跳到正文
11月13日周五
  1. arXiv · 机器人与计算机视觉44

    DroneDiffusion:感知引导的扩散路径规划器用于无人机导航

    DroneDiffusion 是一款专为本地三维无人机轨迹生成设计的感知感知扩散规划器,能显式规避由镜头眩光、过曝和反光表面导致的失效区域。该模型在仿真中训练并实现零样本真实部署,其可靠性条件将生成的轨迹平均感知可靠性从几何基线的 0.63 提升至 0.71。此外,无需重新训练的 CHOMP 引导策略将学习先验的碰撞率从 14.7% 降低至 7.8%,有效平衡了传感器不可靠区域的规避与导航性能。

  2. arXiv · 机器人与计算机视觉78

    ReTime-Compose:让驱动世界模型移动场景而非仅移动相机

    Yuqiao Feng 和 Xiaoyu Ao 在 arXiv 上发布研究论文,指出当前广泛使用的控制指标仅检查相机是否跟随指令,而忽略了场景响应不足的问题。作者发现现有模型生成的场景变化最多仅为真实视频的三分之一,且无法区分执行与忽略的速度指令。

    推荐理由:作者指出主流驱动世界模型仅移动相机而未同步场景,提出无需训练的 ReTime-Compose 方法以几何方式注入计划。

  3. arXiv · 机器人与计算机视觉73

    PolyMorphWBC:面向多形态机械臂的四足移动操作全身控制方法

    论文提出 PolyMorphWBC 分层控制器,仅接收末端执行器轨迹指令即可生成四足机器人与六自由度机械臂的协同运动,支持跨四种不同机械臂构型及扩展工作域。该方法在 IsaacLab 仿真中达到 93.95% 任务完成率,物理 Go2-ARX5 系统上实现了基于语言条件的无视觉长距抓取演示。

  4. arXiv · 机器人与计算机视觉53

    MiniPose:基于微型模型的 6D 姿态估计真实数据采集方法

    针对大型工业管道等重型物体的 6-DOF 姿态估计,作者提出了 MiniPose 流程,通过采集缩小比例模型的真实 RGB-D 数据并转化为全尺寸几何表示,以解决真实数据采集负担大及合成数据难以复现传感器误差的问题。实验表明,混合少量微型图像与合成数据可提升两种不同网络架构(PVN3D、RDPN6D)的平均 ADD-S AUC,且相比全尺寸真实数据训练,该方法在采集困难场景下可作为有效替代方案。

  5. arXiv · 机器人与计算机视觉71

    ILA:一种用于顺从类人运动跟踪的可迁移接口级适配器

    论文提出了 ILA 模块,旨在解决在人形机器人受限环境或人机物理交互中直接跟踪参考运动存在安全隐患的问题。该方法无需专用交互传感器,通过适配机器人的观测历史来预测由物理交互引起的参考修正,使机器人能在响应物理引导的同时保留预训练运动跟踪器的能力。

  6. arXiv · 机器人与计算机视觉73

    SunLightBots:将阳光转化为自持高功率运动的软机器人

    论文介绍了 SunLightBots,这是一类亚克级、太阳能驱动的无缆软机器人,通过集成液晶弹性体与弹跳失稳机制实现能量积累与快速释放。系统在接近 1 Sun(100 mW/cm2)光照下运行,峰值比功率达 89 W/kg,并展示了持续的游泳、爬行和重复脉冲跳跃能力。

  7. Hugging Face Daily Papers74

    PhysLoop:利用 LLM 的物理感知实现视频生成模型的自我改进

    PhysLoop 是一个统一框架,旨在通过大语言模型(LLM)的物理知识来改善视频生成模型的物理动态和因果一致性。该框架在视频生成、选择和修正过程中指导并约束 LLM,将其物理知识蒸馏到物理一致的视频中,支持可控训练数据构建和推理时的视频修复。

11月12日周四
  1. Hugging Face Daily Papers56

    LLM 智能体工作负载的批处理延迟优化:基于推理与环境协同的方法

    该研究针对大模型智能体任务交替进行推理与环境交互的特点,提出了协调优化方案以减少批处理总耗时(makespan)。方法包括利用工作负载资源模型指导 GPU 显存分配、轨迹感知调度以复用缓存、以及在环境容量受限时将样本准入与执行解耦并引入链推进动作调度。

11月11日周三
  1. 盖世汽车 · 汽车资讯58

    速腾聚创与BitRobot联合发布100小时真实场景机器人数据集

    在CoRL 2026期间,RoboSense速腾聚创宣布与BitRobot达成战略合作,双方整合三维感知硬件与分布式采集资源以推动物理AI数据基础设施建设。作为合作成果,BitRobot发布了涵盖餐厅厨房、汽车维修等真实作业场景的RoboCap LiDAR-100数据集,数据采集总规模为100小时。

  2. arXiv · 机器人与计算机视觉63

    基于物理信息的可变形线性物体自监督动态操控方法 SPiD

    论文提出了 SPiD 框架,通过耦合精确的可变形物体质量弹簧模型与增强的自监督训练策略,实现了对绳类等可变形线性物体的快速平滑稳定控制。该方法在仿真和真实世界中均验证了其在不同初始状态、绳长及外部干扰下的泛化能力,并展示了从遥操作到自主执行的鲁棒性。

