跳到正文
10月16日周五
  1. arXiv · 机器人与计算机视觉78

    SOMA:利用四足机器人进行物体堆叠的全身非抓持操作

    针对缺乏专用机械臂的四足机器人在不可预测环境中执行重型物理操作的挑战,本文提出了 SOMA 框架。该框架通过分层强化学习实现全身非抓持的多物体堆叠操作,整合了显式的机器人底座高度控制以解锁全三维推搡策略。

    推荐理由:提出基于四足机器人的全身非抓持堆叠操作框架,在仿真中实现高成功率并验证了零样本仿真到现实迁移。

  2. arXiv · 机器人与计算机视觉38

    BlueROV2 水下机器人自适应轨迹跟踪控制器研究

    该研究提出一种低复杂度自适应预设性能控制器,通过匹配请求与饱和输入直接调整性能函数,解决不确定流体动力学下的轨迹跟踪难题。BlueROV2 仿真对比显示,该方法在八字形机动中维持了预设性能,而传统方法在输入受限下失效。真实水池实验进一步验证了该水下机器人平台闭环控制的稳定性与可行性。

  3. arXiv · 机器人与计算机视觉65

    EgoJEPA:超越重定向的以第一人称视频灵巧操作方法

    针对从第一人称人类视频中迁移操作先验的挑战,本文提出 EgoJEPA 框架,通过三阶段学习无需手工映射的具身无关表示:首先进行效果感知的手部动作预训练;其次联合预测视觉动态与潜在动作以实现世界建模;最后利用轻量级适配器适配不同机器人。在三个平台上的五项真实任务实验中,该方法在域外评估下平均成功率为 74%,优于重定向基线的 65%,并将跨具身累积耗时从 743.2 小时降至 392.7 小时。

  4. arXiv · 机器人与计算机视觉82

    TGrasp6D:基于任务信息的视觉语言先验与位姿优化实现零样本任务导向 6DoF 抓取

    论文提出 TGrasp6D 方法,利用视觉语言模型推理任务语义先验并结合 6DoF 位姿优化进行碰撞避免,在 TaskGrasp 数据集上达到 94% 的零样本抓取成功率(基线为 74%),并在 Franka Research 3 机器人上验证了真实世界泛化能力。

    推荐理由:提出 TGrasp6D 方法,利用视觉语言先验与位姿优化实现零样本任务导向抓取,在 TaskGrasp 数据集上成功率达 94%。

  5. arXiv · 机器人与计算机视觉35

    Clarity-Driven Adaptive Mission Planning for a Solar-Powered Autonomous Surface Vessel 提出信息驱动自适应任务规划方法

    该方法通过最大化信息熵构建清晰度图,在线调整目标区域优先级并针对太阳能推进器的速度限制进行闭环路径重规划。在模拟与北卡罗来纳州乔丹湖的实验中,系统成功执行了优先探索最大兴趣点的科学任务。研究证明了该策略在有限可再生能源约束下实现自适应任务规划的可行性。

  6. arXiv · 机器人与计算机视觉82

    视觉语言动作模型中的神经几何现象学

    arXiv 发布了一篇关于视觉语言动作(VLA)模型的研究论文,作者通过受控扫描、自然 rollout 和线性探针等方法,建立了 VLA 模型中七个任务相关概念的几何分类体系。

    推荐理由:该文通过受控实验揭示了 VLA 模型中任务相关概念的几何形态,证实了关节限制等物理约束会塑造激活空间的形状。

  7. arXiv · 机器人与计算机视觉68

    持久化轮廓引导无重置恢复改善不可逆腿损后的最终步态选择

    针对损伤恢复算法仅基于短时试次排名步态的问题,本文提出无需重置的持续状态恢复方法 PGRR。该方法在 MuJoCo 平台上对截肢、远端骨折和关节锁定等 108 个匹配任务进行测试,相比高斯过程基线提升最终质量并显著降低低质失败率,证明其在连续物理状态下能识别更强的损伤后步态。

