跳到正文
11月16日周一
  1. arXiv · 机器人与计算机视觉74

    基于检测框条件的假设检验用于分布外目标检测

    该论文提出一种名为 PLUM 的无需训练的检测分数,通过池化检测框内的骨干网络层特征并计算其与已知类别的距离,实现对分布外目标的可靠识别。在 PASCAL-VOC 和 BDD100K 基准上,该方法在不依赖外部模型的情况下取得了最高的 AUROC 指标(分别为 91.5/94.5 和 95.1/97.5)。材料为预印本版本,代码与论文链接已提供。

  2. arXiv · 机器人与计算机视觉53

    StreamEmbed:基于像素差异的屏幕截图实时索引系统

    针对屏幕历史作为可搜索视觉记忆的需求,本文提出了 StreamEmbed 系统,通过空间 Token 剪枝与时间 KV 缓存复用技术,利用截图间的像素冗余实现增量视觉嵌入。实验显示该系统在 M2 Pro GPU 上将编码速度提升最高 3.7 倍,相比 OCR 索引在同等延迟下 Recall@10 提升 6.3 个点,且仅需 0.13 GB RAM 即可存储模拟一年的截图数据。

  3. arXiv · 机器人与计算机视觉42

    Disturbance-Aware Informative Planning 在时空环境中的扰动感知信息规划方法

    针对外部扰动影响机器人轨迹优化的问题,该方法提出两阶段框架,结合有信息的扰动采样与扰动感知轨迹优化。实验显示,相比全域估计,其在四个仿真场景中减少 25.0--52.3% 的学习时间并识别更优路径。论文已提交至 Learning for Dynamics and Control Conference 2027。

  4. arXiv · 机器人与计算机视觉13

    蓝船自主水面艇实现有害藻华原位监测与预测建模

    该系统集成 BlueBoat 自主水面艇、深度控制绞车及多参数水质传感器,在路易斯安那州庞恰特雷恩湖和假河开展实地部署。通过自动航点任务采集叶绿素等指标并评估机器学习分类器,验证了模块化平台重复收集多模态数据的可行性,为未来自主监测系统奠定基础。

  5. arXiv · 机器人与计算机视觉23

    遥操作干预提升自驱动实验室韧性研究

    针对自驱动实验室(SDL)自动化流程故障,该研究开发了基于 UR3e 机械臂与 3Dconnexion SpaceMouse Pro 的遥操作接口。对比测试表明解耦控制器模式缩短了任务完成时间并减少旋转运动,且无参考路径引导时用户更具目标导向性。工作验证了人机回环机制在 SDL 故障恢复中的可行性,为未来共享自主性研究奠定基础。

  6. arXiv · 机器人与计算机视觉70

    隐藏启动延迟随机化提升自博弈交接的跨伙伴鲁棒性

    该研究针对合作自博弈中接收方对陌生伙伴鲁棒性差的问题,发现共享奖励下学习到的给予方总是立即开始动作导致接收方策略固化。通过引入接收方不可观测的隐藏启动延迟随机化(HSD),在 300 次额外更新后,与未见过的新脚本伙伴交接成功率从 31% 提升至 80%,且大幅降低高力接触次数,无需重新训练伙伴。

  7. arXiv · 机器人与计算机视觉13

    从 AI 赋能远程患者监护迈向代理型机器人:具身化、治理与照护整合综述

    该结构化范围综述发现,成熟的代理型医疗照护尚未出现,多数系统仍由人类主导,强化决策 - 行动耦合及具身智能主要局限于原型机与试点项目。研究提出将代理型机器人作为受监督系统的未来方向,通过可审计工作流连接 AI 智能体、机器人与临床人员,确保人类监督与明确治理。该成果已接受发表于《控制、机器人与自主系统年刊》2027 年第 10 卷。

  8. arXiv · 机器人与计算机视觉70

    MMFlash:面向视觉语言模型的更快推测性解码

    针对扩散起草器主要关注纯文本任务而忽视多模态起草的局限,本文引入基于 KL 散度的 Token 级视觉依赖度指标,发现视觉依赖度高时接受率显著下降。为此提出 MMFlash 框架,自适应地提升起草器预测较差的视觉依赖 token 权重,并在长视频输入下采用稀疏注意力减少冗余计算。

