跳到正文
11月18日周三
  1. arXiv · 机器人与计算机视觉48

    COAST:一种兼顾安全飞行走廊与快速响应的 B-Spline 轨迹规划器

    COAST 是一种基于 B-Spline 的在线轨迹规划器,通过 A*前端生成几何简单安全飞行走廊并利用二次规划优化控制点,在确保严格安全约束的同时将平均计算时间控制在 5 ms 以内。该方法利用 B-Splines 有限支撑特性保证曲线不越界,并结合 MINVO 变换与摄动最小化矩阵实现动力学可行且平滑的轨迹。研究已通过高保真仿真实验验证了该算法的有效性,源代码已公开。

  2. arXiv · 机器人与计算机视觉82

    随着学生模型 rollout 继续,视觉后门持续增长:在线蒸馏中的后门传播风险研究

    本文针对视觉语言模型的在线蒸馏(OPD)范式,挑战了其对后门传播具有天然抵抗力的直觉。研究发现,一旦超过临界阈值,攻击成功率会迅速接近 100%,且该过程不依赖显式恶意响应,而是由教师模型分配的异常概率质量累积驱动。作者提出了一种无需显式注入触发器的新型触发器设计,揭示了 OPD 中被忽视的后门传播机制及其潜在安全风险。

    推荐理由:该文挑战了在线蒸馏对后门传播具有天然抵抗力的直觉,揭示了在特定阈值下攻击成功率可达 100% 的机制及无需显式触发器的新设计。

  3. arXiv · 机器人与计算机视觉63

    低带宽协同感知的空间弹性共识方法

    针对车载通信预算受限问题,本文提出 Spatial Elastic Consensus (SEC) 框架,通过双向供需共识分配令牌预算以聚焦关键缺失证据而非冗余信息。该方法采用反膨胀先处理流程确保预算精确合规,并利用轻量形变采样器聚合稀疏消息以补偿空间上下文与姿态漂移。在 OPV2V、V2XSet 及 DAIR-V2X 数据集上,SEC 在 64KiB 严格预算下均取得最佳 [email protected] 性能。

  4. arXiv · 机器人与计算机视觉48

    当神经坍缩失效导致路由漂移:持续学习中的可靠性校准修正方法

    针对渐进式神经坍缩分类器在持续学习中出现的“路由漂移”现象,研究提出 Reliability-Calibrated Routing(RCR)轻量级后处理分类器。该方法在不重训表征的前提下,通过结合标准化 ETF 对齐与径向合理性证据,显著修复了全局路由损失。实验显示,其在五分之六的设置下实现了最优 Class-IL FAA,最大提升达 +6.75 FAA,并有效降低了所有六种设置下的类间遗忘。

  5. arXiv · 机器人与计算机视觉75

    扩散模型是否学会泛化基础视觉技能?VGL 框架揭示外推与组合泛化局限

    本文介绍 Visual Generative Lab (VGL),一个用于研究扩散模型如何学习和泛化基础视觉技能(如大小、位置、旋转、数量等)的受控实验框架。通过基于规则的合成数据训练,研究发现默认设计下模型的外推能力有限:尺寸和位置在训练范围外仅几像素即退化,数量泛化准确率约 50%,且组合泛化更依赖技能组合数而非数据集规模。代码与数据生成脚本已开源。

  6. arXiv · 机器人与计算机视觉45

    SignAligner:双粒度跨度生成实现手语字幕与单词对齐

    SignAligner 是一个提示条件视觉语言跨度生成器,联合训练于 BOBSL 语料库的字幕跨度和单词跨度。经重叠奖励优化后,该模型在 BOBSL 测试集上达到 66.68 [email protected],优于同架构基线及交叉熵续写方法。其能根据手语位置动态定位查询词,无需依赖视频中心固定位置,支持字幕对齐与单词跨度生成以供人工审查。