  8. arXiv · 机器人与计算机视觉68

    多维特征提取器实现机器人基础模型的细粒度控制与数据塑形

    该论文研究如何通过恢复模型内部的低维子空间结构来理解与控制具身智能行为。作者提出块稀疏特征提取器(BSFs),成功识别出感知、语言、本体状态等任务相关特征,并通过微调干预验证了因果性。此外,利用基于特征的数据归因方法,仅需屏蔽不到 1.4% 的训练 token 即可移除特定失败恢复行为,为理解与改变机器人行为提供了有效工具。

  9. arXiv · 机器人与计算机视觉70

    因果分析揭示机器人基础模型的效率增益:限制动作专家条件层数可降算 33%

    该研究对三个前沿 VLA 模型(π0.5、MolmoAct2 和 MolmoBot)进行机制性分析,发现感知与语义表征通过特定的“动作调节接口”影响动作专家。激活打补丁实验表明,目标名词的早期层决定物体选择,中晚期层携带空间信息以重定向运动。

  10. Hugging Face Daily Papers84

    Gemini 4 Argon 智能体团队在 Minecraft 中实现端到端自主通关

    该研究将四个 Gemini 4 Argon 智能体置于受控的 Minecraft 生存世界,赋予其唯一目标:击败末影龙。每个智能体通过开源库 Mineflayer 控制玩家,利用游戏内聊天和共享记忆进行协作,未分配角色或编写游戏逻辑。

    推荐理由:该预印本报告了四个 Gemini 4 Argon 智能体在无预设种子和人工干预下,于 Minecraft 沙盒中自主击败末影龙的实验过程与策略。

  11. Hugging Face Daily Papers82

    HexaShell:一种用于探索 VLM 智能体作为机器人编程智能体极限的轻量级框架

    HexaShell 系统展示了基于视觉语言模型(VLM)的智能体通过编写和修复代码来控制双臂机器人的能力,而非直接学习策略。该系统仅将智能体的指令转化为机器人运动,利用三个 RGB 相机进行三角测量以定位物体,并在 RoboDojo 基准的 42 个任务上取得了 39.7% 的成功率和 48.0 的进度分数,刷新了该基准记录。

    推荐理由:HexaShell 系统展示了 VLM 智能体通过编写工具代码控制双臂机器人的能力,在 RoboDojo 基准上达到新 SOTA,并开源了演化出的工具集。

  12. arXiv · 机器人与计算机视觉78

    Thinker-WM:一种用于具身智能的统一多模态世界模型

    Thinker-WM 是一种统一的多模态世界模型,通过共享中间层 Unified Dynamics Transformer 联合建模并生成 RGB、度量深度和机器人动作。

    推荐理由:Thinker-WM 提出统一多模态世界模型,在共享动力学表示下联合生成 RGB、深度与动作,并在 EWMBench 等基准中表现领先。

  13. arXiv · 机器人与计算机视觉35

    DEFlow:基于深度平衡流的强化学习策略

    DEFlow 是一种将显式欧拉采样替换为隐式欧拉积分的深度平衡流策略,通过联合求解中间动作实现软演员 - 评论家框架下的离线训练。该方法在四个多目标对接变体任务中平均相对成功率提升约 10%,并在五项操作任务中取得最高时间平均回报,同时在五项 MuJoCo 任务上保持竞争力。

  14. arXiv · 机器人与计算机视觉82

    EmbodiedEvo:一种用于物理智能的自进化编码智能体

    论文介绍 EmbodiedEvo 框架,这是一种通过程序化机器人接口观察场景、执行控制并适应物理状态的自进化编码智能体。该方法将交互与推理预算转化为可复用的代码技能(Skills)和诊断教训(Lessons),在不更新模型权重的情况下冻结经验以支持未见场景中的独立智能体。

    推荐理由:该工作提出无需微调的自进化编码智能体,将物理反馈蒸馏为可复用技能与诊断教训,在仿真环境中实现经验跨场景迁移。

  15. arXiv · 机器人与计算机视觉82

    Interaction Latents as Actions for Contact-Rich Manipulation

    论文提出 ILA(Interaction Latents as Actions)方法,通过可解码的交互潜变量联合捕捉运动、接触和力的演化过程,将其作为策略动作单元。