  9. arXiv · 机器人与计算机视觉58

    水下图像质量指标是否与人眼感知一致?基于人工选择、简单编辑与生成漂移的基准测试

    该论文评估了 73 种手工设计、学习型、视觉 - 语言及通用图像质量指标在水下场景中对齐人类偏好的程度,发现没有任何一种指标能始终匹配人类判断。研究通过四项基准(四组已发表意见评分集与一项新配对比较研究)测试指标一致性,并验证了简单编辑和对抗扰动是否会导致指标分数虚高、生成噪声累积时分数下降不足等问题。

  10. arXiv · 机器人与计算机视觉74

    CoPre-MoE:一种用于多模态持续指令微调的混合专家模型整合与保留方法

    针对多模态大语言模型在持续学习新能力时面临的灾难性遗忘与参数冗余问题,本文提出 CoPre-MoE 架构。该方法首先为每个任务学习专用混合专家以捕获特定能力,随后通过评估功能重叠将重叠专家整合至固定容量的通用专家池中,并将剩余任务特定专家分解为共享投影基和紧凑的任务特定核心存入私有专家池。

  11. arXiv · 机器人与计算机视觉58

    视觉语言动作模型:设计与训练及部署的生命周期综述

    这篇论文回顾了 2022 年 12 月至 2026 年 10 月期间关于 VLA 模型的 88 项工作,涵盖操作、导航、人形控制及世界动作模型。文章沿七个维度分析了 22 个代表性模型的设计架构、训练数据(从遥操作到社区收集)及部署速度,指出模型参数规模出现分裂趋势,并讨论了部分模型在物体或相机轻微移动时表现脆弱的问题。

  12. arXiv · 机器人与计算机视觉84

    重型机械杂技:通过强化学习实现滑移装载机动态控制

    该论文展示了利用强化学习(RL)结合仿真到现实(sim-to-real)迁移技术,成功自动化了复杂液压驱动的重型机械——John Deere 332G 滑移装载机的极限动作。策略使机器能够自主完成两轮平衡、跨越崎岖地形、绘制指定轨迹及旋转等高难度杂技动作,此前这些操作仅由少数精英人类操作员在世界纪录级别的表演中实现。

    推荐理由:作者展示强化学习在仿真中训练的策略成功迁移至现实,实现了推土机在两轮平衡状态下跨越崎岖地形并自主完成高难度杂技动作。

  13. arXiv · 机器人与计算机视觉54

    Adaptable Watermarking:通过轻量级适配器改造图像水印模型

    本文探索神经图像水印模型的适应性,提出一种框架使编码器 - 解码器水印架构具备模块化和可升级性,支持多种水印风格而无需重新训练整个模型。该方法通过在组件上附加紧凑的参数高效适配器并在多域残差对齐损失下微调来实现适应,同时通过秘密损失项保持比特精度。

  14. arXiv · 机器人与计算机视觉45

    MaskSCD:遥感图像语义变化检测中的双时相掩码分类方法

    MaskSCD 将语义变化检测重构为双时相标签对图像的掩码分类任务,通过共享掩码与双时相特征融合确保变化图与语义图一致。该方法在 SECOND、Landsat-SCD 和 Hi-UCD 三个数据集上均取得最佳分离 Kappa 及 F1 分数,平均分离 Kappa 比最强竞品高出约 5 分且消除了近 30% 的矛盾变化像素。

  15. arXiv · 机器人与计算机视觉65

    DIRT:基于双带混合的深度补全图像渲染实现实时新视角合成

    DIRT 方法提出一种无需训练和优化的实时新视角合成(NVS)方案,利用主动传感器获取的稀疏点几何在屏幕空间完成深度缓冲,并通过频率感知的双带混合策略融合投影后的观测数据。该方法适用于手持 RGB-D、车载 LiDAR 及热成像等异构传感器,且在低光条件下表现良好,实验显示其在实时重建场景中优于以往方法,同时在传统 NVS 基准上保持竞争力。

  16. arXiv · 机器人与计算机视觉63

    解锁标签稀缺下的交叉注意力:一种用于视频语义分割的弱监督方法

    该论文提出了 MemCAM 框架,旨在解决弱监督视频语义分割(WS-VSS)中利用外部先验(如光流)不稳定且昂贵的问题。MemCAM 通过特征空间自监督直接学习时空跨注意力机制,引入 CAM 传播算法合成监督信号,并利用预测图与传播图的一致性约束来稳定训练。

