跳到正文
10月16日周五
  1. arXiv · 机器人与计算机视觉73

    Compliant GMT:通过残差参考适应实现全身顺应性通用运动跟踪

    论文提出 Compliant GMT (C-GMT) 框架,旨在解决具身智能机器人在真实部署中需同时执行多样化动作并安全响应交互力的问题。现有通用运动跟踪策略虽能模仿多样动作但训练为刚性,易在受扰时产生不安全行为;而现有顺应性控制方法往往牺牲泛化性或仅针对单一参考策略定制。

  2. arXiv · 机器人与计算机视觉72

    面向全向倾斜旋翼飞行机器人的 CBF 力分配控制

    针对主动倾斜飞行器在构型重排时因伺服响应慢导致期望力不可行的问题,本文开发了一种基于控制屏障函数(CBF)的力分配器。该方法利用精确等效力身份连接标称与实际配置下的推力需求,将鲁棒力约束转化为十二个由椭球储备收紧的推力边界,并导出六变量伺服速率二次规划及微分推力分配以进行跟踪。

  3. arXiv · 机器人与计算机视觉73

    DemoStream:面向自动化从演示学习的批量任务与运动规划优化

    学习演示是赋予机器人操作能力的有效策略,但现有方法要么依赖持续人工遥操作,要么仅针对单一任务。本文提出 DemoStream,一种利用 GPU 加速的任务与运动规划(TAMP)系统,通过批处理采样和约束满足并行探索多解以优化演示质量,从而提升下游行为克隆的成功率。

  4. arXiv · 机器人与计算机视觉78

    VP-EVT:面向具身视觉跟踪的主动可见性保持方法

    针对动态环境中行人遮挡导致的目标丢失问题,本文提出 VP-EVT 框架,将目标可见性作为显式运动控制目标而非跟随副产品。该方法利用语言引导感知分离目标与行人观测,结合视觉历史与本征运动维持相对位置估计,并通过循环控制器协调视角调整以恢复稳定跟踪。

    推荐理由:提出 VP-EVT 框架将可见性作为显式运动控制目标,在 occlusion 场景下显著降低丢失时长并提升成功率。

  5. arXiv · 机器人与计算机视觉72

    TS-WAM:基于时序潜在动作与世界 - 动作耦合的视觉语言机器人控制

    论文提出了 TS-WAM,一种轻量级教师 - 学生世界 - 动作模型,旨在解决依赖动作标记演示且缺乏显式未来视觉状态预测机制的问题。该架构通过自监督时序学习和显式未来预测,利用 vlm-jepa 框架从异构数据中学习,并结合 delta-lwm 耦合潜在动作与视觉特征以指导推理时的动作生成。

  6. arXiv · 机器人与计算机视觉83

    机器人策略应学习预测什么:重新审视 VLA 中的监督目标

    论文提出一种统一的 VLA 框架,通过样本级路由将训练数据分配给动作预测、基于 LAPA 的潜在动作预测或基于 DINOv3/V-JEPA/Wan2.2 的未来视觉预测。实验显示,在 LIBERO、CALVIN 及真实机器人任务中,合理的辅助监督目标组合优于仅动作预测,且未来视觉目标通常表现更佳。

    推荐理由:该研究提出统一框架,证明在固定预算下分配部分样本给潜在动作或未来视觉预测优于仅动作预测。

  7. arXiv · 机器人与计算机视觉48

    MAGMA:一种基于仿射几何热流的轨迹优化算法

    MAGMA(Multiplier-Augmented Geometric Motion Algorithm)是一种针对高维机械系统约束最优控制问题的轨迹优化器,其核心采用仿射几何热流(AGHF)框架并结合增广拉格朗日法求解。该算法在包含障碍物、状态及执行器限制的复杂任务中验证有效,相比最先进求解器显著降低了调参难度并保持了高质量解。论文已作为预印本发布于 arXiv,代码与权重暂未提及开放许可。

