跳到正文
10月6日周二
  1. arXiv · 机器人与计算机视觉78

    Reachability-Guided Sequential Quadratic Programming-Guarded Model Predictive Path Integral for Safe Nonlinear Predictive Control

    论文提出 ReSQ-MPPI 方法,通过离线计算的 HJR 价值函数引导在线 MPPI 采样,并利用 SQP 迭代对全阶 MPC 问题进行修正以保障安全。仿真在杂乱导航和自动驾驶赛车环境中验证了该方法优于独立 MPPI、MPC 及可达性过滤基线。

    推荐理由:提出 ReSQ-MPPI 架构,结合离线可达性价值函数与在线 SQP 修正,在仿真中提升安全与性能。

  2. arXiv · 机器人与计算机视觉74

    Humanoid Rickshaw Pulling:一种用于牵引重载车辆的全身运动控制框架

    该研究提出了一种针对类人机器人牵引被动轮式车辆(人力车)的全身控制框架,旨在解决在未知负载和地形下维持上肢接触与平衡的问题。方法上,利用拥有车辆状态、交互力和负载属性的特权教师模型进行训练,并通过蒸馏将教师动作和隐变量转化为基于本体感觉的历史条件化学生策略,随后进行强化学习微调。

  3. arXiv · 机器人与计算机视觉74

    Kepler4D:基于 4D 场景状态演化的可控未来视频生成

    论文提出了 Kepler4D 框架,旨在通过显式的 4D 场景状态演化来实现对未来的视频生成。该方法首先从单目视频中构建背景几何、物体运动历史等共享的 3D 表示,利用 Chain-of-Motion 总结观测到的运动并借助视觉语言模型决定结构化速度与航向决策。

  4. arXiv · 机器人与计算机视觉38

    WAMRViT:自适应四叉树分块与 Transformer 用于 PDE 预测

    WAMRViT 提出一种基于波let启发准则的平衡四叉树输入分块机制,首次原生支持多级别自适应网格细化(AMR)数据并实现推理阶段细胞空间重网格化。该模型在均匀网格基准测试中显著降低感兴趣区域误差且 token 用量更少,在复杂燃烧问题等无法用固定网格表示的场景下大幅减少 finest-level 误差。

  5. arXiv · 机器人与计算机视觉85

    PhysMamba:一种基于选择性状态空间模型的肢体模拟器

    该论文介绍了 PhysMamba,这是首个基于选择性状态空间模型(SSM)的肢体模拟器,能够仅凭位置、旋转和关节动作历史预测下一帧全身状态,无需速度输入。研究对比了四种架构及三种训练协议,发现从头开始的 rollout 训练在部分观测下为 Mamba2 提供了优异的短中期精度(s10=43mm),而两阶段教师模型方案则导致其不稳定。

    推荐理由:论文提出首个基于选择性状态空间模型的肢体模拟器,在部分观测下表现优异且具备低延迟推理能力。

  6. arXiv · 机器人与计算机视觉85

    SUAVE:一种基于掩码扩散的统一视频动作模型

    论文 SUAVE 提出了一种名为 SUAVE 的单词汇统一动作 - 视频模型,利用掩码扩散 Transformer 同时处理语言、视频和动作模态,并将三者表示为共享序列中的离散 token。

    推荐理由:SUAVE 提出基于掩码扩散的统一架构,在单一网络中通过推理时的掩码选择实现世界建模、策略生成与视频预测的切换。

  7. Hugging Face Daily Papers42

    Agent Plasticity:通过经验衡量智能体自我改进效率的新方法

    针对现有评估仅关注固定时间点能力而忽视学习效果的局限,研究提出"Agent Plasticity"指标以量化智能体将经验转化为未来泛化性能的效率。实验显示前沿模型在相同学习机会下呈现截然不同的改进轨迹,部分实现持久增益而其他则停滞不前,且训练域内的收益往往无法完全迁移至分布外条件。该工作揭示了自我改进过程中的关键瓶颈,强调评估需同时考量最终能力与通过经验变强的有效性。

