跳到正文
10月19日周一
  1. arXiv · 机器人与计算机视觉78

    NestedVLA:学习整合与生成视觉语言动作模型技能

    针对 VLA 模型在多任务环境中技能整合困难的问题,该研究提出 NestedVLA 框架,利用嵌套超网络根据目标任务合成自适应的动作专家参数,并与冻结的基础 VLA 组合,同时保留特定任务的压缩 VLM 残差。

    推荐理由:提出 NestedVLA 框架,通过超网络生成任务自适应参数实现技能合并,在 MetaWorld、ManiSkill 和 CALVIN 基准上表现优于模型合并基线。

  2. arXiv · 机器人与计算机视觉73

    SimpleVLN:迈向简单且前沿的视觉语言导航

    本文提出 SimpleVLN,一个旨在释放原生多模态大模型(MLLM)在视觉语言导航任务中潜力的架构保持型框架。该方法通过结合单轮决策输入与固定预算的全局 - 局部记忆、利用专家演示及策略依赖的 DAgger 经验构建大规模强化学习任务数据、以及采用渐进式模仿学习至任务级结果优化的流程,实现了高效导航。

  3. arXiv · 机器人与计算机视觉73

    ORD-WM:面向机器人操作学习的物体中心刚体动力学三维世界建模

    该论文提出 ORD-WM 模型,旨在解决现有基于图像的稠密三维世界模型在机器人操作中缺乏显式物体级刚体运动约束的问题。模型利用符号距离场监督的向量神经元变分自编码器编码几何感知潜在表示,并通过动作条件化的动力学模型预测物体级的 SE(3) 运动增量。

  4. arXiv · 机器人与计算机视觉42

    SCOPE:具身启发式学习中的程序编辑选择性认证方法

    SCOPE 利用失败与成功执行作为互补证据,通过状态 API 重放验证编辑是否保留历史成功行为。该方法在仿真与真实任务中均超越最强基线,于 LIBERO-PRO 和 Robosuite 数据集上分别达到 80.66% 和 84.48% 的平均成功率。代码已公开,适用于需平衡策略适应与行为保持的具身智能场景。

  5. arXiv · 机器人与计算机视觉74

    GRASP:面向双臂机器人操作的全球 - 本地表示对齐与空间 - 物理 grounding

    该论文针对直接回归关节空间的 VLA 模型在训练目标上与任务成功不匹配的问题,提出 GRASP 框架。方法包括利用可微前向运动学映射隐式动作估计的流匹配损失以监督 TCP 姿态,以及蒸馏自冻结 DINOv3 教师的全局预测查询组与由 Grounding DINO 监督的局部交互查询。仿真与真实机器人实验表明,该框架在长视界双臂任务中表现优异,且在强视觉随机化场景下蒸馏分支更具优势。

  6. arXiv · 机器人与计算机视觉43

    InstAgent:面向异构机器人协作的递归自我改进智能体操作系统

    InstAgent 提出一种面向异构机器人协作的递归自我改进(RSI)智能体操作系统,通过代理行为树显式建模能力分配、跨机依赖及交接检查。系统利用共享多模态时空记忆支持规划与验证,并从执行反馈中更新协作程序以复用成功修订。在包含三个高层模型的 20 项真实世界多机器人任务实验中,该系统在任务成功率、首次尝试完成率及执行效率上均表现一致提升。

  7. arXiv · 机器人与计算机视觉5

    Bio-Inspired Magnetic Navigation Using Gradient Descent With Rao-Blackwellized Particle Filtering 方法发布

    Bio-Inspired Magnetic Navigation (BIMN) 方法利用梯度下降与 Rao-Blackwellized 粒子滤波(RBPF)实现无磁图导航,摆脱对复杂昂贵地图的依赖。该方法通过自然吸引系统向目的地移动,实现了简单且内存高效的轨迹修正与重定位。论文已提交至 arXiv,属于预印本状态,代码与权重暂未提及开放许可。

  8. arXiv · 机器人与计算机视觉48

    Unifying Embodied Foundation Models via a Model-to-Policy Formulation 提出统一架构的概率化表述