  7. arXiv · 机器人与计算机视觉35

    SkiNet-Sim:用数据模拟 Petri Net 以验证自主系统控制器

    SkiNet-Sim 提出一种融合数据感知转换与令牌的解释 Petri Net 形式化模型,旨在解决传统形式在工业应用中因语义简单或过度专业化而难以落地的难题。该研究通过机器人执行层建模及完整工业巡检任务案例,对比了经典形式与新形式在仿真及模型检测中的结果,并提供了轻量级工具以支持通用应用的数据感知状态空间探索。

  8. arXiv · 机器人与计算机视觉58

    CoBoVLA:利用离散码解耦语言与动作以实现鲁棒的机器人操作

    论文介绍 CoBoVLA(CodeBookVLA),这是一个拥有 2.5 亿参数的视觉 - 语言 - 动作模型,通过引入可解释的离散码将指令理解、规划与控制解耦。实验显示,在 LIBERO-Goal 基准上其成功率达 91.4%,优于 SmolVLA(82.8%);在指令同义改写测试中表现更稳健,且控制延迟仅为每步 17ms。材料指出语言理解仍是主要失败来源,并提供了预印本链接与补充材料。

  9. arXiv · 机器人与计算机视觉68

    真实机器人数据质量背后的隐藏变量:来自数十万小时数据的教训

    该研究报告了 25 台双臂机器人的运动学、遥操作控制及真实机器人微调实验结果。研究发现,位置可达性会高估方向感知任务覆盖率;并行化身体部位控制可将任务完成时间减少 43-53%;主动搜索演示能将臂选择准确率从 50% 提升至 100%;推理时校准错误会导致所有试验失败;策略仍保留约 90% 的无效绕行路径长度。报告建议在大规模采集前评估有效工作空间、控制效率及运动质量,以消除系统诱导的补偿行为。

  10. arXiv · 机器人与计算机视觉42

    DGV-DLIVO:退化引导视觉融合解决极端隧道环境下的直接激光雷达 - 惯性 - 视觉里程计问题

    DGV-DLIVO 提出一种针对水电溢洪道等长地下结构重复几何特征的自适应融合方法,利用激光雷达退化方向作为主动引导信号。实验显示该方法在手持或车载采集下保持连续运动估计,40 米隧道序列进度比达 91.4%,显著优于现有 LIO、LIVO 和 VIO 方法的停滞或发散问题。源代码与补充视频已公开提供。

  11. arXiv · 机器人与计算机视觉4

    nnU-Net 自配置框架在 FLARE 2026 Task 2 中实现分割表征复用的高效分类

    该研究提出一种基于 nnU-Net 的自配置框架,通过复用分割模型的编码器特征与预测概率进行图像级分类。实验显示复杂配置未持续提升性能,最终方案在公开榜单 Overall 得分为 0.8056。该方法在 FLARE 2026 Task 2 四项测试任务中综合排名第一,DSC、NSD 及 AUROC 指标均最优,且推理耗时低于每例 60 秒、显存占用低于 4GB GPU。

  12. arXiv · 机器人与计算机视觉56

    FailureGen:基于世界模型的机器人故障数据规模化生成方法

    该论文提出 FailureGen 方法,通过微调动作条件化的 Cosmos 世界模型,将记录的真实失败执行轨迹迁移到成功宿主上下文中,生成带有时间事件标注的合成视频以扩充故障场景数据。初步实验显示,结合合成数据的检测器平均精度为 0.51,优于仅用真实数据的 0.41,且能检测到更多故障区间。材料为预印本论文,未报告真实机器人部署结果或具体开源仓库。

  13. arXiv · 机器人与计算机视觉42

    ContraSense:超越常识偏见的视觉语言理解基准评测

    针对现有基准依赖常识先验的问题,研究团队构建了ContraSense基准,通过反直觉图文对强制模型基于视觉证据推理。在包含开源与闭源多模态大模型的全面评估中,最强闭源模型准确率仅约60%,而人类参与者达到96.04%。该结果揭示了当前MLLMs在忠实视觉理解上的不足,ContraSense基准已公开提供。

