenchel 对偶重构非凸 W 型正则项的随机原始对偶算法,为深度哈希提供收敛保证。该方法包含动量版$O(\varepsilon^{-4})$与方差缩减版$O(\varepsilon^{-3})$两种实例,在三个标准数据集上验证了检索精度提升与量化误差降低的效果。代码实现已公开于指定 URL,适用于大规模内容图像检索任务。