Alloy:面向机器人学习的多材质物理引擎
Alloy 是一个开源物理引擎,旨在解决机器人训练中刚体与非刚体(如布料、液体、颗粒)难以在同一场景模拟的问题。该引擎将不同材质的求解器耦合在单一场景中,支持在单 GPU 或 CPU 上并行运行多个世界实例,并引入健康度评分以区分物理失败与策略失败。
Alloy 是一个开源物理引擎,旨在解决机器人训练中刚体与非刚体(如布料、液体、颗粒)难以在同一场景模拟的问题。该引擎将不同材质的求解器耦合在单一场景中,支持在单 GPU 或 CPU 上并行运行多个世界实例,并引入健康度评分以区分物理失败与策略失败。
SGVD 是一种基于不确定性感知的扩散框架,通过双步预测估计区域级恢复不确定性以自适应激活生成先验。该方法利用锚引导轨迹一致性机制减少帧间漂移,仅需单步推理即可在去雨任务中实现优于最先进方法的感知质量与时间连贯性。
该论文提出了 Disentangled Embedding Optimization (DEO) 框架,旨在通过扩散模型将大规模数据集压缩为合成子集。针对现有聚类方法导致类别内样本纠缠、降低数据多样性的问题,DEO 用可训练的嵌入替换静态聚类,并优化其高斯统计特性以匹配原始分布,同时引入多样性正则化增强类内变异性。
BWM-Forge 是一个用于可控机器人视频生成的代码驱动框架。给定机器人资产和任务描述,该框架接受初始图像、含运动数据的图像或人类演示视频作为输入。一个编码智能体构建可编辑的 Blender 场景程序以指定物体、机器人运动和相机视角;生成的代理视频为视频生成模型提供结构和运动参考,后者负责添加视觉细节。
该论文研究了在图像潜在空间中生成触觉是否保留了材料识别信息。实验发现,基于 Stable Diffusion VAE 的重建结果能保持物体身份(匹配准确率 76.7%),优于离散分词器重建,且接近真实触觉数据。研究据此选择了 SD-VAE 潜空间进行光到触的生成器训练,代码将在论文接收后发布。
该论文针对体层 CT 超分辨率任务中合成配对数据缺失真实采集效应的痛点,提出了 Physically-anchored Implicit Network (PIN)。
本文介绍 FOMO,一种基于 Transformer 的端到端可训练架构,用于零样本模型驱动的目标检测。该方法通过双向注意力机制融合潜在令牌、多视图 CAD 模板和图像特征,生成对象感知特征与条件查询,进而解码为边界框及置信度预测。
论文 Track4D 研究了如何利用预训练的视频扩散模型(VDM)解决数据稀缺下的稠密 3D 点跟踪问题,系统评估了残差 3D 跟踪视频(RTV)和归一化坐标图视频(NCMV)两种表示方法的有效性。
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。
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。
针对大型工业管道等重型物体的 6-DOF 姿态估计,作者提出了 MiniPose 流程,通过采集缩小比例模型的真实 RGB-D 数据并转化为全尺寸几何表示,以解决真实数据采集负担大及合成数据难以复现传感器误差的问题。实验表明,混合少量微型图像与合成数据可提升两种不同网络架构(PVN3D、RDPN6D)的平均 ADD-S AUC,且相比全尺寸真实数据训练,该方法在采集困难场景下可作为有效替代方案。
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。
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。
Ropedia Xperience 2 是一个包含 1,589 个米级 3D 扫描和 4,230 段第一人称视角录制(涵盖 74 项任务,共 131 小时)的数据集。
推荐理由:该工作提出将环境采集与行为演示结合作为物理 AI 数据金标准,并展示了从真人动作到机器人轨迹的转换方法。