  8. arXiv · 机器人与计算机视觉42

    Time-Optimal Ergodic Retrieval 提出新公式优化机器人搜索任务总时长

    Time-Optimal Ergodic Retrieval(TOER)将检测建模为泊松过程并纳入返回阶段,相比基准方案缩短最多 19% 的任务时长。仿真与硬件验证表明该方法兼容非凸几何环境及二维、三维搜索域,且随返回成本增加优势更显著。该工作以预印本形式发布于 arXiv,代码与权重暂未提及开放许可。

  9. arXiv · 机器人与计算机视觉73

    从人类视频到机器人操作的跨形态因果转移

    针对机器人操作模型训练数据稀缺的问题,该方法分析通过因果束视角下的子任务转移机制,提出因果束引导的子任务迁移(CBST)框架。该框架从人类视频中学习操作相关表征,并利用机器人演示将其锚定在任务级语义变量上,从而在不依赖人机动作对应关系的情况下,使机器人能基于自身观测生成操作策略。实验表明该方法在机器人操作基准测试中提升了任务成功率。

  10. arXiv · 机器人与计算机视觉75

    Trajectory-based Diffusion from One-shot Human Video for Generalizable Manipulation

    针对模仿学习依赖遥操作数据收集的问题,本文提出 TDV 框架,利用单一人机视频通过插拔式 6D 姿态估计提取物体轨迹作为模态无关的中间表示。该方法在 RLBench 仿真任务中七个任务成功率接近 100%,并在真实世界实验中实现了从单个人类演示到跨本体机器人的泛化操作。

  11. arXiv · 机器人与计算机视觉75

    Uni-PNP:面向通用物体姿态可达的统一抓握与非抓握策略学习

    针对现有方法将抓握与非抓握操作分离且依赖特定环境支持的局限,该研究提出 Uni-PNP 统一策略,联合学习多种物体的姿态可达任务。方法首先预训练几何编码器以预测接触诱导的物体运动,随后通过两阶段强化学习课程从可抓取对象迁移至不可抓取对象,鼓励发现非抓握交互并整合抓握能力。

  12. arXiv · 机器人与计算机视觉82

    SPEAR:面向 VLM 引导的机器人操作的自适应偏好 elicitation 框架

    针对视觉语言模型(VLM)在机器人操作中推理成本高且易回避困难比较的问题,提出 SPEAR 框架将其转化为高效偏好预言机。该框架通过可区分性感知查询选择降低回避率,并利用自适应奖励过渡结合 VLM 合成引导加速探索。

    推荐理由:提出 SPEAR 框架,通过可区分性查询选择与自适应奖励机制提升 VLM 在机器人操作中的效率。

  13. arXiv · 机器人与计算机视觉43

    基于心流理论的多模态控制框架融合 EEG 与 sEMG 信号提升上肢康复训练参与度

    针对现有方法无法区分肌肉无力与心理脱节的局限,该研究提出融合脑电(EEG)肌电信号(sEMG)的自适应阻抗控制策略。实验显示,相比仅依赖 sEMG 的基线,新框架在保持轨迹跟踪的同时降低机器人能耗 71.9%,并将神经可塑性区停留时间从 4.6% 提升至 42.8%。该成果验证了联合调节身心状态能增强辅助选择性,有效缓解用户被动性并维持运动学习所需的参与度。

  14. arXiv · 机器人与计算机视觉78

    AVALON:零样本室内导航与人类播撒的拓扑记忆

    论文介绍 AVALON 框架,解决服务机器人进入用户熟悉但机器人未见的未测绘建筑问题。系统通过人类播撒的分层空间记忆、节点验证的拓扑执行及任务触发的人机记忆协同更新实现导航。