    该研究针对视觉语言动作模型与世界动作模型架构差异,提出基于随机核的统一概率化表述框架。框架通过条件输出分布与动作实现核诱导任务策略,并连接预训练与后训练至策略部署。实例涵盖 OpenVLA 和 DreamZero,支持自回归动作 token 预测及联合视频动作生成。

  9. arXiv · 机器人与计算机视觉83

    VLA-Fabric:面向可组合多臂 VLA 智能体的交互学习

    针对多臂协同操作需求,本文提出 VLA-Fabric,在保留各臂局部感知与动作所有权的同时,通过策略间显式交互实现协调。研究系统分析了交互发生位置、同伴信息聚合方式及学习机制,并在不同架构中验证了该原则的通用性。在仿真与物理实验中,由三支或四支手臂组成的团队在所有四项物理任务上,全量交互模式相比独立训练策略将成功率提升了 16% 至 40%。

    推荐理由:该文提出 VLA-Fabric,通过策略间显式交互提升多臂协作成功率,物理实验显示效果优于独立训练。

  10. arXiv · 机器人与计算机视觉78

    混合离散连续规划中的优良符号由什么决定?

    该论文从求解器视角定义符号有用性,引入求解器充分符号化概念并提出反例引导的符号发明算法。研究将原理扩展至神经网路参数化的优化目标,证明可从连续优化景观中诱导此类符号。实验表明所得符号在降低求解成本、保持解质量的同时提升了可解释性与可控性,并解释了部分人工定义符号的有效性。

    推荐理由:提出求解器充分符号化概念与反例引导算法,在仿真及真实机器人任务中降低求解成本并提升可解释性。

  11. arXiv · 机器人与计算机视觉66

    Robotic Spatiotemporal Editing:基于掩码动作重建的统一可控动作生成接口

    论文提出 MAP(Masked Action Space)接口,将时空控制参考统一为动作补全问题。Inpainting Policy(IP)结合进度引导对齐与多掩码训练,在 ManiSkill 和 LIBERO-10 上平均任务成功率分别为 92.67% 和 64.67%,world 实验显示位置误差 44.3 mm、旋转误差 7°。

  12. arXiv · 机器人与计算机视觉58

    GR-VIP:基于几何表示条件的精确视觉运动策略

    针对学习型移动机器人控制难以兼顾终端位置与航向对齐的挑战,本文提出了 GR-VIP 方法。该方法利用预训练的相对相机位姿估计编码器,不直接使用最终回归结果,而是对动作预测进行密集关系特征的条件化,以保留细粒度的跨视图信息用于从演示中学习修正动作。

  13. arXiv · 机器人与计算机视觉78

    硬件即正则化:通过可调式被动顺应性引导臂增强模仿学习的数据一致性

    针对低成本被动引导臂缺乏恢复力导致关节空间轨迹不一致的问题,研究团队提出一种包含可调机械离合器和 3D 打印螺旋弹簧的低成本被动关节模块。该模块产生的被动恢复力等效于关节空间的 L2 正则化(即“硬件即正则化”),在缩短完成时间的同时保持运动平滑性。

    推荐理由:提出利用低成本被动关节模块作为物理先验,在模仿学习中提升轨迹一致性与下游任务成功率。

  14. arXiv · 机器人与计算机视觉73

    MambaAct:用于流匹配视觉语言动作模型的紧凑 Mamba 动作专家

    针对流匹配类视觉语言动作模型(如π0.5)推理成本高的问题,该研究提出用紧凑的 Mamba 动作专家替换原有的 Transformer 结构。通过引入轻量级上下文压缩器处理视觉语言条件信号,该方法在 LIBERO 基准测试中将去噪延迟降低 64.8%,真实部署中降低 58.8%,并在三个独立微调种子下将平均成功率提升 1.08 个百分点。代码与模型权重已公开。

  15. arXiv · 机器人与计算机视觉65

    Ego2Contact:基于人类第一视角视频预测接触以支持富接触机器人操作

    论文 Ego2Contact 提出一种视觉 - 触觉先验学习方法,将人类交互中习得的触觉预测能力迁移到机器人手上。该方法融合时间场景上下文与手部局部视觉特征,推断双手机械触觉场,并通过解剖区域对应关系适配不同机器人的触觉布局。实验表明,该模型在人类数据上优于现有预测器,且在机器人数据适应后表现更佳;其生成的触觉输入可用于仿真强化学习与真实机器人策略训练,在仿真环境中能恢复部分真值触觉感知的收益。