    推荐理由:该工作提出用交互潜变量统一编码运动、接触与力演化,支持预训练 VLA 的后训练及从头训练流匹配策略。

  16. arXiv · 机器人与计算机视觉65

    无需数据的世界动作模型持续学习:修正生成回放

    针对预训练视频生成模型构建的世界动作模型在顺序微调时易遗忘旧任务的问题,本文提出无需访问历史训练数据的持续学习方法。核心贡献是修正生成回放技术,通过智能体评估器截断多余生成并过滤物理不一致的动作,解决了原始生成回放滞后于真实数据的问题。

  17. arXiv · 机器人与计算机视觉72

    ReEnvision:面向长程操作的未來引導選擇性動作修復框架

    该论文提出 ReEnvision 框架,通过更新联合未来动作信念来识别并仅修复受执行偏差影响的动作,保留有效动作以避免重规划引入错误。在 CALVIN、L-CALVIN 和 RLBench 等基准上,5 步成功率达 86.6%,10 步成功率从 56% 提升至 63%,真实任务平均成功率为 82.8%。

  18. arXiv · 机器人与计算机视觉70

    DexCast:从人类视频中学习现实世界灵巧控制

    DexCast 是一个直接从单目 RGB-D 视频学习灵巧机器人手部控制的框架,无需任何遥操作演示。该方法通过联合手物交互重建,利用 DexHand Motion Perception Module (DMPM) 模块在紧凑的潜在表示中捕捉关节间的协调性和时间依赖性,以此条件化扩散策略生成未来动作。大量现实世界实验表明,DEXCAST 在多种灵巧操作任务上取得了卓越的性能。

  19. arXiv · 机器人与计算机视觉72

    FINGR:面向真实世界魔方解算的灵巧手控制学习

    FINGR 是一种结合手指相对几何与未来交互预测的策略,通过共享点编码器表达魔方相对于指尖的位置并聚合点云,不依赖 cubie 索引;利用学到的未来 token 接收接触力变化、层转动进度和指关节位移的多时间尺度监督,条件化流策略直接生成手指动作。

  20. arXiv · 机器人与计算机视觉78

    FoLD:基于力的灵巧化关节物体操作学习框架

    针对手形差异和接触动力学导致的人类动作迁移失败问题,该研究提出 FoLD 框架,通过计算补偿力场生成力先验来指导残差策略适应任务接触需求。实验在公开基准测试中一致优于最先进基线,并在真实灵巧机器人平台上成功验证了人类操作技能向机器执行的转移。

    推荐理由:FoLD 框架通过显式力引导将人类演示迁移至灵巧机器人,在公开基准测试中优于现有基线并在真实平台上验证成功。

  21. arXiv · 机器人与计算机视觉78

    TrAct:通过视觉轨迹连接机器人控制与视觉预测

    论文提出 TrAct 框架,利用视觉轨迹作为机器人控制与视觉预测之间的通用接口。该框架包含联合预测动作与轨迹的 VLAT 模型、基于轨迹的世界模型 TWM 以及用于评分的奖励模型 VLAC。

    推荐理由:提出 TrAct 框架,利用视觉轨迹作为控制与预测的中间接口,在仿真和真实操作任务上显著提升了成功率。

  22. arXiv · 机器人与计算机视觉78

    FACT:面向失败的因果世界 - 动作模型训练

    FACT 是一种因果世界 - 动作模型,通过以执行动作为条件预测未来视频和任务进度,将失败演示转化为有效的未来目标而非丢弃。该方法使进度预测器能感知成功与失败结果,并可选用于推理时打分采样动作候选。仿真与双手动操作实验表明,FACT 优于现有基线,随失败数据纳入训练而提升,且降低了坏动作下的未来幻觉。

    推荐理由:FACT 方法让因果世界模型能利用失败演示监督动作后果,减少坏动作下的未来幻觉。

  23. arXiv · 机器人与计算机视觉30

    个性化气动软性外手套助力灵巧操作与康复

    针对标准化测量限制精细操作的问题,研究团队设计了基于拓扑扫描和硅胶模具铸造的个性化气动软性外手套。实验表明,该设计通过有限元分析和气压控制实现了对手指关节的精准移动及人机交互力评估。相关成果已作为预印本发布并获 IEEE Transactions on Medical Robotics and Bionics 接收。