    推荐理由:提出基于人类播撒分层空间记忆的拓扑导航框架,在无需现场建图条件下完成室内任务,实验显示比基线节省大量时间。

  15. arXiv · 机器人与计算机视觉48

    Attribution-Gated Joint Estimation of Intention and Capability for Assist-as-Needed Upper-Limb Robots 提出新架构

    该研究针对上肢机器人辅助控制,开发基于双测量量多模态模型预测控制的架构,利用归因门解决意图与能力估计的模糊性。在九名健康受试者的疲劳搬运实验中,该方法在所有条件下均实现最低轨迹误差(0.017 弧度),且能准确区分目标变化与负载增加带来的适应性调整。

  16. arXiv · 机器人与计算机视觉43

    Multi-Teacher On-Policy Distillation 提升基于流的视觉语言动作模型在多域任务成功率

    针对单一共享策略难以整合多域技能的挑战,该方法提出双级同策略蒸馏框架,利用冻结领域专家监督学生模型。在 LIBERO-40、CALVIN 和 Meta-World MT50 基准上,Velocity Loss OPD 相比基线分别提升绝对成功率 22.55%、33.4% 及 22.6%,且长序列任务增益更显著。研究通过联合监督微调初始化并收集新经验,验证了单学生模型跨域部署的有效性。

  17. arXiv · 机器人与计算机视觉68

    X-Fly:面向全块空中视觉语言导航的到达与停止学习

    针对基于大模型的空中视觉语言导航(VLN)代理查询成本高且难以自主终止的问题,本文提出 X-Fly 分阶段训练框架。该方法通过 Recovery DAgger 标记学习者访问的状态并平滑连接至专家片段及首次入区状态,随后利用 Flow-GRPO 联合优化块状流控制器与伯努利停止策略。

  18. arXiv · 机器人与计算机视觉83

    面向自适应 VLA 动作分块执行的策略对齐预测验证方法

    针对视觉语言动作模型生成动作序列时如何决定执行步长的关键问题,本文提出一种策略对齐的预测验证器(PAV)。该方法不利用未来预测来生成新动作,而是在 VLA 的内部任务条件表示空间中评估候选前缀与成功延续的兼容性。

    推荐理由:提出一种基于策略对齐的预测验证器,在 VLA 内部表示空间评估动作前缀兼容性以指导执行步长。

  19. arXiv · 机器人与计算机视觉42

    Modular Inverse Dynamics and Wrench Recovery for Closed-Chain Mechanisms Using Path Assembly 提出基于路径组装的闭环机构逆动力学工作流

    该方法结合路径运动重建与执行器及关节力矩恢复,利用分析二阶微分获取被动速度与加速度,并通过空间牛顿 - 欧拉平衡求解唯一输出。在 Simscape Multibody 中对七自由度重型混合串并联操作器的评估显示,其被动位置、执行器努力及可恢复约束力矩分量与参考结果高度一致,且反应诊断支持数值载荷族兼容性。

  20. arXiv · 机器人与计算机视觉66

    Fast-VLA:一次思考完成机器人操作

    arXiv 发布 Fast-VLA 论文,提出在每集开始时调用一次冻结的 4B VLM 建立固定任务记忆,执行阶段由轻量在线演员融合视觉与本体反馈预测动作,无需重复运行基础模型。该方法在 RoboTwin 2.0 和 LIBERO 评测中分别取得最高 95.95% 的成功率,并将推理时间相比持续条件基线降低 10.9-17.1 倍。材料为预印本,未提及同行评审状态或开源代码仓库。

  21. arXiv · 机器人与计算机视觉82

    LTM:基于潜在转换的视觉语言动作模型内上下文记忆方法

    论文提出 Latent Transition Memory (LTM),将历史交互存储为连续观测间的紧凑潜在转换,实例化于π0.5模型(LTM-π)时利用冻结潜在动作编码器和轻量级适配器实现增量推理。