  16. arXiv · 机器人与计算机视觉58

    SenseSwarm:基于神经结构估计与共享世界预期的群集快速建图研究

    论文 SenseSwarm 提出一种轻量级学习地图预测器,将其折叠进群体占位图的启发式引导场,以在物理覆盖前预判未知建筑区域。作者在 HouseExpo、HKUST 和 KTH 的十二个真实楼层基准上进行了测试,结果显示该共享预测器在多机器人规模下显著提升了建图速度并降低了接触率,而单机器人预测器则失效。材料为预印本,未提及开源代码或模型权重下载入口。

  17. arXiv · 机器人与计算机视觉73

    Structured Perception Representations for Off-road Dynamics Learning

    该研究针对非铺装路面高速自主导航中动力学模型过于简化的问题,提出 SpatialBEV 方法,利用鸟瞰图特征的空间结构进行预测条件化。论文在跨季节数据集上将预测误差降低了 17.1%,并在硬件上对高速(≥10 m/s)及几何挑战性路线进行了评估,最大横向误差减少了 25.3%。材料为 CoRL 2026 接收的预印本,包含基准测试方法以挖掘数据集中最困难场景。

  18. arXiv · 机器人与计算机视觉68

    基于流反转动作锚点的样本高效强化学习策略改进

    arXiv 预印本论文提出 AnchorQ 方法,旨在解决通用机器人策略在部署级可靠性与吞吐量上的挑战。该方法利用流反转将参考行为映射为状态条件化的潜在锚点,结合局部粒子采样与价值引导探索,实现从粗到细的策略改进。实验显示,AnchorQ 在模拟和真实操作任务中均优于现有基线,样本效率更高,真实世界成功率提升 37%,仿真任务吞吐量提高 97%。

  19. arXiv · 机器人与计算机视觉58

    DefFlow:利用 3D 点流实现目标导向的变形物体操作

    论文介绍 DefFlow 框架,用于将变形物体操纵至广泛的 3D 构型。该方法通过联合预测机器人与变形物体的目标条件 3D 点流,同时捕捉抓取决策与连续运动,在绳、颗粒介质和布料等设置上优于仅预测机器人动作或基线方法。研究展示了使用真实点云观测和未见过的目标构型在真实机器人上的部署结果。

  20. arXiv · 机器人与计算机视觉58

    广义坐标下的力与运动同时控制研究

    论文提出一种基于高斯最小约束原理的机器人控制框架,将力与运动同时控制在广义坐标(关节空间)下建模为二次规划问题。该方法在 MuJoCo 仿真环境中验证了理论解能产生准确的受控动力学,能够同时维持期望接触力、最小化轨迹跟踪误差并满足碰撞避免等不等式约束。材料为预印本,已提交至 IEEE ICRA 2027,包含 8 页正文与 5 张图表。

  21. arXiv · 机器人与计算机视觉73

    PASS-VLN:一种考虑通行性的局部指令视觉语言导航基准与模型

    现有视觉语言导航基准多假设指令可执行且聚焦长程任务,忽视受限于机器人身体宽度的局部通行与避撞问题。本文提出 PASS-VLN 基准与模型,在固定场景、指令及参考路线下,通过改变机器人身体宽度来评估目标可达性:当通道可行时完成指令,遇阻挡则停止。

  22. arXiv · 机器人与计算机视觉65

    面向果柄的草莓采摘:低成本遥操作机械臂上的模仿学习

    针对草莓果柄细小且易损的采摘难题,作者提出一种视觉运动模仿学习流程,通过收集人类遥操作演示训练基于 Transformer 的动作分块策略,并在 Jetson AGX Orin 边缘平台上实现 15Hz 自主部署。该策略在 130 次演示上实现了从 2.84 到 0.091 的损失收敛。作者已开源数据集、模型权重及完整代码配置供农业机器人社区复现。