  8. The Decoder · Robotics62

    Reka AI 发布全模态模型 Rho-1,单网处理多模态并直接驱动机器人控制

    Reka AI 发布了研究预览版全模态模型 Rho-1,该模型包含 190 亿参数,能在单一神经网络中处理和生成文本、图像、视频及机器人控制动作。与路由任务到专用模型的多数系统不同,Rho-1 将所有模态作为 token 在共享上下文窗口中运行,无需工具调用或外部模型。

10月5日周一
  1. arXiv · 机器人与计算机视觉78

    Platonic Task Arithmetic:一种跨架构的任务向量算术方法

    该论文提出‘普朗图任务算术’框架,通过引入与架构无关的‘通用任务描述符’矩阵,实现不同预训练模型间任务更新的传输与组合。实验在六种模型家族、八个任务及音频文本模型上验证,显示跨模型转移能保留目标模型自身描述符所得增益的 74% 至 80%,支持通过最小二乘法求解线性算子或低秩适配器进行实现。

    推荐理由:提出跨架构任务向量传输方法,在六种模型家族上验证了通用任务描述符的有效性。

  2. arXiv · 机器人与计算机视觉72

    WAM-OPD:基于在线策略蒸馏的世界动作模型联合视频 - 动作监督后训练方法

    arXiv 论文 WAM-OPD 提出一种利用教师模型对预训练世界动作模型(WAM)进行后训练的方法,通过收集学生模型的 rollout 历史并查询教师获取配对的视频与动作目标。该方法在 RoboTwin 2.0 的 12 个任务中将平均成功率从 33.8% 提升至 65.7%,在四个真实机器人任务中从 51.4% 提升至 64.6%。消融实验显示联合监督优于单一模态,且未增加部署时的采样预算。

  3. arXiv · 机器人与计算机视觉63

    World Action Planner:基于动作条件世界模型的通用机器人决策系统

    论文提出了 World Action Planner 系统,利用动作条件的世界模型进行想象以搜索和组合可执行的动作计划。该方法采用由粗到细的搜索策略,先通过全局优化识别潜在失败并修正计划,再在局部比较邻居候选的未来结果以选择最佳动作。实验表明,该系统在长程组合任务、新物体布局及无专家演示的新机器人规划任务上,均优于最先进的端到端通用策略模型和视觉语言模型(VLM)规划器。

  4. arXiv · 机器人与计算机视觉5

    前向 - 后向表示中的时序抽象谱对齐研究

    该工作分析时序抽象作为缓解连续环境高秩动力学与前向 - 后向架构低秩瓶颈间谱失配的有效机制。研究表明,时序抽象类似低通滤波器,能抑制高频谱分量并降低有效秩,从而在折扣因子较高时保障前向 - 后向学习的稳定性。实验证实这种对齐是塑造马尔可夫决策过程谱结构、实现连续控制中长期表示的关键因素。

  5. arXiv · 机器人与计算机视觉72

    通过训练时数据合成缩小世界模型的训练 - 测试差距

    论文提出改进的世界模型训练方法以支持基于梯度的规划,核心是解决模型训练目标(下一状态预测)与测试时使用方式(动作序列估计)之间的差距。作者引入训练时数据合成技术,在多种物体操作和导航任务中,将基于梯度的规划效率提升至传统无梯度交叉熵方法的水平,同时仅需 10% 的时间预算。材料为 arXiv 预印本版本,未提及同行评审状态或具体部署结果。

  6. arXiv · 机器人与计算机视觉72

    EgoAlign:弥合人机差距以实现长距离行走 - 操作任务

    EgoAlign 是一个数据构建框架,旨在解决第一人称人体演示因身体尺度差异、控制器响应不同及缺失机器人状态而难以用于人形机器人训练的问题。该框架利用目标机器人模型和仿真器指导演示收集过程,通过执行反馈保留视觉引导的周期性步态参考,并通过尺度对齐与控制器在环优化调整上肢交互几何结构。

  7. arXiv · 机器人与计算机视觉80

    AR-WAM:一种面向机器人操作的视觉条件化世界动作模型

    论文提出了 AR-WAM,这是一种视觉条件化、无需语言编码器的 0.5B 参数世界动作模型,通过视觉定位框和操作 token 替代自然语言指令来控制机器人操作。该模型在 RoboTwin 2.0、RMBench 及真实 Astribot S1 双臂平台上表现优异,标准操作任务平均成功率达 85.7%,长程记忆依赖与真机任务分别提升 5.9% 和 36.7%,同时保持最低推理延迟(14.1 ms)。