    推荐理由:该方法在冻结动作编码器下实现增量推理,无需外部推理模型即可提升多步任务成功率与真实机器人计数能力。

  22. arXiv · 机器人与计算机视觉42

    分层建筑 - 楼层 - 房间框架实现大型建筑隐私保护自主配送

    该研究提出基于建筑 - 楼层 - 房间抽象的分层配送框架,通过扩展有容量车辆路径问题并建模跨楼层连通性与隐私敏感区约束,显著降低优化复杂度。系统在真实多传感器机器人平台上验证了可靠的多楼层配送能力,在提升路径合理性及整体效率的同时,实现了非交互式且符合隐私要求的自主运行。

  23. arXiv · 机器人与计算机视觉42

    MR-MPCC:移动参考系下机器人操作器的模型预测轮廓控制框架

    MR-MPCC 是一种针对速度控制型六自由度末端执行器在移动参考系扰动下的路径跟踪控制框架。该架构采用上层 MPCC 优化路径进度并惩罚轮廓误差,下层 RMRC 将笛卡尔速度映射为受关节与安全约束的可行关节速度。实验在 ROS2--MuJoCo 管道中于 UR5e 平台验证,相比 PI 和时序 MPC,其显著降低了移动参考系下的几何路径跟踪误差与偏差。

  24. arXiv · 机器人与计算机视觉78

    LICOA:面向移动空间增强现实的指令条件光学动作学习

    该研究提出 LICOA 框架,将投影光定义为具身动作,通过差速底盘与双自由度转向镜实现大范围移动与局部光束控制。作者构建了包含 150 个任务、7,500 个渲染集成的仿真语料库,并在真实环境中进行了 480 次闭环执行测试。

    推荐理由:构建了移动空间增强现实平台与指令条件光动作模型,在真实环境中验证了将投影光作为具身动作的可行性。

  25. arXiv · 机器人与计算机视觉35

    SIMPLER-IN 揭示当前 VLA 模型难以遵循 How-level 指令的局限

    研究指出当前视觉语言动作(VLA)模型在遵循指定执行方式的 How-level 指令时任务成功率反而下降。为此提出的 SIMPLER-IN 基准证实,仅通过片段级增强指令虽能提升响应度,却无法应对高难度或分布外指令。该预印本表明如何有效实现 How-level 指令跟随仍是开放挑战。

  26. arXiv · 机器人与计算机视觉82

    CLIS-MPPI:一种解决执行延迟的闭环模型预测路径积分控制方法

    论文提出 CLIS-MPPI 算法,通过建模规划延迟分布、从采样初始状态进行展开优化及执行阶段局部反馈修正,解决了传统 MPPI 在真实机器人系统中因执行延迟导致的状态失配问题。实验在 UR5e 机械臂窄通道避障任务中验证,该方法在 5 次运行中保持零碰撞(标准 MPPI 发生 2 次),并将平均任务完成时间从 25.4s 降至 24.4s,同时显著降低了关节位置与速度误差。

    推荐理由:针对执行延迟导致的仿真与现实状态失配问题,提出闭环初始状态采样方法,在真实机械臂实验中显著降低碰撞率并提升运动平滑度。

  27. arXiv · 机器人与计算机视觉78

    基于视觉引导的闭环自主导航光驱动 Janus 微机器人

    该研究开发了一套用于光驱动的立方体状赤铁矿/TiO2 Janus 微机器人的视觉引导闭环导航框架。系统集成了定制训练的 YOLOv11 目标检测模型进行实时视觉定位,并结合离散化路点磁导向技术,实现了复杂规定轨迹的精确导航,测试路径几何中超过 90% 的轨迹偏差低于 6 微米。