  17. arXiv · 机器人与计算机视觉82

    PROOF:通过分布外回退实现腿部运动的感知鲁棒性

    论文提出 PROOF 框架,采用两阶段师生学习范式显式建模感知可靠性,使 Unitree Go2 四足机器人在严重视觉干扰下仍能维持稳定运动。方法在正常条件下支持高动态跑酷动作,并在遮挡或光照变化时抑制不可靠的外界特征输入。该工作为 CoRL 2026 投稿的预印本,评估基于搭载 RealSense D435 深度相机的真实世界设置。

    推荐理由:提出基于分布外回退的感知鲁棒性框架,在视觉退化下保持四足机器人运动稳定性。

  18. arXiv · 机器人与计算机视觉78

    Objectives as Policies:面向接触丰富操作的视觉语言模型成本程序框架

    该论文介绍 Objectives as Policies (OaP) 框架,连接预训练视觉语言模型与基于采样的模型预测控制器,利用可编辑的目标程序桥接语义推理与物理规划。系统通过真实到仿真的数字孪生生成初始程序,经 MPC 仿真迭代更新后部署至现实世界。作者在四个桌面操作任务上进行了仿真与现实评估,结果显示该框架优于强基线。

    推荐理由:提出将预训练视觉语言模型生成的目标程序作为 MPC 控制器输入,通过仿真到现实迭代实现接触丰富操作任务。

  19. arXiv · 机器人与计算机视觉65

    基于结构自教学的统一多模态模型组合生成方法

    Jaeyoo Park 和 Bohyung Han 提出 Structural Self-Teaching (SST) 框架,利用扩散模型内部理解路径的注意力图提取短语级掩码,将其转化为训练时的结构监督信号以解决组合提示下的对象缺失与空间错误问题。该方法通过短语局部对比对齐和结构支架机制,在不需外部标注且无推理成本的情况下,在多个统一多模态模型上实现了优于 LoRA 微调的组合生成保真度。

  20. arXiv · 机器人与计算机视觉72

    DeepBA:一种基于图神经网络的深度光束法平差方法

    论文 DeepBA 提出一种图神经网络架构,用于从任意数量视图的二维匹配中恢复相机位姿、内参和场景结构。该方法将传统光束法平差的非线性最小二乘求解过程转化为可学习的迭代优化,支持冷启动且无需逐场景归一化。模型包含 2.04M 参数,在重建质量和位姿指标上优于先前的学习型 SfM 方法,并在视图数量增加时计算效率超越经典方法。

  21. arXiv · 机器人与计算机视觉72

    Lens:无需训练的卫星影像跨图块物体与场景语义搜索方法

    本文提出了 Lens 系统,一种无需针对特定类别训练检测器的语义搜索方案。该方法利用冻结的自监督视觉 Transformer(DINOv3)提取特征,通过投影消除位置偏差并中心化,结合余弦相似度进行实时检索。系统支持跨数千图块的实时范围搜索与场景级检索,并在 DFC2020 测试集上实现了优于基线的性能,单次点击响应时间为 6 至 10 毫秒。

  22. arXiv · 机器人与计算机视觉82

    SCAR:通过候选重排序连接粗粒度检索与细粒度定位

    该论文针对自然语言点云定位任务中检索顺序决定最终输出坐标的问题,提出 SCAR 方法。该方法将每个单元 - 细粒度坐标对视为定位假设,利用骨干网络实际细粒度点的空间支持进行证据读出,并结合中心支持、语义存在度等构建 23 维表示训练共享评分器。

    推荐理由:提出 SCAR 方法,通过空间一致性重排序解决自然语言点云定位中检索顺序决定最终输出的问题。

  23. arXiv · 机器人与计算机视觉58

    ESI:一种用于 LLM-VLA 智能体的具身自我改进飞轮

    ESI 是一种自动化的飞轮系统,利用环境交互来对齐大语言模型(LLM)的推理与视觉 - 语言 - 动作(VLA)策略的动作执行。该系统将模块化智能体作为后训练单元,反复优化引导 LLM 的提示词、表达意图的技能接口以及实现意图的 VLA 参数,并重新部署这些组件。

  24. arXiv · 机器人与计算机视觉75

    STaG:一种无需人工标注的基于文本的人脸检索无监督领域自适应方法

    针对现实部署中缺乏新场景文本标注的问题,本文提出了 STaG 框架,实现了无需目标域人类标注的无监督领域自适应文本检索。该方法通过风格无关文本对齐解耦身份语义与机器生成风格,并利用异构图记忆对齐学习跨域不变视觉特征,在三个基准测试上达到了最先进性能。

