跳到正文
10月23日周五
  1. arXiv · 机器人与计算机视觉58

    TRACE:基于 VLM 驱动的可通行性感知反应式导航框架

    论文 TRACE 提出一种面向非结构化森林环境的自主地面机器人导航框架。该方法利用视觉语言模型(VLM)生成的正负自然语言提示置信度图,通过证据融合生成稠密可通行性地图,并提取边界作为软约束融入非线性模型预测控制(NMPC)。实验在真实森林环境中验证了其在杂乱、变形及视觉模糊地形下的平滑导航能力。材料为预印本论文,未提及同行评审状态或具体部署规模。

  2. arXiv · 机器人与计算机视觉72

    UniFlowWAM:融合视觉语义与 4D 几何的统一世界 - 动作模型

    该论文提出 UniFlowWAM,一种将三维场景流作为独立模态的扩散 Transformer 架构,统一处理视觉语义与 4D 几何信息。模型在 RoboCasa-GR1、LIBERO 及 LIBERO-Plus 等仿真基准上提升成功率,并在真实双臂操作任务中达到 87.0% 平均成功率,优于最强基线。材料为预印本论文,未提及开源代码或具体部署许可。

  3. arXiv · 机器人与计算机视觉80

    DRILL:通过改进策略而非预测像素来训练世界模型

    论文指出当前世界模型多用于预测下一帧像素,但这并非强化学习中想象回放的唯一目的;作者提出 DRILL 框架,利用下游回报信号更新世界模型。实验显示该方法在五个操作仿真器和两个 VLA 骨干上均能提升策略成功率,且能与 RLVR 预训练互补而非竞争。

    推荐理由:提出 DRILL 框架,证明以策略效用为目标的世界模型训练优于单纯像素预测,在多个仿真器与 VLA 骨干上提升成功率。

  4. arXiv · 机器人与计算机视觉66

    基于大语言模型主动任务生成的自适应空中机臂协同策略学习

    论文提出了 ALMA 框架,旨在解决空中平台在机臂交互下质心变化导致的控制难题。该方法利用上下文飞行策略结合动作条件预测来保留历史响应信息,并引入进化过程通过大语言模型分析控制困难以生成新的机臂运动结构进行训练。实验表明,该策略在仿真中将位置均方根误差降低了 24.7%,并能零样本迁移到真实空中机械臂,使周期性机臂运动下的悬停位置误差降低 79.6%。

  5. arXiv · 机器人与计算机视觉78

    Co^2Gen:无需遥操作自动生成多机器人协作任务计划以微调 VLA 模型

    针对视觉语言动作(VLA)模型在与其他机器人或人类协作方面的能力不足问题,本文提出 Co^2Gen 框架。该框架利用去中心化协同规划方法生成可执行的多机器人协作计划,进而产生协作演示数据用于微调 VLA 模型。实验表明,基于该方法生成的数据进行微调的模型,在执行去中心化协作任务时的表现与使用人类遥操作数据微调的模型相当。

    推荐理由:提出无需遥操作的协同规划框架,生成数据微调 VLA 模型效果媲美人类演示。

  6. arXiv · 机器人与计算机视觉78

    GlobMP:一种具有全局收敛性的连续时间运动规划与转向方法

    论文提出了 GlobMP(Global Motion Planning)算法,这是一种基于梯度投影的连续时间规划方法,旨在同时满足避障约束和保持轨迹接近学习策略提出的初始路径。

    推荐理由:提出 GlobMP 算法,在连续时间框架下解决多机器人避障与轨迹平滑优化问题。

  7. arXiv · 机器人与计算机视觉48

    CMAR-search:动态交互环境下的常识与记忆增强物体搜索框架

    CMAR-search 提出一种基于常识与记忆增强的推理新框架,通过构建功能三维场景图实现宏观区域与微观容器的分层规划。该方法在仿真及真实世界实验中显著超越最先进基线,有效解决了开放布局环境中物体重定位及动态适应难题。论文已发表于 ICRA 2026,代码与数据许可状态待进一步确认。

  8. arXiv · 机器人与计算机视觉78

    OASIS:面向动态环境开放词汇检索与导航的在线锚点中心场景推理系统

    针对现有机器人建图方法在语义上下文与计算成本间的权衡难题,论文提出 OASIS 统一系统,利用稀疏锚点节点整合多模态表征以支持推理、验证与导航。系统在仿真和真实环境中演示了复杂开放词汇检索、动态环境导航以及在场景变化后对位移物体的重定位能力。材料为预印本,已获 ACM Multimedia 2026 口头报告录用。