    推荐理由:该工作提出视觉条件化的 AR-WAM 模型,在仿真与真机长程任务中均优于基线,且推理延迟最低。

  8. arXiv · 机器人与计算机视觉70

    SABER:学习基于注意力的语义功能以用于双足运动控制

    论文介绍 SABER,一种无需规划器的强化学习策略,能够联合推理地形几何与语义接触许可。该策略消耗统一的地形 - 功能图,并通过在注意力 logit 上添加由接触成本门控的有向语义偏置,使危险区域在仍能影响下一步落脚点时重塑注意力分布,而在无法影响时其影响力衰减。

  9. arXiv · 机器人与计算机视觉65

    ConfAL-WM:面向动作条件世界模型的置信度引导主动学习框架

    该论文针对具身预测与合成数据生成中世界模型在新任务场景下误差集中的问题,提出 ConfAL-WM 框架。该方法在 EnerVerse-AC(EVAC)基础上附加轻量置信度探针,于潜在空间预测密集置信图并聚合为任务、帧和块级分数,用于分配数据预算及增强局部训练。

  10. arXiv · 机器人与计算机视觉82

    DriftWorld:基于漂移生成的快速世界建模

    论文介绍 DriftWorld,一种基于漂移生成模型的行动条件世界模型,旨在解决扩散模型因多步迭代去噪而成本高昂的问题。该模型在训练中学习条件漂移,推理时仅需单次前向传播即可为给定动作序列生成未来观测。

    推荐理由:DriftWorld 通过漂移生成模型实现单次前向传播生成未来观测,在多个机器人基准上速度提升 12 倍以上且保持视觉质量。

  11. arXiv · 机器人与计算机视觉67

    ELSA3D:基于弹性语义锚点的统一 3D 理解与生成方法

    该论文提出了 ELSA3D 模型,通过弹性语义锚点机制解决文本与 3D 交互隐式的问题。模型利用感知尺度的八叉树分词器表示几何结构,引入稀疏跨模态锚点单元选择语义线索并路由至相关尺度,实现计算与推理的弹性分配。该方法在图像到三维生成、文本到三维生成及三维描述任务上达到最先进水平,相比非弹性版本将 FLOPs 和推理延迟减半。论文已被 NeurIPS 2026 接收。

  12. arXiv · 机器人与计算机视觉73

    基于速度场分歧的流式通用机器人策略不确定性量化方法

    针对通用机器人策略缺乏置信度量化机制的问题,本文提出利用小集成模型的速度场分歧(VFD)来高效量化认知不确定性。实验表明,该方法能更准确地预测下游性能并检测故障,准确率比现有方法高 8 个百分点;提出的 SAVE 方法结合不确定性引导的主动多任务微调,在固定演示预算下将三个真实任务的平均成功率从 39% 提升至 47%。

  13. arXiv · 机器人与计算机视觉70

    S2M-Trek:通过每帧深度集实现轮足机器人从单球到多球的无序集运输

    论文研究如何在无围栏、夹爪或机械止动条件下,将轮足四足机器人的动态运物能力从单个自由滚动球体扩展到多个同时运输的球体。针对标准历史拼接编码器无法显式处理每帧内球体顺序可变导致的置换对称性失配问题,作者提出 Per-Frame Deep Sets 架构,证明其具有帧间不变性并能通用逼近连续策略。

  14. arXiv · 机器人与计算机视觉78

    CROSS:一种抗变化的拓扑记忆用于长期重定位与语义导航

    论文提出 CROSS 方法,旨在解决机器人面对外观和场景变化时如何重用过去观测的问题。该方法在视觉地物识别与地图更新之间引入预承诺定位层,将 RGB-D 检索提升为候选全局 SE(3) 位姿模式,利用有界高斯混合滤波器结合里程计传播竞争轨迹分支,仅保留物理一致的持续分支进行闭环。