  24. arXiv · 机器人与计算机视觉38

    X-Safe:通过动作掩码实现机器人臂操作策略的具身无关安全保障

    X-Safe 提出一种无需简化模型或学习安全函数的具身无关保障方法,利用配置空间局部推理与动作掩码为碰撞避免提供形式化概率保证。该方法在两种具身架构、三种策略及仿真与硬件环境中验证,性能退化低于现有最先进方案一半,且实证证实了碰撞避免的形式化保证。

  25. arXiv · 机器人与计算机视觉73

    PoLAR:通过分解潜在动作的幅度与模式提升机器人策略学习性能

    论文提出 PoLAR(Polar Latent Actions with Radial structure),该方法将潜在动作空间映射到双曲空间,利用径向结构分别编码状态转移的幅度(extent)和模式(mode)。研究在跨任务及大规模预训练设置下验证了该方法的有效性,结果显示其在仿真环境和真实机器人实验中均能提升下游策略性能,并优于现有的潜在动作基线及强预训练的视觉语言动作模型。

  26. arXiv · 机器人与计算机视觉75

    UGV 条件化多无人机信息规划:基于共享暴露信念的安全导航研究

    该研究针对大型且存在威胁的未知环境中的安全地面导航问题,提出了一种协调无人机团队以改善无人地面车辆(UGV)安全的方案。核心方法包括用于 UGV 路由的风险规避共享暴露信念,以及将任务条件化的无人机奖励机制,后者引导感知聚焦于当前 UGV 走廊中不确定且与暴露相关的区域。

  27. arXiv · 机器人与计算机视觉42

    MARCH:一种结合简化模型与视觉策略的具身智能强化学习框架

    MARCH 提出了一种模型辅助强化学习框架,通过生成安全参考轨迹、训练基于控制李雅普诺夫函数的教师策略并蒸馏为视觉学生策略,实现了在稀疏地形上的稳健双足运动。该方法在仿真中验证有效,并在宇树 G1 人形机器人上成功部署,使其在具有侧向约束的稀疏落脚点导航任务中,样本效率显著提升且步态平滑度优于纯模型无关基线。

  28. arXiv · 机器人与计算机视觉78

    CoPark:通过自博弈学习反应式自主泊车

    论文提出 CoPark 方法,解决高精度泊车与多智能体安全交互的目标冲突。该方法结合预计算离线动作先验与残差策略头,利用伙伴威胁信号动态分配纵向与横向控制权重,并在闭环层修正离散化误差。

    推荐理由:提出基于残差策略的自博弈强化学习方法,在多个停车场基准上实现高几何精度泊车并涌现交互行为。

  29. arXiv · 机器人与计算机视觉65

    ConTrack:一种用于灵巧操作的受限手部运动追踪与自适应权衡控制方法

    针对机器人灵巧操作中难以将人类演示迁移至真机的难题,论文提出 ConTrack 强化学习框架。该方法将物体跟踪视为约束条件,利用双变量更新在线分配剩余控制权限以平衡运动保真度;同时通过自适应轨迹中间重置库稳定长序列学习。在仿真与真实机器人上的定性及定量结果表明,ConTrack 在保持关节和接触保真度的同时,显著优于现有方法的成功率与物体姿态精度。

  30. arXiv · 机器人与计算机视觉72

    ConstrainedMimic:面向人形机器人的受控全身跟踪方法

    针对强化学习在人形机器人全身敏捷性中的安全性挑战,作者提出 ConstrainedMimic 控制框架。该方法结合操作空间控制与控制屏障函数原理,在高于 1 kHz 的频率下实时强制执行运动学参考与动力学约束,包括避障、关节限位和质心稳定性等。实验涵盖仿真与硬件,证明在激活约束时能最小化对策略能力的限制。

  31. arXiv · 机器人与计算机视觉75

    Failing Forward:面向视觉语言动作模型的自适应失败感知学习

    针对现有视觉语言动作(VLA)模型仅依赖成功行为克隆导致脆弱性高的问题,本文提出自适应失败感知学习(AFIL)框架。该方法利用预训练 VLA 在线生成失败轨迹,联合训练双行动生成器以共享视觉语言骨干网络,在采样阶段根据分布距离动态引导策略远离易失败区域。实验表明,该框架在短长视界任务中均能提升成功率与鲁棒性,且参数开销有限。论文已被 NeurIPS 2026 接收。