跳到正文
11月16日周一
  1. arXiv · 机器人与计算机视觉13

    蓝船自主水面艇实现有害藻华原位监测与预测建模

    该系统集成 BlueBoat 自主水面艇、深度控制绞车及多参数水质传感器,在路易斯安那州庞恰特雷恩湖和假河开展实地部署。通过自动航点任务采集叶绿素等指标并评估机器学习分类器,验证了模块化平台重复收集多模态数据的可行性,为未来自主监测系统奠定基础。

  2. arXiv · 机器人与计算机视觉70

    隐藏启动延迟随机化提升自博弈交接的跨伙伴鲁棒性

    该研究针对合作自博弈中接收方对陌生伙伴鲁棒性差的问题,发现共享奖励下学习到的给予方总是立即开始动作导致接收方策略固化。通过引入接收方不可观测的隐藏启动延迟随机化(HSD),在 300 次额外更新后,与未见过的新脚本伙伴交接成功率从 31% 提升至 80%,且大幅降低高力接触次数,无需重新训练伙伴。

  3. arXiv · 机器人与计算机视觉58

    视觉语言动作模型:设计与训练及部署的生命周期综述

    这篇论文回顾了 2022 年 12 月至 2026 年 10 月期间关于 VLA 模型的 88 项工作,涵盖操作、导航、人形控制及世界动作模型。文章沿七个维度分析了 22 个代表性模型的设计架构、训练数据(从遥操作到社区收集)及部署速度,指出模型参数规模出现分裂趋势,并讨论了部分模型在物体或相机轻微移动时表现脆弱的问题。

  4. arXiv · 机器人与计算机视觉84

    重型机械杂技:通过强化学习实现滑移装载机动态控制

    该论文展示了利用强化学习(RL)结合仿真到现实(sim-to-real)迁移技术,成功自动化了复杂液压驱动的重型机械——John Deere 332G 滑移装载机的极限动作。策略使机器能够自主完成两轮平衡、跨越崎岖地形、绘制指定轨迹及旋转等高难度杂技动作,此前这些操作仅由少数精英人类操作员在世界纪录级别的表演中实现。

    推荐理由:作者展示强化学习在仿真中训练的策略成功迁移至现实,实现了推土机在两轮平衡状态下跨越崎岖地形并自主完成高难度杂技动作。

  5. arXiv · 机器人与计算机视觉82

    PROOF:通过分布外回退实现腿部运动的感知鲁棒性

    论文提出 PROOF 框架,采用两阶段师生学习范式显式建模感知可靠性,使 Unitree Go2 四足机器人在严重视觉干扰下仍能维持稳定运动。方法在正常条件下支持高动态跑酷动作,并在遮挡或光照变化时抑制不可靠的外界特征输入。该工作为 CoRL 2026 投稿的预印本,评估基于搭载 RealSense D435 深度相机的真实世界设置。

    推荐理由:提出基于分布外回退的感知鲁棒性框架,在视觉退化下保持四足机器人运动稳定性。

  6. arXiv · 机器人与计算机视觉58

    ESI:一种用于 LLM-VLA 智能体的具身自我改进飞轮

    ESI 是一种自动化的飞轮系统,利用环境交互来对齐大语言模型(LLM)的推理与视觉 - 语言 - 动作(VLA)策略的动作执行。该系统将模块化智能体作为后训练单元,反复优化引导 LLM 的提示词、表达意图的技能接口以及实现意图的 VLA 参数,并重新部署这些组件。

  7. arXiv · 机器人与计算机视觉48

    PoliMop:面向移动机器人的三维空间闭环策略运动规划方法

    PoliMop 提出一种利用物理仿真挖掘控制策略技能的运动规划器,通过结合预规划质点路径引导采样,将规划时间缩短最多 63%。该方法在四足、人形及轮式机器人上无需修改底层算法即可实现即插即用,并能自动识别如搭建桥梁等预设环境改造以扩展可达空间。相关代码与视频已公开,论文为 arXiv 预印本状态。