    推荐理由:CROSS 通过引入预承诺定位层,将模糊处理从离散 ID 移至连续位姿空间验证,在光照、季节及动态场景变化下提升稀疏记忆复用率。

  15. arXiv · 机器人与计算机视觉72

    通过混合大语言模型与符号规划及 LLM 引导强化学习实现新颖性适应

    针对动态开放世界中自主智能体因缺乏操作符而无法应对新物体的问题,本文提出一种神经符号架构,整合符号规划、强化学习与大语言模型(LLM)。该方法利用 LLM 的常识推理能力识别缺失的操作符,由符号 AI 规划器生成计划,并编写奖励函数引导强化学习智能体学习控制策略。研究在连续机器人操作任务中表现优于现有最先进方法。材料为预印本论文,已接受于 IEEE/RSJ IROS 2026。

  16. arXiv · 机器人与计算机视觉59

    FAME:一种用于扩大全尺寸人形机器人操作包络的自适应强化学习框架

    论文提出 FAME 框架,旨在解决全尺寸人形机器人在外部手部受力下保持平衡的问题。该方法通过隐式编码上肢关节构型与双手动交互力,利用刚体逆动力学在线重构交互力而无需腕部传感器。实验在 MuJoCo 厨房环境及 Unitree H1-2 真机上验证,在 150mm 容差下任务成功率达 38.9%,显著优于未编码力或仅基于姿态的基线策略。代码与视频已开源。

  17. arXiv · 机器人与计算机视觉35

    世界模型应遗忘什么:分层保留策略用于持续适应

    针对非平稳环境真值,提出基于不变性时间尺度的分层记忆保留机制,区分需永久保持的物理规律与随环境变化的实例事实。该方法通过联合报告不变量回归测试与修订延迟来评估性能,避免了传统指标将正确更新误判为灾难性遗忘的缺陷。该研究已被 NeurIPS 2026 持续世界模型研讨会接收,相关代码与数据开放许可待注册。

  18. arXiv · 机器人与计算机视觉42

    Self-Repairing Recurrent Ensembles 实现分布偏移下的实时策略自修复与遥操作学习

    Self-Repairing Recurrent Ensembles 方法让策略在传感器漂移或失效等分布偏移下,无需专家标签即可在线自我恢复性能。该方法利用随机掩码的循环网络集合与卡尔曼融合生成共识动作作为自监督标签,结合 RFLO 算法实现每步环境交互的参数更新。仿真连续控制任务显示,相比全观测集合无法恢复的情况,该框架能接近原始表现并支持有专家时的遥操作模仿学习。

  19. arXiv · 机器人与计算机视觉68

    VIGOR:基于潜空间一致性的零样本视觉泛化方法

    论文提出 VIGOR 框架,旨在解决基于模型的强化学习(MBRL)在面对背景变化、光照改变或相机位移等未见过的视觉干扰时性能下降的问题。该方法通过集成不对称弱到强增强、动力学层级一致性以及编码器层级稳定化三个组件,实现了在保留 MBRL 样本效率的同时具备零样本泛化能力。

  20. arXiv · 机器人与计算机视觉78

    ProWAM:一种基于渐进式视觉规划的世界动作模型

    该论文提出了 ProWAM(Progressive World Action Model),旨在解决现有世界动作模型在长视界预测中效率低及缺乏目标导向的问题。该方法联合预测动作与有序的稀疏视觉子目标,利用大规模无动作视频训练视觉骨干网络以卸载复杂规划任务,仅需轻量级去噪即可生成高效动作。

    推荐理由:提出 ProWAM 架构,通过稀疏子目标序列引导动作生成,在仿真与真实机器人零样本实验中均取得优于基线的结果。

  21. arXiv · 机器人与计算机视觉68

    面向生物控制的语言接口:细胞、类器官与生物机器人的离线提示词条件干预学习

    论文提出了一种完全离线的学习方法,利用视觉语言模型对已记录的生物干预及其观测结果进行匹配判断,以此作为唯一奖励来训练自然语言到生物干预的映射。该方法在 Xenobot 合成多细胞构造上实现了泛化能力,针对未见指令的测试集准确率达到 80.0%,与直接基于真值标签训练的基线网络持平(66.7% 为随机基准)。研究证明了无需新实验或人工验证即可建立语言对生物系统的控制接口。