  23. arXiv · 机器人与计算机视觉44

    Shape-Aware Neural Time Fields 用于刚体运动与操作规划

    Shape-Aware Neural Time Fields 提出一种物理信息神经网络框架,学习可复用的刚体运动代价场以解决平移旋转几何约束耦合难题。在二维三维规划及物体推挤任务中,该方法相比物理信息神经基线显著提升成功率与推理效率,且规划时间低于经典采样法。闭环实验验证了在执行偏差和外部扰动下,快速重规划能实现自适应的任务执行。

  24. arXiv · 机器人与计算机视觉42

    FCTS:基于失败引导的课程树搜索用于足式跑酷训练

    FCTS 框架利用局部穿越失败自动生成地形课程,将四足机器人在中等难度地形的成功率从 28.4% 提升至 85.8%,在困难地形从 14.9% 提至 44.7%。该方法基于扫描的真实施工现场构建地形,经硬件实验证实策略可成功迁移到真实世界。目前论文处于审稿中,项目页含视频演示。

  25. arXiv · 机器人与计算机视觉78

    Embodiment-Classifier Guidance:无需演示即可将冻结的视觉语言动作模型跨机器人动力学迁移

    针对流式策略(如π0)难以跨不同机器人本体迁移的问题,本文提出一种轻量级本体分类器引导方法。该方法利用少量校准任务区分源本体与目标本体的成功动作片段,并在推理过程中通过梯度 nudging 调整去噪步骤方向,从而在不更新参数或额外演示的情况下适配新本体。

  26. arXiv · 机器人与计算机视觉73

    当计划改变时请记住:用于视觉语言动作模型的重新规划引导式视觉记忆

    针对长视界多阶段视觉语言动作策略需要历史观测但全量存储成本高昂的问题,本文提出 RePlanMem-VLA 方法。该方法利用重缩视域执行中连续动作块预测的不一致作为任务相关事件的证据,以此触发有界视觉记忆的更新,并通过机器人掩码写入过滤器抑制冗余帧。

  27. arXiv · 机器人与计算机视觉83

    Scaling Online Exploration for Robot Agents:RAX 框架发布

    论文介绍 RAX(Robot Agent eXploration)开源框架,旨在通过在线探索扩展机器人智能体能力。该框架利用通用代码生成智能体编写控制代码,无需动作演示数据或人工设计的动作基元。研究在仿真和真实机器人上验证了其在单臂、双手、灵巧操作及人形系统上的表现,结果显示在未见环境中泛化性能随探索规模提升,且自主学习能力优于现有基线模型。

    推荐理由:RAX 框架通过在线探索与代码生成实现无演示数据训练,在仿真与真机上均优于基线模型并涌现出主动感知等能力。

  28. arXiv · 机器人与计算机视觉38

    Mothership:两层级自动驾驶垃圾收集系统用于行人校园

    Mothership 提出一种两级自动驾驶垃圾收集系统,由电动压缩卡车搭载两台低速人行道机器人 RoboCarts 协同作业。仿真显示双车配置在每公顷 20-29 个垃圾桶密度下运行,三至四辆车需配合 80 米宽停靠点才能达到每小时处理 35-49 个垃圾桶的吞吐量。该系统通过分离卡车道路行驶与机器人人行道搬运职责,将对接公差放宽至标准自动举升器的正负 100 毫米捕获窗口。

  29. Hugging Face Daily Papers73

    Which Agent's Skill Should Change? Group-Relative Credit Assignment for Evolving Multi-Agent Teams

    论文提出 GRSE(Group-Relative Skill Evolution)方法,旨在解决多智能体协作中仅凭技能存在性分配信用的问题。该方法通过在同一技能库下多次执行任务并对比结果来分配行为信用,结合结构化故障诊断。在 HotpotQA 和 LoCoMo 数据集上,GRSE 在多跳问答等类别上优于 MASkills 基线,且能从植入有害技能的噪声中恢复性能。

10月18日周日
10月17日周六
  1. 量子位62

    深辰凯动发布通用物理运动平台及羽毛球机器人

    深辰凯动发布通用物理运动平台,其羽毛球机器人在约0.5毫秒内识别来球、挥拍速度达每秒30米,并创下1452拍的吉尼斯世界纪录。该平台由可复用硬件与自研机器人大脑构成,旨在验证高速动态场景下的感知预测与协同执行能力,未来可扩展至物流分拣与人机混行等真实物理任务。