  3. arXiv · 机器人与计算机视觉35

    A Generative Data Framework with Reliable Supervision for Underwater Image Restoration and Enhancement 提出生成式数据框架

    针对水下图像恢复依赖高质量配对数据的难题,该框架利用自然照片构建 UWNature 数据集并合成输入以保留清晰参考源。实验在 6 种恢复架构和 3 个测试集上验证了其在客观指标、人类感知评估及合成退化与学习行为对应关系上的有效性。研究证实合成数据的空间合理性并非性能提升的必要条件,为构建可靠配对监督提供了可扩展方案。

  4. arXiv · 机器人与计算机视觉45

    EarthRecord:多模态智能体跨越四十年卫星影像进行土地变化分析的基准评测

    EarthRecord 基准基于 56 个站点四十年的 Landsat、MODIS、VIIRS 和 Sentinel-2 原始数据,提出 238 个涵盖十类任务的土地变化问题。评估显示十二个多模态智能体虽能完成端到端分析,但在需从影像映射变化时表现不佳;当单一卫星数据被篡改且地面实况不变时,半数正确答案随之改变。该基准旨在衡量并推动智能体从像素理解到真实地表变化的能力演进。

  5. arXiv · 机器人与计算机视觉42

    BoviShift:跨越六年的牛只视觉表型多属性审计数据集发布

    BoviShift 是一个由 2021 至 2026 年连续六个年度群体构成的牛只视觉数据集,包含 2,657 头牛、10,610 张静态图像及 2,566 段视频。研究基于固定 ResNet-50 基线评估了体重、年龄等五项属性在跨年份部署中的表现差异。该资源是目前已知跨度最长的结合连续年度群体与物理视觉属性的牛只视觉数据,旨在解决相关图像帧导致的可靠评估难题。

  6. arXiv · 机器人与计算机视觉58

    基于高斯过程增强的六自由度 AUV 模型预测轮廓控制研究

    针对小型全向水下机器人(AUV)在水下难以获取精确动力学模型的难题,本文提出一种非线性六自由度模型预测轮廓控制(MPCC)方法,通过高斯过程回归学习残差动力学并嵌入零阶鲁棒优化方案中,使控制器在 25 Hz 保持实时性。仿真消融实验表明残差选择至关重要,基于 MOLA AUV 的水下实验验证了该方法相比名义 MPCC 和工业界常用的 PID 控制器具有更优的轨迹跟踪性能。

  7. arXiv · 机器人与计算机视觉74

    DexSeed:将人类手物交互扩展为机器人演示以学习灵巧策略

    论文提出了 DexSeed 框架,旨在低成本生成多样化的、可物理执行的机器人演示数据用于灵巧视觉语言动作(VLA)学习。该方法基于 InteractionMesh 重定向和手臂轨迹增强技术,在保持抓取关系的同时适应不同物体几何与放置位置,并通过强化学习手指控制策略实现仿真中的可执行 rollout。

  8. arXiv · 机器人与计算机视觉78

    FastWild-GS:通过紧凑的单图外观适应实现分钟级野外高斯泼溅

    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。

  9. arXiv · 机器人与计算机视觉62

    基于驾驶室视角视觉控制融合的自主挖掘机联合状态推断

    针对现有挖掘机加装专用传感器成本高、维护难的问题,本文提出一种利用车载视觉观测与控制时序信息的闭环自主挖掘框架。该方法编码驾驶室视角图像的结构线索,建模历史摇杆指令的短期运动趋势,并为铲斗关节引入滚动状态缓冲区以在严重遮挡下保持时间连续性;同时将机械关节范围约束纳入学习目标以抑制不可行估计。

  10. arXiv · 机器人与计算机视觉78

    预训练潜在世界模型的少样本残差适应

    针对预训练潜在世界模型在部署时因物理动力学改变而失效的问题,本文提出一种无需修改预训练权重或识别具体参数变化的少样本残差适应方法。该方法通过自监督学习从潜在预测误差中获取修正项,同时应用于潜在预测器内部及其预测的潜在状态,且保持预训练世界模型冻结。

    推荐理由:该文提出一种冻结预训练权重的少样本残差适应方法,在质心与摩擦变化场景下恢复机器人控制成功率。

  11. arXiv · 机器人与计算机视觉73

    你的 VLA 有多少是 kNN:无需策略训练的检索演示复用与一致性评估

    论文针对视觉语言动作模型在 LIBERO 基准上表现优异但泛化来源不明的问题,提出通过检索邻近演示并复用动作片段即可在无策略训练下达到 91.7% 成功率。研究对比九种公开 VLA 发现微调主要优化了视觉语言骨干作为检索键的效果,且动作仍接近演示。