  8. arXiv · 机器人与计算机视觉48

    基于显式约束空间的通用安全感知机器人行为规划方法

    针对桌面环境安全约束依赖场景且指令未明确指定的挑战,该研究提出一种集成显式约束空间存储、任务与环境条件化适用性学习及多模态安全检查的行为规划框架。系统通过轻量级双塔模型识别适用约束,利用多模态安全检查器评估并修正初级计划,结合 LoRA 进行测试时自适应与参数高效微调以应对未知风险。该框架实现了显式安全知识表示、上下文感知选择、纠错检查及知识自适应的闭环整合,旨在提升机器人行为规划的安全性。

  9. arXiv · 机器人与计算机视觉78

    通过身体对齐虚拟关节跨人形机器人复用运动控制训练配方

    针对现有传输模型未标准化策略接口导致难以跨机器人复用的问题,本文提出在上游映射层引入身体对齐的虚拟关节空间。该方案使策略动作与观测遵循统一解剖学约定,并通过确定性运动学层将虚拟目标映射到原生坐标,保持底层控制栈不变。实验在三种不同腿部轴布局的人形机器人及宇树 G1 硬件上验证,证明该方法能准确跟踪、保持足部对齐且训练稳定,并将航向漂移降低近六倍。

    推荐理由:提出身体对齐虚拟关节空间,在三种不同构型人形机器人上复用同一强化学习策略,显著降低航向漂移。

  10. arXiv · 机器人与计算机视觉5

    Per-Agent-Safe Navigation of Globally Driven Robot Collectives via Affine Field Design 提出广播控制方案实现安全导航

    该方法通过单一空间仿射场同时调控机器人集群的运动与形变,利用控制屏障函数在单个二次规划中强制执行每机器人的避障、执行器及凝聚约束。实验表明该控制器能自适应调整集群尺寸以通过窄走廊,且两个独立驱动的集群可无需互协调地同时穿越共享路口。

  11. arXiv · 机器人与计算机视觉78

    跨视图一致性在多视图外观增强中的重要性:一项针对视觉运动策略的受控研究

    Zixuan Jiang 在 arXiv 发布了一项关于多视图视觉增强的受控研究,利用仿真状态回放解耦了跨视图关联与单相机扰动分布。实验涵盖七个 LIBERO 操作任务,结果显示全局外观、鬼影注入和目标颜色的边际匹配变化对晚期融合扩散策略的平均成本影响微小;而几何反耦合观测使成功率下降约 3.30 个百分点。

    推荐理由:该研究通过受控实验量化了多视图外观增强中不同一致性形式对下游控制策略的影响,为选择性约束提供了依据。

  12. arXiv · 机器人与计算机视觉78

    模仿策略学习本体感知锚点:感知噪声的预测定律及其闭环成本

    针对机器人操作任务中模仿策略在训练时利用本体感知信息(proprioceptive anchor)来折扣感知噪声的现象,本文给出了一个基于方差比 $eta = V/(V + s^2)$ 的解析公式。

    推荐理由:论文揭示了模仿策略如何利用本体感知锚点修正感知噪声,并在闭环部署中验证了该机制对成功率的预测能力。

  13. arXiv · 机器人与计算机视觉48

    预训练视觉表征在富接触插入任务策略学习中的效用研究

    针对富接触操作(如插入)中视觉模仿学习数据效率低且易受无关视觉干扰的问题,研究对比了主流视觉基础模型与显式以接触为中心的表征。实验通过遮挡和物理容差扰动验证发现,最佳表征存在显著任务依赖性,但空间锚定及接触中心信息在仿真与现实实验中均展现出独特价值。该工作强调了在真实视觉复杂度和传感器噪声下可靠估计此类线索的难度,并呼吁进一步研究感知与策略学习的融合。