  14. arXiv · 机器人与计算机视觉62

    SandBAR:一种具有可移除频率支架的水下图像恢复频带非对称架构

    SandBAR 是一种针对水下图像恢复的新型统一频带非对称架构,旨在解决光散射和浑浊导致的低频外观失真与高频细节丢失问题。该架构在块、编码器和目标层面组织频带不对称性,引入保留后注意力修复槽位的频带非对称三明治块及 SPARK 模块,分别对低频进行通道感知的大范围校正和对高频进行轻量局部细化。

  15. arXiv · 机器人与计算机视觉38

    PURE:多粒度多模态身份匹配诊断基准发布

    PURE 是首个针对电商领域的多粒度多模态身份匹配诊断基准,涵盖感知、理解、推理及证据判断四个维度。该基准包含 1,457 道选择题和 14 个任务,验证显示跨十款最新多模态大模型的整体得分介于 47.1% 至 86.0%,揭示了现有模型在视觉差异定位与变体规则判断上的短板。

  16. arXiv · 机器人与计算机视觉45

    DAP-MR:面向真实超声超分辨率的退化感知提示幅度路由方法

    针对自然图像模型在超声扫描中语义提示不可靠的问题,DAP-MR 通过专用退化 token 与连续幅度路由器解耦类型与严重程度。该方法可无缝集成至单步或多步扩散框架,无需改变核心结构。实验表明,其在合成及真实无配对超声数据上均实现了更优的恢复质量与跨域泛化能力。

  17. arXiv · 机器人与计算机视觉51

    M3-Test:视觉问答联合扰动测试的覆盖缺口研究

    该论文提出 M3-Test,一种将干净输入与其单模态变体及完整联合扰动族对齐的覆盖率审计框架。研究发现,尽管四个视觉语言模型通过了 40 个单模态测试,仍有 26% 至 29% 的 Qwen 问题在联合扰动下失败,且仅靠最大强度角点无法消除此缺口。该工具支持将现有鲁棒性套件转化为请求级未测试账户,辅助接受度审查与回归分析。

  18. arXiv · 机器人与计算机视觉58

    超越情节回忆:面向终身具身导航的经验到知识进化

    针对现有记忆增强方法存储成本高且无法显式进化知识的局限,本文提出了 EvoNav 两时间尺度记忆框架。该框架将语义观测、空间关系及任务反馈线索组织为稀疏经验原子,并在慢时间尺度上将类别共现与反馈信号蒸馏为环境特定的结构知识,无需预定义对象 - 房间关系。实验在单目标、序列多楼层及多模态导航任务中验证了有效经验复用与路径效率提升,并成功迁移至真实机器人。

  19. arXiv · 机器人与计算机视觉58

    CosPert:一种用于文生图创意增强的无训练权重扰动方法

    arXiv 论文提出 Coupled Spectral Perturbation (CosPert),这是一种针对预训练文生图模型(如 FLUX.1、Stable Diffusion 3.5)的推理阶段创意增强工具。该方法通过一次敏感性分析识别注意力投影层,利用共享随机变换耦合奇异向量因子并扰动谱增益,无需额外网络或评估即可在采样时提升视觉多样性与物体结构变化,同时保持类别身份和提示词对齐。

  20. arXiv · 机器人与计算机视觉82

    InertialVideo World Models:引入惯性先验的视频世界模型

    论文介绍 InertialWorld 模型,该模型在自回归生成中利用惯性状态演化机制,避免每步重复重建导致的误差累积。核心组件 Inertial Memory 包含欧拉网格与拉格朗日载体,结合动作条件运动预测下一帧并融合新旧内容。实验涵盖机器人操作、3D 游戏仿真和开放世界导航,性能对标现有基线。代码链接见 arXiv 页面。