11月10日周二
  1. 量子位82

    蚂蚁灵波开源触觉预训练基础模型 LingBot-Touch

    蚂蚁灵波开源触觉预训练基础模型 LingBot-Touch 及其轻量版 Tiny,旨在解决原始触觉信号导致动作模型性能下降的问题。该模型将磁、视、压阻三类传感器数据统一编码为触觉 Token,支持跨硬件与传感器布局的泛化。

    推荐理由:蚂蚁灵波开源触觉预训练基础模型 LingBot-Touch,通过统一编码解决多传感器数据异构难题,显著提升机器人精细操作成功率。

  2. 量子位65

    成立四个月融资过亿:TensorWorld物原科技要跑通“物理真实”路线

    量子位报道了成立四个月的初创公司 TensorWorld 物原科技在一个月内完成过亿美元融资的消息。文章分析了该公司提出的“物理基础模型”路线,即通过融合几何与合成动力学预训练来构建物理直觉,旨在解决高保真数据昂贵及仿真难以复现真实摩擦形变等行业痛点。

  3. arXiv · 机器人与计算机视觉70

    StarWM:用于鲁棒世界模型的自监督训练注意力路由

    DeepMind 团队提出 StarWM 模型,利用自监督动态训练的交叉注意力机制指导视觉内容重建,有效平衡环境动力学捕捉与无关内容抽象。在 DeepMind Control 基准测试中,默认版本在随机帧干扰下表现最强,奖励增强变体在序列视频任务上达到最高回报。代码已开源。

  4. arXiv · 机器人与计算机视觉58

    WireSeg-32K:一个用于线缆实例分割的物理 grounded 合成数据集

    针对线缆等可变形细长物体分割难、标注贵的痛点,作者构建了包含 3.2 万张图像的 WireSeg-32K 合成数据集及配套的实世界测试集。该数据集通过耦合 Cosserat 杆动力学与 Isaac Sim 渲染的 DeformX 共仿真管线生成,确保线缆形状具备物理合理性与接触一致性。

  5. arXiv · 机器人与计算机视觉78

    FogDrive:一种用于分级雾况下感知任务的多模态合成驾驶数据集

    论文提出 FogDrive 数据集,基于 CARLA 生成约 660 个场景(共 13.3 万帧),每个场景包含清晰参考及三种校准后的雾密度版本。数据涵盖相机、深度、语义分割、LiDAR、语义 LiDAR 和雷达等多模态传感器响应。

    推荐理由:该数据集提供分级雾况下的多模态仿真场景,支持在已知能见度下训练感知模型并验证去雾策略的有效性。

  6. arXiv · 机器人与计算机视觉20

    ROS 2-MQTT-FIWARE 混合架构在温室多机器人协作中的验证

    针对地中海温室狭窄通道与金属干扰导致的通信瓶颈,该研究提出基于 ROS 2 边缘计算、MQTT 及 FIWARE 云平台的混合架构。系统在仿真环境及真实温室场景中验证了其在恶劣网络条件下维持持久连接与数据完整性的能力。该方法消除了信息孤岛,为低层机器人控制与高层 IoT 决策的协同提供了可扩展的去中心化解决方案。

  7. arXiv · 机器人与计算机视觉67

    Rectified Flows 的反演:基于轨迹直线性固定点选择方法 SelFix

    论文提出了 SelFix 方法,解决扩散模型反演中多解选择问题。该方法通过最大化逆轨迹的直线性来选择固定点解,在保留收敛性的同时提升重建与编辑质量。实验显示,SelFix 在 FLUX.1-dev 和 PIE-Bench 上优于现有基线,实现了更优的真实图像重建和源保持提示词编辑效果。代码已开源。

  8. arXiv · 机器人与计算机视觉58

    CADENCE:超越总成本的机器人多智能体路径规划执行时间预测研究

    论文提出 CADENCE 方法,针对工业仓储和共享工作空间中的机器人团队运动规划评估问题,指出标准指标如总成本(SoC)无法完全反映真实执行性能。研究在固定 7x7 工位上部署了七台差速驱动机器人,生成了涵盖空载、随机及瓶颈场景的 480 次硬件实验数据。

  9. arXiv · 机器人与计算机视觉38

    Swim2Real:视觉语言模型用于软体机器人鱼仿真校准

    Swim2Real 利用视觉语言模型(VLM)对比真实与模拟视频,通过回溯线搜索优化 16 个仿真参数以匹配软体水下机器人的变形与推进。独立预注册的五十种子实验显示,该方法在 40 次评估中将平均最佳误差较随机方向降低 63.4 mm、较置换方向降低 53.2 mm(p<10^-5)。

  10. arXiv · 机器人与计算机视觉85

    MolmoB0T:大规模仿真赋能零样本操作

    论文挑战“仿真无法直接迁移至现实”的共识,证明在足够大规模的合成训练数据下,无需真实数据采集或微调即可实现静态与移动操作的零样本泛化。作者开源了 MolmoBot-Engine 生成管线及包含 170 万专家轨迹的 MolmoBot-Data 数据集,并基于此训练了三类策略模型。

    推荐理由:提出仅靠大规模合成数据即可实现零样本现实世界操作,并开源了生成管线与百万级轨迹数据集。