    推荐理由:提出基于锚点的在线推理系统,在仿真与真实环境中验证了动态场景下的开放词汇检索、导航及物体重定位能力。

  9. arXiv · 机器人与计算机视觉75

    Motion Retargeting with Spatiotemporal Preferences for Humanoid Loco-Manipulation

    该研究提出一种名为 STR 的方法,利用时空偏好将人类演示转化为全身控制与操作轨迹。通过视觉语言模型选择关键信号与身体部位,并在关键帧分配额外求解迭代次数及更高交互权重,同时引入力学感知接触锚定优化物体表面接触位置。

  10. arXiv · 机器人与计算机视觉82

    外部化记忆:一项关于具身智能体经验应存储在哪里的预注册研究

    该论文通过预注册实验对比了将具身智能体的经验嵌入策略权重与作为外部检索缓冲器的效果。结果显示,将冻结的检索缓冲器附加到固定学生权重上比仅行动控制提升 34 个百分点,显著优于将记忆蒸馏进权重的方案(后者因统计功效不足被撤回)。研究结论建议采用外部化记忆架构,即保留独立缓冲器而非将其参数化入模型权重。

    推荐理由:预注册研究表明将记忆外置并作为检索缓冲器使用时,比嵌入权重更能提升具身智能体在视觉条件化任务上的表现。

  11. arXiv · 机器人与计算机视觉72

    MPBRS:用于人形运动统一奖励配置的基于多势能的奖励塑形

    针对人形强化学习奖励函数设计难、易过拟合或失稳的问题,本文提出 MPBRS 方法,通过势能差引导探索且不改变最优策略。该方法在九个人形机器人上验证了仅需关节映射和默认姿态等元数据即可实现统一配置,相比标准塑形具有更一致的缩放行为和更低调参敏感性。

  12. arXiv · 机器人与计算机视觉5

    V-JEPA 2 与 AQA:山地自行车动作质量评估的阶段性评分与参考反馈研究

    该研究利用含 95 个弱标签跳跃片段的数据集,基于冻结的 V-JEPA 2 视频特征及姿态运动测量构建山地自行车动作质量评估(AQA)管道。五折交叉验证显示全量评分器获得池化外折 AUROC 0.768 和平均精度 0.812,但受训练轮次选择与骑手分布影响。移除生物力学输入后 AUROC 升至 0.809,而外部探针测试表明该方法尚未建立骑手独立评分或可靠纠错反馈能力。

  13. 盖世汽车 · 汽车资讯17

    周晓莺在第十四届汽车与环境创新论坛指出中国汽车产业进入结构调整关键期

    盖世汽车 CEO 周晓莺在第十四届汽车与环境创新论坛上表示,国内汽车销量前 9 个月下滑超 20%,而乘用车出口已超 700 万辆。当前新能源渗透率超 56%、自主品牌份额达 72%,但头部集中度仅 47.1%,行业整合与动荡将在“十五五”期间加速发生。

  14. Hugging Face Daily Papers84

    SkeLAM:一种用于机器人世界模型的骨架引导潜在动作模型

    论文提出了 SkeLAM 模型,旨在解决传统重建驱动方法中机器人运动与环境响应混杂的问题。该方法将潜在动作分解为由机器人骨架监督的刚体运动分量和保留互补视觉动态的残差分量,并通过跨模态交换重构确保两者可互换。

    推荐理由:提出基于骨架引导的潜在动作模型 SkeLAM,通过解耦运动与视觉动态提升机器人世界模型的生成可控性与零样本迁移能力。

  15. 工业和信息化部 · 文件与征求意见75

    工信部公开征求《汽车数据安全要求》等五项强制性国家标准意见

    工业和信息化部装备工业一司组织全国汽车标准化技术委员会开展制修订工作,形成《汽车数据安全要求》等五项强制性国家标准的征求意见稿。征求意见截止日期为2026年12月19日,涉及智能网联汽车泊车组合驾驶辅助系统安全、自动泊车系统安全及车载无线广播接收系统等具体领域。