  25. arXiv · 机器人与计算机视觉78

    ALoMa:超越局部区域的仿射对应关系估计

    该论文提出 ALoMa 方法,利用 LoMa 关键点描述符在图像及图像对层面进行仿射对应关系(AC)估计,通过联合学习完整的 4-DoF 变换矩阵替代单独估计分量。实验表明该方法在多视图几何下游任务中表现一致优于现有方案。材料为预印本论文,代码已开源。

    推荐理由:提出 ALoMa 方法,联合学习仿射变换矩阵以增强多视图几何求解的鲁棒性。

  26. arXiv · 机器人与计算机视觉78

    DRA-HTR:解耦表示与适应以进行手写文本识别

    针对历史文档手写文本识别因标注数据稀缺和领域偏移而面临的挑战,本文提出 DRA-HTR 无监督生成域适应框架。该方案结合源域预训练与目标域视觉特征适应,通过生成目标风格源样本进行任务特定训练;并引入 DRAL-HTR 集成大语言模型进行后 HTR 校正以补充语言适应。

    推荐理由:提出 DRA-HTR 无监督生成域适应框架,在七个数据集上建立手写文本识别领域适应新最先进并提升鲁棒性。

  27. arXiv · 机器人与计算机视觉48

    Qwen3.5-27B 与 Gemma-4-31B-it 作为空间先验的导航能力评估

    研究利用 CubiCasa5K 和 ScanNet 真实布局,评估 Qwen3.5-27B 和 Gemma-4-31B-it 能否提供物体位置的空间分布先验。结果显示模型虽能关联物体与房间类型,但在物体靠墙性及生成布局几何一致性上不及基于真实布局的先验。结论支持将 LLM 用于约束坐标书写及后续几何校验,而非直接替代真实布局作为放置先验来源。

  28. arXiv · 机器人与计算机视觉48

    PoliMop:面向移动机器人的三维空间闭环策略运动规划方法

    PoliMop 提出一种利用物理仿真挖掘控制策略技能的运动规划器,通过结合预规划质点路径引导采样,将规划时间缩短最多 63%。该方法在四足、人形及轮式机器人上无需修改底层算法即可实现即插即用,并能自动识别如搭建桥梁等预设环境改造以扩展可达空间。相关代码与视频已公开,论文为 arXiv 预印本状态。

  29. arXiv · 机器人与计算机视觉82

    Eco3R:基于固定键推理的高效可流式长视频前馈三维重建方法

    论文提出免训练的 EcoVGGT 推理框架,利用固定关键帧集(Pinned Key Set)替代内容选择机制,实现长视频三维重建的恒定成本处理。实验显示该方法在 ScanNet 1000 帧视频上将速度提升 13.8 倍,并在 VGGT 模型上通过微调对齐模块将成功率从 70% 提升至 82%,同时支持单 GPU 处理 4000 帧及在线流式重建。

    推荐理由:提出免训练推理框架 EcoVGGT,通过固定关键帧实现长视频三维重建的高效流式处理。

  30. arXiv · 机器人与计算机视觉82

    TelePhysica:基于智能体的物理交互式场景重构方法

    TelePhysica 是一个闭环框架,旨在从单张照片重建可执行的多体制物理世界,以驱动状态化的三维交互和轨迹感知的视频合成。该方法利用视觉语言编码智能体生成分离的视觉网格和声明性物理模型,并通过像素对齐轮廓批评与零力重力平衡预飞检查进行两阶段验证。

    推荐理由:该工作提出闭环框架,从单张照片重建可执行的物理世界以驱动状态化交互与视频合成。

  31. arXiv · 机器人与计算机视觉48

    基于显式约束空间的通用安全感知机器人行为规划方法

    针对桌面环境安全约束依赖场景且指令未明确指定的挑战,该研究提出一种集成显式约束空间存储、任务与环境条件化适用性学习及多模态安全检查的行为规划框架。系统通过轻量级双塔模型识别适用约束,利用多模态安全检查器评估并修正初级计划,结合 LoRA 进行测试时自适应与参数高效微调以应对未知风险。该框架实现了显式安全知识表示、上下文感知选择、纠错检查及知识自适应的闭环整合,旨在提升机器人行为规划的安全性。