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。
论文分析了多智能体语言模型的评估实践,发现现有比较常将通信架构优势与样本多重性及推理计算混淆。研究合成九项包含 516 种配置的实证评估显示,在与基线匹配样本数或资源预算的可比对比中,多智能体系统平均准确率低于基线。
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。
在CoRL 2026期间,RoboSense速腾聚创宣布与BitRobot达成战略合作,双方整合三维感知硬件与分布式采集资源以推动物理AI数据基础设施建设。作为合作成果,BitRobot发布了涵盖餐厅厨房、汽车维修等真实作业场景的RoboCap LiDAR-100数据集,数据采集总规模为100小时。
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。
CD-RCM 是首个针对反射共焦显微镜(RCM)的新型视角合成(NVS)方法,通过插值稀疏采集的 Z 堆栈实现各向同性三维可视化。该前馈模型在无需患者优化前提下,支持任意方向切片及类组织病理学横截面检查,推理耗时低于秒级。实验表明该方法能生成高保真新视角图像,解决了传统神经渲染无法处理 RCM 轴向成像几何与遮挡物理的问题。
该论文提出 AnyMo 框架,旨在解决可穿戴惯性测量单元(IMU)因佩戴位置、朝向及硬件差异导致的数据迁移难题。该方法利用基于物理原理的 IMU 仿真生成密集的人体表面放置数据以预训练图编码器,并将多位置 IMU 信号 token 化为全身运动表示,进而与大语言模型对齐以实现运动理解。
针对基础模型(如 SAM)在多样化真实光照下实例分割性能下降的问题,本文提出了 Lighting Convolutional-Attention (LCA) 适配器模块。
推荐理由:提出轻量级适配器模块 LCA,无需微调即可提升分割模型在复杂光照下的鲁棒性。
论文介绍 HoloTea,一种基于流匹配的三维感知框架,用于从连续组织切片和 H&E 图像推断未检测切片的基因表达。方法利用相邻切片的注册位置信息通过轻量 ControlNet 提供跨切片上下文,确保预测沿解剖结构连续;采用学习到的零膨胀负二项分布先验处理计数数据的离散性;引入全局注意力块以线性成本整合全片上下文。
针对水下图像恢复依赖高质量配对数据的难题,该框架利用自然照片构建 UWNature 数据集并合成输入以保留清晰参考源。实验在 6 种恢复架构和 3 个测试集上验证了其在客观指标、人类感知评估及合成退化与学习行为对应关系上的有效性。研究证实合成数据的空间合理性并非性能提升的必要条件,为构建可靠配对监督提供了可扩展方案。
HaiRuo 模型从 30 天卫星海平面图中单次前向传播,同时输出 15 天海平面、地转流速及每日涡旋掩膜与轨迹。其核心组件 HaiRuo-1B 为无标签预训练的 10.5 亿参数基础模型,在相同解码器下将 15 天中心误差从 30.6 km 降至 25.2 km(-18%),并在厄尔尼诺 - 南方涛动周期内保持优势。开源权重、代码与项目页面已公开,支持跨六个骨干网络的物体注意力机制优化。
EarthRecord 基准基于 56 个站点四十年的 Landsat、MODIS、VIIRS 和 Sentinel-2 原始数据,提出 238 个涵盖十类任务的土地变化问题。评估显示十二个多模态智能体虽能完成端到端分析,但在需从影像映射变化时表现不佳;当单一卫星数据被篡改且地面实况不变时,半数正确答案随之改变。该基准旨在衡量并推动智能体从像素理解到真实地表变化的能力演进。
论文针对预训练图像生成器在语言引导的无人机(UAV)分割中存在的‘渲染与表达目标选择’不匹配问题,提出 DroneSegEdit 框架。该方法结合 RGB 提议渲染与语言接地的提议约束验证机制,利用冻结的多模态大模型骨干网络读取分层状态以推导空间证据,从而在不引入前景外区域的情况下选择支持的主体。