    推荐理由:工信部公开征求五项强制性国家标准意见,涵盖数据安全、外部照明及泊车辅助系统安全要求。

  16. 盖世汽车 · 汽车资讯33

    星忆智能完成数千万元融资,聚焦物理 AI 数据基础设施与高精度手部姿态解析

    星忆智能近日完成由顺禧基金领投及凌云光等跟投的数千万元种子轮连续融资,资金将投向核心算法、真实世界多模态数据基础设施建设及商业化能力提升。公司依托自研 EgoKit 采集系统与 HBR Engine 引擎,攻克遮挡与高速运动难题,实现人手—物体交互场景下的毫米级三维手部姿态解析与自动化标注。

  17. Hugging Face Daily Papers58

    HoloBoxing:一种仅需单卡七分钟训练的类人机器人拳击方案

    HoloBoxing 提出了一种利用预训练全身控制器学习类人机器人拳击的简单配方。该方法将可复用的运动技能与任务决策分离,由紧凑规划器请求目标点,冻结控制器处理关节执行,并通过模仿初始化与强化学习结合优化交互行为。实验表明,在复用表示拟合和单卡任务运行的基础上,仅需约七分钟额外训练即可实现模拟拳击实验中的行为评估,无需重新学习全身控制。

  18. Hugging Face Daily Papers82

    RynnUnify:迈向统一的具身大脑

    Hugging Face Daily Papers 转述了一篇 arXiv 论文,介绍 RynnUnify 这一 16B 参数规模的统一具身模型。该模型结合视频语言推理实现长视界视觉规划与物理预测,并通过强化学习扩展智能体能力以推断未观测状态,同时开发世界 - 动作扩展将理解转化为机器人控制。

    推荐理由:该预印本介绍了 RynnUnify 统一具身模型,展示了其在视觉规划、物理预测及机器人控制上的实验结果与基准。

10月22日周四
  1. Hugging Face Daily Papers78

    ToM2Vec:面向多智能体协作的连续思维向量研究

    为了解决大语言模型难以在文本空间中准确表征多个可能伙伴状态的问题,该研究提出 ToM2Vec 方法,利用固定预算的连续推理令牌学习抽象思维理论。训练时通过匹配伙伴的实际思想进行监督,测试时生成的令牌作为智能体思考与行动的条件器。

    推荐理由:该文提出连续思维向量方法,在多智能体协作中通过潜在空间推理提升对伙伴状态的抽象理解与泛化能力。

  2. 盖世汽车 · 汽车资讯70

    辉羲智能年内累计融资超 25 亿元

    蔚来资本牛总会企业辉羲智能近日宣布 Pre-B+ 及 B 轮融资完成,2026 年内累计股权融资规模突破 25 亿元。资金将用于新一代具身智能大算力芯片研发、规模化交付与产业生态建设。公司推出基于通用可编程架构的高性能 AI SoC“光至 R1

  3. 盖世汽车 · 汽车资讯70

    特斯拉万台人形机器人训练计划的现实挑战:制造规模能否转化为稳定劳动能力?

    在2026年第三季度财报电话会上,马斯克确认Optimus早期生产启动并规划百万台产能,但承认AI、机电设计及可靠性问题仍需一年甚至更久解决。文章指出,单纯扩大制造规模无法保证训练效率,灵巧手的硬件成熟度与工业场景的持续运行要求存在矛盾。

  4. arXiv · 机器人与计算机视觉82

    BiMoGen:基于统一掩码离散扩散的双向运动文本生成

    BiMoGen 是一个统一的掩码离散扩散框架,用于双向运动文本建模。该方法采用解耦的单模态与跨模态两阶段训练策略,并引入生成感知自修正机制以缓解训练测试不匹配问题。实验在 HumanML3D 和 KIT-ML 数据集上验证了其在文本生成动作描述及动作描述文本任务上的竞争力。

    推荐理由:该文提出基于掩码离散扩散的双向运动文本生成框架,通过解耦训练与生成感知自修正机制解决时序一致性问题。

  5. arXiv · 机器人与计算机视觉78

    超越外观偏移:面向 VLA 模型的基于任务语义的动作校准

    论文提出 BAS-VLA 框架,旨在解决视觉语言动作(VLA)模型难以区分应保留行为的外观变化与需调整行为的语义变化的问题。该框架在冻结基座模型上构建以‘破坏性’为中心的校准核心,并辅以选择性证据门控机制来修正外观诱导的漂移。实验显示,BAS-VLA 将任务切换成功率从 2.3% 提升至 68.5%,同时在保持风格不变的外观偏移下将成功率从 42% 提升至 70%,且未降低原始性能。