  14. arXiv · 机器人与计算机视觉78

    欠功率双摆的自然摆动上升方法

    针对电机扭矩仅占肩关节重力矩约 6% 的欠功率直接驱动平面两连杆机器人,本文提出沿其非线性正常模态进行摆动上升的方法。该方法将输入力矩分解为功率中性的转向分量与标量泵送分量,利用基于模型的误差率约束构建线性规划以最大化能量注入,无需稳定化反馈增益。硬件实验验证了沿两种模式的摆动上升能力,并与求和截断及优先稳定化策略进行了对比。

    推荐理由:原文提出利用非线性模态控制欠功率双摆,通过线性规划分配能量注入与稳定化输入。

  15. arXiv · 机器人与计算机视觉30

    Talk to Act:首个合成多轮对话基准助力小参数模型实现机器人意图提取与动作规划

    Talk to Act 发布了一个合成生成的多轮对话数据集,旨在评估无需特定微调的小参数语言模型(270M 至 8B)在机器人场景下的意图提取与动作规划能力。实验表明,这些紧凑模型在本地部署环境下即可实现合理的任务性能,为构建高效的人机交互系统提供了实用基线。

  16. arXiv · 机器人与计算机视觉74

    学习潜在目标成本以支持视觉世界模型的规划:基于扩展课程的方法

    针对冻结视觉世界模型中图像 - 目标规划依赖预测观测评分的问题,本文提出在预训练 I-JEPA 嵌入上拟合小残差适配器来优化潜在目标成本。该方法利用成功轨迹的观测顺序及失败回滚推断的比较进行学习,无需任务特定进度标签。

  17. arXiv · 机器人与计算机视觉74

    Racing the Clock:预算条件化的物体搜索教学

    该论文提出在视觉语言导航任务中引入显式时间预算约束,对比了基于全局地图的最优路径专家与基于部分可观测性的贝尔曼方程专家对智能体的监督效果。实验表明,尽管最优路径专家性能更高,但贝尔曼监督在探索未知场景时表现更优,特别是在长预算条件下能发现更多目标实例。

  18. arXiv · 机器人与计算机视觉78

    Agentic-Teacher:面向失败的 VLA 后训练智能体数据引擎

    Agentic-Teacher 是一个用于视觉语言动作(VLA)模型后训练的自主数据引擎。该引擎接收预训练检查点、任务规范及环境工具,通过分析失败执行轨迹选择干预状态,迭代开发闭环代码策略以收集成功演示。

    推荐理由:提出利用智能体自主生成失败驱动数据的引擎,结合动作噪声与流匹配过滤优化演示质量,在仿真环境中显著提升 VLA 模型成功率。

  19. 盖世汽车 · 汽车资讯70

    大晓机器人发布ACE-CaP-0模型,精细任务执行压缩至分钟级

    大晓机器人近日发布最新研究成果ACE-CaP-0,该研究探索通用模型通过主动获取经验自主开发、验证和优化机器人技能。ACE-CaP-0创新性地结合按需示范与按需仿真机制,AI智能体可自主判断请求人类示范或开展仿真实验,并结合真机反馈修订代码策略。

11月14日周六
  1. The Robot Report45

    Food Robotics 2.0:从 B2C 转向 B2B,Chef Robotics、ATOMS 等企业在北美与欧洲规模化部署助餐机器人

    食品机器人行业正从直接售餐的 B2C 模式转向赋能餐饮企业的 B2B 模式,以解决劳动力短缺并提升投资回报率。Chef Robotics 机器人在北美和欧洲已规模化部署,累计完成超 1.45 亿份餐食制作;ATOMS 由 Uber 联合创始人 Travis Kalanick 领导,已融资 17 亿美元。

11月13日周五
  1. arXiv · 机器人与计算机视觉82

    两步思考:利用自 grounding 验证缓解 MLLM 一致性偏差

    论文评估了跨 13 个模型和 28 种设计的 MLLM 验证器,发现其存在严重的‘一致性偏差’(过度认可代理行为)。作者提出 SGV 方法,通过先生成行为先验再基于此进行推理判断,显著提升了失败检测率和准确率。

