面向建筑机器人的“人在回路”控制范式:从 VR 引导遥操作到半自主双臂作业
该论文提出一种针对接触丰富型双臂建筑任务的“人在回路”控制范式,支持在 VR 引导遥操作、半自主共享控制和基于规则的自主执行三种模式间进行结构化切换。系统结合了沉浸式 VR 引导、手动定义的复用技能库以及明确的人机角色分配与指令优先级规则。
该论文提出一种针对接触丰富型双臂建筑任务的“人在回路”控制范式,支持在 VR 引导遥操作、半自主共享控制和基于规则的自主执行三种模式间进行结构化切换。系统结合了沉浸式 VR 引导、手动定义的复用技能库以及明确的人机角色分配与指令优先级规则。
消融实验证实视觉 Transformer 的位置编码对左右方向判断不可或缺。在 CV-Bench 基准上,仅镜像该编码即可使 Qwen2.5-VL-7B、Qwen3-VL-4B 和 InternVL3-2B 的翻转图像回答准确率分别达到 84.3%、93.2% 及介于两者之间。
CURRENT 是一个统一的深度循环神经网络架构,旨在提升主动脉 4D 流动 MRI 的空间与时间分辨率。该模型在合成数据上预训练后展现出对体内数据的泛化能力,其联合时空超分辨率生成的相对压力估计优于单独处理或基于 4DFlowNet 的序贯方法。研究评估了图像域和 k 空间域的定量指标及物理感知压力估算效果,目前论文处于审稿中。
论文介绍 RedirectMimic 方法,通过分离演员观察到的参考信号与训练执行的目标,利用规则生成的编辑参考引导近端策略优化奖励,同时保持部署接口不变。在 Unitree G1 仿真环境中,该方法将手臂动作编辑的核心窗口内容发生率降至 2.7%,关节成功率达 94.2%,并在速度定义任务中保持低错误率与高精度跟踪。
论文提出了 LaST0.5 这一新型世界动作模型(WAM),旨在解决现有模型全球场景表征忽视局部机器人 - 物体交互的问题。该模型在混合 Transformer 架构中引入交互中心潜在专家,利用视觉交互线索学习紧凑的潜在空间,并通过自适应的世界到动作转移机制调整执行与重采样。
推荐理由:提出 LaST0.5,通过引入交互中心潜在空间弥合世界演化与操作生成的表征差距。
论文提出了 HiPFuse 点 -BEV 融合框架,通过交换点和高度分区 BEV 特征结合细节与空间上下文,在 Jetson AGX Orin 上实现 SemanticKITTI 63.7% mIoU/14.2 FPS 和 MCD 62.5% mIoU/22.4 FPS。
该研究提出一种五阶段可解释处理流程,用于从眼底图像中估算动静脉直径比(AVR)并探索视网膜病变筛查。在包含 30 张 HRF 图像的探索性队列上,该方法达到 96.7% 准确率、0.968 F1 分数和 0.978 ROC-AUC。由于队列较小且缺乏独立参考测量,该透明框架需在大样本临床分级队列中进一步验证。
论文指出当前大视觉语言模型虽能保护通用隐私(如信用卡号),但缺乏对个性化、上下文相关隐私的保护能力。为此,作者提出了首个系统性评估框架 SPY-Bench,包含 32,700 个样本和针对用户指令的度量标准。
推荐理由:提出首个 ITP3 基准 SPY-Bench,揭示主流大模型个性化隐私保护能力不足,并给出噪声对比对齐方法将准确率提升至 96.88%。
LipsFlower 通过引入 LipHDiT 架构,利用 Lipschitz-aware hourglass diffusion transformer 降低流匹配模型对输入扰动的放大效应。该方法在盲脸复原任务中验证了抗扰动能力与感知质量,同时保持性能与现有基线相当。研究证实 Lipschitz-controlled flow matching 能显著增强生成式图像复原的稳定性。
该研究开发了一种结合关节路径正则性与工艺约束的离线优化路径规划器,通过迭代权重调整自动确定成本权重。在碳纤维缠绕和机器人 3D 打印任务中,规划路径满足几何公差及所有关键性能指标目标,并在 UR10e 机器人上完成无挤出执行与关节级轨迹跟踪验证。
arXiv 预印本介绍 MEOW 框架,这是首个将非交互式分割骨干网络转化为交互式开放世界学习者的方法,且无需更新可学习模型参数。该框架结合无参归纳推理与记忆巩固机制,在医疗数据上持续改进对未见类别的预测,并实现跨微 CT 等模态的零样本迁移。
推荐理由:提出无需更新参数的交互式开放世界学习框架,在医疗影像上实现未见类别的持续改进与跨模态零样本迁移。
针对英国农场安全证据不足的问题,研究团队于 2026 年 11 月开展 PRISMA 引导综述,发现现有数据缺乏对摄像头、传感器及门控状态的独立评估。基于此缺口,文章推断 Fieldmark AI 实施的持续门级监控能生成官方缺失的时间戳记录并验证事件责任,但尚无研究证明其可减少损失。