    推荐理由:提出将惯性作为先验的 InertialWorld,通过欧拉网格与拉格朗日载体结合,解决视频预测中的误差累积问题。

  21. arXiv · 机器人与计算机视觉36

    Cross-Modal StateKV Injection 实现多 LLM 系统跨时间段的视觉 KV 通信

    Cross-Modal StateKV Injection 提出一种通过视觉 token 位置的键值状态进行通信的框架,在 MLVU 和 Video-MME 数据集上相比文本通信基线实现了适度的准确率提升与更低延迟。该方案保留载体 KV-cache 长度并支持增加提供者侧帧覆盖以优化特定任务,相关代码与论文已作为预印本公开。

  22. arXiv · 机器人与计算机视觉48

    Where Do Human-to-Robot Transfer Gains Come From? 研究揭示人类数据迁移增益来源

    该研究在 MetaWorld 20 任务套件上验证,受控随机选取的 5,000 条记录子集在 20,000 次更新后,其相对于 40,000 条记录池的增益(3.69 个百分点)与任务知情子集基本持平。跨 12 项对比发现,固定预测器在至少一个保留折中表现落后于均值或难度参考,且观测与预训练交互作用符号随种子变化。这项回顾性研究证明,等容量控制、种子级报告及针对性干预会改变对表观迁移增益的解释。

  23. arXiv · 机器人与计算机视觉77

    当世界即测试套件:面向物理世界的智能体智力综述

    该文是一篇关于“面向物理世界的智能体智力”的综述论文,探讨了语言模型如何为机器人编写程序(如策略生成、奖励函数设计),以及如何利用物理仿真、形式化检查等手段进行低成本且可靠的验证。文章分析了从软件测试到物理测试的范式转移,讨论了经验留存机制及当前面临的基准评测挑战,指出未来进展依赖于建立类似持续集成的物理验证流程。

    推荐理由:本文提出将物理世界视为测试套件,探讨智能体在机器人编程中的写作、测试与学习机制。

  24. arXiv · 机器人与计算机视觉56

    无解码器解码:从扩散 Transformer 直接预测像素

    该论文介绍了一种名为 DWD 的方法,让微调后的扩散 Transformer 通过线性头直接输出最终像素,从而移除传统解码器以降低推理成本。实验显示,在 Wan 视频生成中该方法降低了 23% 的形变误差并减少闪烁;在文本到图像任务中将 ImageNet FID 从 1.55 提升至 1.43,成为像素流模型的新最先进水平。

  25. arXiv · 机器人与计算机视觉83

    Heave-Ho:去中心化长程多个人形协作框架

    论文介绍 Heave-Ho 框架,旨在解决人形机器人长程协作中的全身交互、长期规划与同步难题。该框架在底层利用多智能体后训练适配物理耦合交互,在高层训练视觉语言规划器并设计基于语音的领导者 - 跟随者协调机制,实现无需网络通信的去中心化执行。

    推荐理由:提出去中心化多个人形协作框架,通过视觉语言规划与语音协调机制实现无需网络通信的长程协同。

  26. arXiv · 机器人与计算机视觉85

    SARVIA:一种快速适配合成孔径雷达基础模型的方法

    针对合成孔径雷达(SAR)基础模型依赖昂贵预训练的问题,本文提出 SARVIA 方法,利用现代多模态大语言模型(MLLMs)已有的视觉编码器作为下游初始化。该方法通过自监督视觉问答任务对 MLLM 进行自适应后预训练,仅需 600 步和 2 GPU 小时即可在六个 SAR 检测与分割基准上超越专用基础模型。研究将重点从重复的昂贵预训练转向可复用的专业化过程,并开放了数据集与代码。