推荐理由:该工作提出 DroneSegEdit,利用语言接地验证解决无人机分割中的实例匹配问题,在 RIS-LAD 数据集上刷新 SOTA。
该论文研究了利用人类游戏玩法数据对机器人策略进行预训练的方法。作者针对 InternVLA-A1.5 模型,结合了键盘鼠标事件预测与冻结视频模型的视觉监督,构建了覆盖保持的锚点选择机制以防止未来动作干扰。
论文 FastWild-GS 针对互联网照片曝光、光照及瞬态物体差异导致单套高斯颜色无法解释所有图像的问题,提出利用 128 维 Photo Appearance Token 和每通道变换参数描述每张图像。
推荐理由:提出 FastWild-GS,利用 Photo Appearance Token 将野外场景高斯泼溅训练时间从小时级缩短至分钟级。
该工作提出 Semantic Pairing (SemPair) 策略,将多模态遥感预训练中严格的实例级对应关系放宽至语义级,用类别一致的跨实例配对替代精确实例配对。
针对现有文本生成视频模型评估依赖主观直觉打分、无法指出具体违反的物理原理的问题,本文提出 PhyRubric 框架。该框架在未见视频前即根据提示词构建特定评分标准,将内容分解为语义与物理项,并基于时间戳证据进行逐项裁决。
针对行星漫游器轨迹规划中难以追溯科学目标的问题,研究提出一种基于大语言模型的交互式助手。该系统结合 NASA VIPER 任务启发的仿真器与 ReAct 接口,在查询库测试中回复忠实度达 90.9%,较无工具访问的零样本提示提升近 65%。实验表明该架构能利用领域词汇解释规划结果并对比替代方案,为不确定性感知路径提供可信的可解释性验证。
论文提出了 RetinexGS 框架,旨在解决标准 3D 高斯泼溅(3DGS)在处理严重欠曝光图像时产生的颜色不稳定、伪影及暗区重建不完整问题。该方法在 RAW 域结合 Retinex 外观建模与传感器感知优化进行低光照新视角合成,通过将高斯颜色分解为视图无关的基础颜色和共享的调制场来约束学习,并利用 DNG 噪声元数据加权损失函数以处理信号相关噪声。
论文提出一种部署适配方法论,用于在主动传感中选择贡献新表面测量的视角。该方法通过从有限本地校准数据中学习传感器返回适配器,在保持预训练预测器固定的情况下估计每个预测表面的测量丢失率,从而优先选择能填补重建间隙的视角。
arXiv 论文 URL-Sim 提出一种统一且受控的动态激光雷达仿真框架,旨在解决现有基于 NeRF 渲染慢及基于 3DGS 方法难以处理非刚性物体和冗余原语的问题。
论文介绍 InfraRSI,这是一个将开放指令转化为验证过的训练优化的代理框架。它通过五阶段工作流初始化锁定可编辑范围、校准集群噪声并协同优化启动参数与代码补丁。
Fable 5.2在智能体编程、科学研究等基准测试中全面超越Opus 5.5,软件工程测试达69.9%,输出速度提升30%且价格降20%。海外开发者利用其生成8小时零人工反馈的3A游戏及76分钟海底题材作品,但高推理档位导致Token消耗剧增,部分任务性价比下降。
量子位报道了成立四个月的初创公司 TensorWorld 物原科技在一个月内完成过亿美元融资的消息。文章分析了该公司提出的“物理基础模型”路线,即通过融合几何与合成动力学预训练来构建物理直觉,旨在解决高保真数据昂贵及仿真难以复现真实摩擦形变等行业痛点。
论文提出 Co-RL 框架,利用多个参数解耦的智能体相互提供奖励信号进行协同优化,以解决自奖励训练导致的偏差与同质化问题。通过引入异构模型家族、不同规模及重述样本来提升群体多样性,有效降低相关错误并抑制训练崩溃。
该论文提出 AV-Phys Bench 基准,用于评估联合音视频生成模型的物理常识理解能力。研究涵盖稳态、事件过渡和环境过渡三类场景,并引入对抗性提示测试模型鲁棒性。