    推荐理由:提出 BAS-VLA 框架解决 VLA 模型在外观变化与语义变化下的策略漂移问题,显著提升任务切换成功率。

  6. arXiv · 机器人与计算机视觉72

    面向机器人颈部超声的目标平面引导的动作条件化世界模型

    该论文提出一种动作条件化世界模型框架,旨在解决机器人超声检查中导航解剖标志和目标成像平面的难题。针对高质量演示采集困难且显式仿真器构建不易的问题,作者采用两阶段基于模型的训练流程:首先利用潜在条件扩散世界模型预测未来超声观测值;其次使用目标条件时序 Transformer 预测有序探针动作,并利用冻结的世界模型奖励进行微调。

  7. arXiv · 机器人与计算机视觉78

    ReStruct:基于物理感知的任务结构重配置实现推理时机器人行为引导

    论文提出了 ReStruct 方法,旨在解决部署学习到的机器人策略时的推理时行为引导难题,即在无需重新训练的情况下将策略导向用户偏好。该方法构建于神经自动机策略之上,将其分解为捕捉任务结构的高层状态机骨架和表示残差策略的低层连续控制器。

    推荐理由:提出 ReStruct 方法,通过重构任务结构实现推理时行为引导,在仿真与真实世界中均优于现有方法及 VLA 模型。

  8. arXiv · 机器人与计算机视觉74

    SafeDojo:基于交互式世界模型的视觉语言动作模型安全强化学习

    SafeDojo 是一种基于模型的安全强化学习框架,利用交互式视频世界模型进行在线强化学习。系统使用 ResNet 成功分类器评分预测帧,并通过轻量级安全头从潜在上下文和动作块中预测接触概率,结合拉格朗日约束的 GRPO 平衡任务执行与轨迹安全性。

  9. arXiv · 机器人与计算机视觉78

    μ_0:一种可扩展的 3D 交互痕迹世界模型

    论文提出了 μ_0,这是一种基于 3D 轨迹的可扩展世界模型,旨在通过预测物体、工具及接触区域的平滑 3D 轨迹来替代像素重建或直接动作建模,从而实现无需具身特定标签的机器人学习。

    推荐理由:该工作提出基于 3D 轨迹的世界模型,无需动作标签即可实现跨机器人泛化,预训练版本已接受 CoRL 2026。

  10. arXiv · 机器人与计算机视觉78

    MiTaS:面向接触丰富操作的多分辨率触觉模仿学习研究

    该论文提出多分辨率触觉感知框架 MiTaS,利用模态特定卷积主干与 Transformer 融合机制,整合 RGB 相机、GelSight Mini 传感器及高频事件驱动 Evetac 传感器的信息。系统性实验在五项接触丰富的操作任务中验证了该方法的有效性,平均成功率为 80%,而纯视觉基线仅为 35.5%。该成果已提交至 CoRL 2026 会议,预印本发布于 arXiv。

    推荐理由:该工作提出多分辨率触觉表征框架 MiTaS,融合 RGB、GelSight 与事件相机数据,在五项接触丰富任务中平均成功率达 80%,显著优于纯视觉基线。

  11. arXiv · 机器人与计算机视觉65

    Learning Altruistic Collaboration in Heterogeneous Multi-Team Systems

    该论文研究异质多团队协作中的动态机器人分配问题,将机器人视为可转移资源,提出基于汉密尔顿法则的利他决策机制及图神经网络策略。模型在消防场景下与精确优化及多步仿真对比,并在包含 15 台机器人的五组物理测试中验证了重分配策略的有效性,所有试验均达到灭火阈值,优于固定团队分配的两次成功。

  12. arXiv · 机器人与计算机视觉78

    反馈式世界模型实现扩散策略的精准引导

    针对世界模型在分布外状态预测不可靠的问题,本文提出一种推理时的反馈机制,利用执行后的真实观测在线校正预测偏差。该方法引入动作感知引导以优化控制翻译,并在 LIBERO-Plus、Robomimic 及实物操作任务中显著提升了策略性能,将预测误差降低最高达 76.4%。实验证明该机制可即插即用,能改进预训练基础模型 Fast-WAM-Joint 的预测效果而无需更新其参数。

    推荐理由:提出推理时反馈机制,无需额外训练即可修正预测误差并提升策略性能。