    推荐理由:原文提出了一种结合视觉定位与磁导向的微米级机器人闭环导航框架,实现了复杂轨迹跟踪、动态避障及自主运输任务。

  28. arXiv · 机器人与计算机视觉72

    Evo-DexBench:针对灵巧操作跨相关任务泛化能力的基准测试

    论文提出 Evo-DexBench 基准与数据集,旨在评估灵巧操作策略在仅少量目标演示下的跨相关任务知识迁移能力。该基准基于 Core-Gen 原则,包含六个功能家族共 30 个任务及 VR 遥操作流程,收集了 1,248 次多模态演示(使用配备 123 个触觉传感器的模拟 Shadow Hands)。

  29. arXiv · 机器人与计算机视觉78

    何时请求帮助:双系统视觉语言动作模型中慢模块调度的决策理论与测量标准

    针对双系统视觉语言动作模型(VLA)中慢模块调用缺乏统一目标与成本度量的问题,作者提出将调用形式化为校准后的决策问题,定义了价值干预(VoI)作为核心度量。研究通过 LIBERO 基准上的十四条闭环臂测试及真实部署轨迹分析,验证了自适应触发机制的阈值预测能力,并发现语言重写通道在特定条件下无法转化为成功,而撤销失败重写的执行器是唯一无净负面影响的干预手段。

    推荐理由:该文提出慢模块调度的决策理论框架与价值干预度量标准,通过闭环实验验证了自适应触发机制在特定条件下的增益边界。

  30. arXiv · 机器人与计算机视觉63

    面向接触约束感知的阻抗控制与强化学习先验的流形生成退火方法

    针对富接触机器人任务中动力学不确定性与物理约束的挑战,本文提出 Manifold Generative Annealing (MGA) 框架。该方法将预训练强化学习策略组织为结构化序列提案,利用模型基方法进行探索性样本评估与优化,并通过感知现实的流形细化对齐任务约束与局部物理响应。实验涵盖表面扫描、销钉插入和人形机器人推搡等场景,在标称及传感偏移条件下提升了阻抗控制的安全成功率。

  31. arXiv · 机器人与计算机视觉65

    OneWM:统一因果训练下的世界模型与动作建模互惠研究

    该论文引入 OneWM 框架,在共享视频 - 动作架构中将动作视为世界预测的条件及策略学习的目标。实验基于 LIBERO、LIBERO-Plus 和 RoboCasa365 等具身测试平台进行验证。结果显示,学习指定动作的视觉后果能提升策略性能与跨场景泛化能力;反之,动作学习也提升了多视角世界预测的保真度。研究证实了两者在统一因果训练下的互惠增益关系。

  32. arXiv · 机器人与计算机视觉75

    带后轮摆动机制的遥控摩托车在转弯时的打滑摔倒抑制方法

    针对两轮摩托车骑行中难以避免的打滑摔倒事故,本文提出一种基于车辆速度与路面条件的辅助控制输入分配优化方法。研究团队开发了带后轮摆动机制的遥控摩托车原型,并在低摩擦表面的蛇形驾驶(5.5 m/s)及模拟雨天过井盖的合成冰面上进行了实验验证。结果表明该方法能有效抑制上述挑战场景下的摔倒现象。

  33. arXiv · 机器人与计算机视觉78

    CtRoFlow:通过条件 3D 流匹配实现单目相机到机器人位姿估计

    该论文提出 RoPE-Flow 框架,利用 Keypoint-centered Feature Extractor、Graph-guided Condition Generator 及 Bone Length Loss 等方法,解决从单目图像恢复 3D 结构特征以估计机器人位姿的挑战。

    推荐理由:提出基于条件 3D 流匹配的端到端框架,解决单目相机到机器人位姿估计难题。

  34. arXiv · 机器人与计算机视觉78

    MoCaP:基于被动人类视频的零样本移动操作框架

    该论文提出了 MoCaP 框架,旨在将被动记录的人类日常活动视频转化为机器人端到端的移动操作策略指导。系统从视频中提取空间记忆与物体交互准备线索,以辅助导航并搜索可操作的配置。

    推荐理由:提出利用被动人类视频提取空间记忆与先验,通过闭环代码策略解决移动操作任务。