针对人形机器人在单手持物时因上肢非对称负载导致的速度跟踪偏差及导航失败风险,本文提出 ReACT 框架。该方法利用估计的力矩对 Actor 特征进行反射一致的扰动调制以补偿负载影响,并通过对比加载与未加载条件下的速度指令训练跨负载一致性。
CAppleNet 利用自采数据集提出一种架构替换方案,将骨干网络 C2PSA 块换为坐标注意力(CA),在参数减少 10.2% 的同时实现最佳 [email protected] (0.935) 和果柄腔 F1 (0.8217)。该模型设定 0.15 置信度阈值,专为工业分拣与对齐系统提供实时细粒度地标检测能力。
MicroBT 提出一种统一框架,利用病灶固有的尺度不变质心属性,通过质心锚定范式同步实现密集分割与实例定位。该方法引入体积校准损失(VC-Loss)和尺寸感知课程优化(SACO),在转移性病例中将微病灶(≤3 mm)定位精度提升约 7%,计数误差降低约 26%。代码已开源,论文已被 BMVC 2026 接收。
针对标注稀缺的声学测井图像,研究将预训练卫星影像模型 DINOv3 微调用于自然与钻井诱导裂缝表征。相比从零训练的 U-Net、YOLOv8 及 Swin Transformer,该适配模型在四个独立钻孔测试中实现了更少的误报漏报及更精准的计数定向。尽管样本量减少会削弱优势,但渐进式上采样解码器配合全微调配置表现最佳,为少标注地质成像任务提供了可迁移工作流。
针对视频理解中采样帧是否提供足够证据的问题,作者提出了 EVAThink 框架以增强模型的自适应思考能力。该方法首先通过可恢复的证据差距挖掘构建稠密与稀疏视图对,筛选出稀疏视图需显式推理的样本进行监督;随后利用证据引导的两阶段强化学习优化回答模式偏好并提升首 token 效率。
推荐理由:提出证据充分性引导训练方法,仅需少量样本即可提升视频理解模型在固定帧数下的回答模式选择与推理效率。
针对现有三维场景图方法主要面向室内和陆地环境的局限,本研究提出一种将户外开放词汇地图适配为海域持久场景记忆的方法。该方法通过几何基础的视觉语言模型(VLM)推理整合碎片化物理实体,并结合地图先验构建宏观区域以支持跨次穿越的固定地点对应关系及上下文检索。实验表明,该方案在减少实体碎片化方面优于基线及单独的几何语义整合组件,有效解决了海域空间组织需求未被陆地高层假设捕捉的问题。
PVIS-10K 数据集包含宁波、绍兴和深圳采集的 10,065 张高分辨率 RGB 无人机图像,覆盖 22 处屋顶安装场景及 63,632 个物理光伏组件。该数据提供 3,516,675 个 COCO 格式多边形标注,支持实例匹配与前景覆盖率基准测试,助力无人机巡检中的组件定位、轮廓描绘及图像计数研究。
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。
COMPASS-METS 模型结合三种 nnU-Net 配置与结构化概率锚点,在 BraTS-METS 2026 任务中实现脑转移瘤及术后空腔分割。该模型在小病灶检测上 Small F1 为 0.354、全类别 F1 达 0.779,优于 ResEncXL 基线且公开源代码。
BRIDGE 数据集包含波兰比得哥什弗朗齐谢克·卢卡奇克肿瘤中心收集的 169 名患者共 869 张玻璃载玻片,经脱蜡及 H&E 染色后数字化生成总计 2607 张全切片图像。该数据集中每张切片均附带格里森评分,旨在支持无标记虚拟染色、去染色、图像配准与分割方法的开发与外部验证。所有图像已匿名化并以原生扫描仪格式通过 BioImage Archive 提供下载。
针对高分辨率 3D 形状匹配中空间 - 谱耦合计算量随网格分辨率二次增长的问题,研究提出将其等价于缩放点积注意力机制,利用学习到的描述符作为查询与键、谱基函数作为值。
本文提出了 Learn-To-Propagate Distributionally-Robust Forest (L2P-DR-Forest) 算法,旨在解决非线性随机系统在初始状态和过程噪声分布未知的情况下的运动规划问题。
本文提出 SeProRS 框架,将传统的视觉中心遥感场景分类重构为仅基于文本的任务:利用视觉语言模型生成图像对应的‘语义代理’文本描述,再经文本嵌入模型进行分类。研究在三个主流数据集上验证了该方法能保留显著判别信息,同时揭示了纯文本理解的局限性。论文建立了可复现的基准并分析了提示策略与生成器的影响,旨在探索高效模态缩减的理解方向,而非替代现有图像方法。
推荐理由:提出仅用文本语义代理进行遥感场景分类的新范式,建立统一基准并量化纯文本理解的可行性边界。