    推荐理由:提出 SGV 方法缓解 MLLM 验证器的一致性偏差,在 OSWorld 等任务中提升完成率达 20pp。

  2. arXiv · 机器人与计算机视觉75

    CLASP:一种用于新鲜市场蓝莓采摘的集群级自主选择性采摘机器人

    针对传统过行收获机非选择性损伤果实、且现有选择性机器人仅针对单果效率低的问题,本文提出 CLASP 机器人系统。该系统配备软式主动滚带夹爪(SARB-Gripper),通过闭环力控将拉力控制在未成熟果实脱落阈值以下;结合眼手相机与眼在手相机的全局 - 局部感知管线实现簇定位与姿态估计。

  3. arXiv · 机器人与计算机视觉72

    WISE:面向 VLA 模型高效后训练的世界模型引导式想象调度

    WISE 是一种统一框架,用于协调视觉语言动作(VLA)模型在后训练阶段何时以及如何利用世界模型的想象能力。该方法仅在交互相关状态调用想象,执行有界的多视角展开,并利用进度与完成信号评估候选未来,从而在减少约 80% GPU 计算时间的同时,在多种操作任务中提升性能并增强真实分布偏移下的鲁棒性与泛化性。材料为 arXiv 预印本,未提及同行评审状态或具体开源代码仓库。

  4. arXiv · 机器人与计算机视觉74

    TEMPO:面向视觉语言动作模型的语义 - 动作解耦强化学习后训练

    论文提出 TEMPO 框架,通过冻结预训练的视觉语言骨干网络,利用两个专用强化学习回路分别更新产生潜在动作条件的语义投影层和低级动作专家。该方法限制潜在动作漂移并允许动作专家从在线反馈中学习。实验在 CALVIN 基准和真实世界操作任务上验证了 TEMPO 优于预训练最先进模型及强化学习后训练基线,且在三个真实任务中达到并保持更高的评估奖励。

  5. arXiv · 机器人与计算机视觉47

    基于 Loewner 序下界的黎曼流形直接信息采样方法研究

    该方法提出利用矩阵值可容许启发式函数,在保留黎曼度量方向结构的同时计算张量最紧常数下界。实验验证显示,在 UR5、Franka 及 PR2 机器人执行操作任务时,其生成的信息集比欧氏距离和标量特征值界限更紧致,加速了多种渐近最优规划器的收敛速度。该研究已提交至 IEEE RA-L 期刊并附 arXiv 预印本代码。

  6. arXiv · 机器人与计算机视觉72

    设备端机器人规划:通过消除推理冗余实现高效决策

    基于大语言与视觉语言模型的机器人策略虽具备强语义规划能力,但高推理延迟限制了实时部署。本文提出 REIS 框架,受人类认知启发,利用连续观测中动作与子目标重复的时序冗余特性,结合轻量级场景门控、KV 引导的可操作路由及深思熟虑的推理机制,在保持语义适应性的同时显著降低推理开销。实验表明该方法在 ALFRED 基准及真实世界任务中均能维持具有竞争力的性能。

  7. arXiv · 机器人与计算机视觉5

    软体气动致动器综述:从运动生成到性能优化

    该综述针对软体机器人中仅靠压力无法决定气动致动器性能的难题,系统分析了腔室形状、增强件布局及折叠结构等设计策略对线性、弯曲、扭转和全向四类运动的影响。文章进一步探讨了材料刚度与内部约束层如何权衡出力、气耗、重复性及耐用性,为穿戴、生物医疗及移动机器人应用中的紧凑高效系统设计提供选型依据。

  8. arXiv · 机器人与计算机视觉18

    LSSA 软线性气动执行器力学分析与实验验证

    针对软袖式执行器出力机制不明的问题,研究构建了包含轴向刚度的准静态分析模型。实验表明在 125 kPa 压力下,该 LSSA 出力随延伸从约 112 N 降至近零,且静载荷会显著降低输出力。结果证实了压力、几何形变及轴向刚度对软体执行器力学行为的耦合主导作用。