    推荐理由:提出 SARVIA 方法,利用现有 MLLM 视觉编码器通过自监督微调实现合成孔径雷达任务的高效适配。

  27. arXiv · 机器人与计算机视觉38

    ALERT:一种通用轻量级人体避让流水线扩展全身运动追踪器

    ALERT 是一种通用且轻量级的流水线,用于将人类感知与主动避让能力集成至预训练的全身运动追踪策略中。仿真与现实实验表明,该方法在保留原有动作能力的同时实现了局部无碰撞执行及参考轨迹的快速恢复。该研究作为预印本发布于 arXiv,代码与权重开放许可状态待进一步确认。

  28. arXiv · 机器人与计算机视觉80

    Cross3DGS:基于 Vulkan 的统一 3D Gaussian Splatting 训练方法

    论文 Cross3DGS 针对手持设备捕获场景需回传工作站训练的痛点,提出一种跨厂商、跨平台的 Vulkan 训练器。该方法在保留单一优化器的同时,根据设备限制和驱动表现动态选择执行计划,支持 NVIDIA、Intel、Arm、Qualcomm、AMD 及 Apple GPU(含 Android 与 iPhone)。

    推荐理由:Cross3DGS 提出跨厂商 Vulkan 训练器,在移动端实现高质量 3DGS 训练并优于现有工具。

  29. arXiv · 机器人与计算机视觉66

    CoSphere-SLAM:基于球面闭环的多智能体全景高斯泼溅 SLAM

    论文提出了 CoSphere-SLAM,这是首个针对全景相机的多智能体高斯泼溅 SLAM 框架。该方法利用快速傅里叶相关在任意方向对齐球面特征以解决对称房间误匹配问题,并通过全局 Sim(3) 共识剔除假闭环;同时采用方向性全局优化修正尺度漂移并分离光流与深度量级,最后通过全向高斯融合联合优化位姿与地图。实验表明其在室内及跨会话多智能体基准测试中达到了最先进的轨迹精度和渲染质量。

  30. arXiv · 机器人与计算机视觉73

    从温度受限到电池受限:腿部运动策略研究

    针对腿式机器人因关节电机过热导致运动中断的问题,本文提出一种无需直接观测温度的强化学习方法。通过构建 13 节点集总 RC 热网络模型预测电机温度,设计奖励函数驱动策略降低最高稳态温度。实验在 Unitree Go2 四足机器人上验证,该方法将 5kg 负载下的持续运动时间从 19 分钟(热关机)提升至 174 分钟(电池耗尽),实现了从热受限到电池受限的转变。

  31. arXiv · 机器人与计算机视觉42

    TRIDENT:水下机器人视觉感知的高效三任务学习模型

    TRIDENT 模型通过单一骨干与三个并行解码器,高效完成去雾、深度估计及不确定性评估三项水下视觉任务。实验显示该模型在图像增强和深度估计上显著优于现有方法,且在内存占用与推理时间效率上更优。其联合学习方法展现了稳健的特征匹配能力,并实现了从二维到三维视觉任务的无缝扩展。

  32. arXiv · 机器人与计算机视觉62

    ExplicitIR:一种用于全合一图像复原的显式空间策略场方法

    针对现有全合一图像复原方法中适应策略隐含于特征表示、导致清洁区域过平滑及局部退化校正不足的问题,论文提出了 ExplicitIR 模型。该方法通过空间策略估计器(SPE)预测两个显式逐像素字段:Budget 用于确定更新位置与强度,Style 用于选择窄或宽上下文窗口,并由策略自适应解码块(PADB)进行融合。

  33. arXiv · 机器人与计算机视觉35

    Joint-ID:基于 Transformer 的水下图像增强与深度估计模型

    Joint-ID 是一种基于 Transformer 的神经网络,通过联合学习实现水下原始图像的感知质量增强与深度信息获取。该方法在合成及标准数据集上评估有效,并能在高浊度真实水下环境中进行特征匹配与显著性检测以辅助视觉引导机器人。论文由 IEEE Sensors Journal 于 2024 年发表,代码与权重暂未公开,仅允许个人使用。