该研究通过 14 个冻结编码器在五个 RGB 场景数据集(0.06-30 m GSD)上的五组配对实验,发现卫星预训练并非通用提升手段。具体而言,SatDINO、Scale-MAE 和 RemoteCLIP 三对模型显著受益,而 DINOv3-SAT 线性探针准确率下降高达 22.5 分,SatMAe 下降 8.8 分。
针对仅凭少量正常参考图像进行逻辑异常检测的任务,现有基于大视觉语言模型的方法存在文本检查与单一原始图像的感知错位问题。本文提出 CASCADE 框架,通过引入约束特定的视觉支架来改善验证准确率;其进阶版 CASCADE++ 进一步在物体层面适配这些支架。
推荐理由:该工作提出无需训练的 CASCADE 框架,通过约束特定的视觉支架解决大模型在逻辑异常检测中的感知与推理错位问题。
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。
该工作提交了 Team IF1001 的 2026 BEHAVIOR Challenge 第二名方案,评估移动操作能力涵盖 100 个家庭任务。方法基于 Cosmos 3,通过丰富视觉历史、任务进度条件化及特定技能 LoRA 适配器进行改进。
推荐理由:报告了基于 Cosmos 3 改进的 WAM 在 BEHAVIOR Challenge 中获第二名的结果,公开了任务进度条件化与 LoRA 适配等关键工程细节。
该论文在 SO-101 机械臂上训练了 ACT、SmolVLA、Diffusion Policy 和 pi0.5 四种模仿学习策略,针对同一抓取放置任务分别在约 520 勒克斯和 45 勒克斯(11.5 倍光照变化)条件下进行验证。
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。
针对端到端自动驾驶中候选轨迹评估难以捕捉延迟失败和尾部风险的挑战,本文提出 RiSE-Drive 框架。该方法先进行条件潜变量未来展开,再估计长视界结果分布而非单一标量分数,最后利用感知尾部风险且对扰动鲁棒的决策准则对候选项排序。在 NAVSIM-v1、NAVSIM-v2 及闭环 HUGSIM 基准上的实验表明,RiSE-Drive 实现了最先进性能并显著提升了候选选择的鲁棒性。
针对现有方法目标识别后持续发射掩码导致误报的问题,论文提出 PS-VRS 框架及包含 2,077 个视频、16,250 条标注查询的 PS-Bench 基准。提出的 PSG 策略通过预测 [ACTIVE]/[VACANT] 状态令牌并结合 SAM2 仅在活跃态发射掩码,在 PS-Bench 上比现有基线 J&F 分数提升 9.32 分并显著降低假阳性发射。
CP-GS 是一种容量 - 精度耦合的高斯泼溅框架,通过动态重分配固定预算及分层量化校准,在共享速率约束下联合优化空间容量与参数精度。实验显示,该方法在 DIV2K 和 Kodak 数据集上优于代表性 2D 高斯及隐式神经表示,且在保持总预算固定的前提下降低了优化成本。
针对智能机器人在适应性与灵巧度上与生物体存在的差距,该研究通过引入膝踝顺应性及足部摇杆效应,扩展了 McGeer 单摆步态模型并推导标准跟趾撞击映射。基于状态依赖的蒙特卡洛与再生核希尔伯特空间方法,论文计算了倒立摆与被动动态行走模型的相空间体积 W(γ),揭示了顺应性组件对物理智能建模与控制的新路径。
针对遥感灾害评估需可验证证据的挑战,论文提出 DisasterAgent,采用感知 - 增强 - 生成的工作流。该方法首先调用视觉专家工具包构建时空感知图(STPG)作为结构化记忆,随后通过基于证据的增强(EA)从图中提取证据并附加内联引用,形成闭环验证。
推荐理由:提出 DisasterAgent,通过时空感知图与证据增强机制生成可验证灾害报告,在基准测试中显著优于通用 VLM 及遥感专用模型。
针对博物馆展览等需要高保真可视化的应用,本文提出 RF3DGS 方法以去除反射干扰。该方法利用多视图间同一 3D 点的最小像素强度与无反射信息强相关的原理,首先通过几何先验优化基础 3DGS 模型估计粗略深度图,进而聚合辅助视图构建清洁透射伪标签作为自监督信号。
本文指出直接商用 Depth Anything V2 等单目深度基础模型在室内导航基准中会导致 63% 的碰撞率,因其系统性高估近距离障碍物距离。作者提出一种轻量级插件模块,在冻结的深度模型上增加 0.58M 参数头,预测每个像素的对数深度修正和不确定性,利用共形校准设定安全边界。
FAME-QP 是一款结合约束依赖算子表示与 CUDA Graphs 重放的 GPU 加速求解器,专为线性模型预测控制中的稠密二次规划设计。该工具通过设备校准自动选择执行配置并缓存算子库以应对矩阵变化,在仿真的人形机器人与四旋翼控制实验中,相比竞品 GPU 求解器显著降低了延迟并保持了解决精度与控制性能。