  9. arXiv · 机器人与计算机视觉42

    Model-Predictive Spill-Free Emergency Stopping for Liquid-Manipulating Robots

    该系统将紧急制动建模为最优控制问题,在模型预测控制框架下生成时间最优且防溢出的停止轨迹。作为即插即用的安全层,该方法叠加于现有无晃动运动规划之上,能在检测到危险时立即响应非线性液体动力学。仿真及七自由度 Franka Emika Panda 机器人实验证实,系统可实现快速紧急制动且不发生液体溢出。

  10. arXiv · 机器人与计算机视觉75

    NS-VLA:迈向神经符号视觉语言动作模型

    针对长视野任务中现有视觉语言动作模型存在的结构盲视、泛化受限及优化扁平等问题,本文提出一种新型神经符号 VLA 框架。该框架引入神经符号编码器将指令解析为受门控单调阶段指针跟踪的原始计划,利用神经符号求解器基于活跃子指令条件化块状 VLA 策略,并通过分层联合策略优化在演示片段上拟合指针并利用成功过滤的在线学习细化动作策略。

  11. arXiv · 机器人与计算机视觉82

    AnyCamVLA:一种无需微调即可实现视点鲁棒的视觉语言动作模型相机自适应方法

    针对视觉语言动作模型(VLAs)在特定环境部署需微调且对相机视角变化敏感的问题,本文提出 AnyCamVLA 零样本相机自适应框架。该方法利用前馈新视图合成模型,在测试时将实时观测的图像虚拟调整为与训练配置匹配的目标视角,无需额外演示数据、策略微调或架构修改。

    推荐理由:提出无需微调的零样本相机自适应框架,通过实时合成目标视角图像提升 VLA 在真实场景中的鲁棒性。

  12. arXiv · 机器人与计算机视觉42

    SunnyParking:多拍轨迹生成与运动状态感知的人机一致泊车算法

    SunnyParking 提出双分支端到端架构,联合预测空间轨迹与离散运动状态序列以解决传统方法在换档点物理不可行问题。该方法引入傅里叶特征表示目标车位,在 CARLA 仿真数据集上显著提升了复杂多拍场景下的轨迹鲁棒性与换档定位精度。论文已接受发表于 IEEE Access,并开源了专用泊车数据集供评估全预测能力。

  13. arXiv · 机器人与计算机视觉65

    SAGAS:基于语义感知的图辅助拼接用于离线时序逻辑规划

    论文提出 SAGAS 框架,解决线性时序逻辑(LTL)机器人规划中模型合成依赖准确状态机、学习方法需在线交互的权衡问题。该框架在无动力学模型与任务演示的离线设置下,利用固定轨迹片段学习可复用的隐式可达性图与冻结的目标条件执行器。

  14. arXiv · 机器人与计算机视觉72

    CineWild:一种平衡艺术与伦理的野生动物纪录片无人机自主航拍模型预测控制方法

    论文介绍 CineWild,这是一种针对野生动物纪录片的无人机自主航拍模型预测控制(MPC)框架。该方案联合控制无人机运动与相机焦距,通过自适应变焦、避开动物视野及平滑低噪机动,在影像质量与动物福利间取得平衡。研究在仿真环境中进行了消融实验并与基线对比,同时在真实世界完成了感知与相机执行管线的概念验证。作者表示将开源代码。

  15. arXiv · 机器人与计算机视觉68

    Agentic Aerial Cinematography:从对话线索到电影级轨迹的自主空中摄影框架

    论文提出了 Agentic Aerial Cinematography (ACDC) 框架,旨在弥合智能体在数字环境中的推理能力与物理世界任务执行之间的差距。该框架通过执行器将智能体对电影意图和视觉判断的解释锚定在场景几何与飞行约束上:给定自然语言请求和三维场景表示,智能体选择相关视角并通过视觉反馈进行优化,随后利用优化与运动规划生成可执行的无人机航迹。