  2. The Robot Report18

    MassRobotics 开启第六期医疗机器人初创加速器申请,Intel 加入指导委员会

    MassRobotics 本周开放其医疗机器人初创加速器第六期(Cohort 6)的申请,项目为期四个月且不涉及股权。申请者需具备技术成熟度与临床相关性,截止日期为 2026 年 12 月 31 日,入选团队将于 2027 年 2 月至 6 月接受指导并在波士顿机器人峰会展示成果。自 2021 年起该计划已辅导 35 家初创企业,校友累计披露融资超 1.8 亿美元。

10月16日周五
  1. Hugging Face Daily Papers82

    Learning Self-Orchestration in Decentralized Agent Swarms

    该论文介绍了一种名为市场基后训练(MPT)的框架,旨在解决现有多智能体系统训练中个体能力学习与集体行为组织分离的问题。通过让智能体以出价表达参与意愿并据此分配训练信用,该方法实现了动作策略与自编排行为的联合学习,无需中央协调器。

    推荐理由:提出市场基后训练框架,联合学习动作策略与去中心化自编排,在具身制造等任务上验证了群体适应性与鲁棒性提升。

  2. arXiv · 机器人与计算机视觉8

    Asynchronous Indulgent Gathering of Opaque Robots 论文提出异步环境下不透明机器人的最优聚集算法

    该研究针对 $(N,f)$-故障系统中的不透明机器人,在 $LUMI$ 模型下解决了传统与 indulgent 版本的聚集难题。作者给出了基于 3 色灯光的最优解及两种确定性算法,分别以 7 色和 26 色灯光实现时间复杂度 $O(N)$ 或 $O(\max\{\ell,f\}$)。这些算法首次分析了时间复杂度,能抵御遮挡视线与异步调度,且适用于未知规模的移动故障系统。

  3. arXiv · 机器人与计算机视觉72

    LoopWAM:基于部署回放的闭环通用策略改进方法

    针对仅依赖专家演示无法从真实部署中提升的问题,本文提出 LoopWAM,一种直接学习全质量谱(成功、次优与失败)的闭环世界 - 动作模型。该方法通过源相关噪声采样统一行为学习与条件动作的世界建模,利用质量引导和质量加权监督保留多质量视频监督并调节动作模仿。

  4. arXiv · 机器人与计算机视觉75

    One-Shot Learning for Double-Shot Latte Art:利用动态运动原形适配协作机器人倒液技能

    该研究提出一种针对双份拿铁拉花的单演示学习系统,将一次咖啡师演示分割为五个功能阶段,分别编码为独立的笛卡尔动态运动原形(CDMP)。相比单一 CDMP 基线,分阶段编码使过渡端点误差降低 3.2-4.5 倍,艺术笔触形状误差降低 2.7 倍,并在倒液阶段将壶身倾斜角控制在 1 度 RMS 以下。

  5. arXiv · 机器人与计算机视觉70

    RM-WAM:用于长视界机器人操作的可靠记忆增强世界动作模型

    针对现有世界动作模型(WAM)在长视界任务中因过度依赖当前观测而忽略关键历史信息的问题,该研究提出 RM-WAM 框架。该方法将记忆视为上下文相关的预测资源,利用互补的短期视觉状态记忆和潜在事件记忆分别捕捉近期交互动态与长期状态转换。

  6. arXiv · 机器人与计算机视觉82

    LIMBO:一种用于敏捷且安全的全身控制的无模型障碍目标学习与内化框架

    arXiv 论文 LIMBO 提出了一种框架,通过从黑盒状态转移中学习状态 - 动作控制屏障函数,并将其安全结构蒸馏到任务策略中。该方法在冻结基控制器周围对残差动作进行基于剩余的安全证书合成,使 Q-CBF 合成在全控制维度上可行。实验在一个拥有 29 个自由度的类人机器人上进行了躲避球和跨越低障碍物的运动演示,展示了学习到的策略无需在线安全过滤即可直接迁移到硬件。

    推荐理由:该框架将安全证书蒸馏至任务策略,使学习到的安全合成可扩展到全身敏捷控制且无需在线安全过滤。