跳到正文
11月13日周五
  1. arXiv · 机器人与计算机视觉48

    FORGE:具身智能灵巧操控的力感知多粒度控制系统

    FORGE 提出一种无需全身运动轨迹或关节角度参考的力感知多粒度控制系统,仅需稀疏的双腕位姿与粗略运动指令即可部署。该系统结合动量观测器与仿真接触力监督训练的修正策略,在无手腕力/力矩传感器下通过本体感觉估计低频等效交互力并稳定全身校正。实验验证了其在刚性物体持续接触挤压、不同负载下的蹲起搬运任务中的统一控制稳定性及下游扩散策略执行效果。

  2. arXiv · 机器人与计算机视觉83

    SALA:语义对齐的潜在动作实现具身基础模型的双轴扩展

    针对现有潜在动作模型仅通过视频重建导致表征按外观聚类而非动作的问题,该研究引入 SALA 方法,利用人类与机器人视频的语言描述估计语义相似度并建立跨载体对应关系。

    推荐理由:提出利用语言描述对齐人类与机器人潜在动作,无需配对数据即可统一监督信号。

  3. arXiv · 机器人与计算机视觉20

    LLM 效用最大化与容错管理综述:基于决策理论的自适应依赖机制研究

    该综述提出通过适应系统对大语言模型(LLM)的依赖程度来平衡其高效用与固有错误风险。方法借鉴经典决策理论与在线学习,依据 LLM 角色及贡献类型动态估计可靠性并调整信任度。独立验证机制可防止罕见但关键错误的执行,确保在有限研究背景下将误用风险控制在理论边界内。

  4. arXiv · 机器人与计算机视觉75

    基于高斯过程的信息路径规划:误差界、算法与基准

    本文针对环境监控中的信息路径规划(IPP)问题,指出当前方法受限于启发式约束且缺乏同时满足最坏情况估计误差和逼近质量的理论保证。研究通过评估重构误差的概率与确定性界限,证明预测方差是 GP 基 IPP 的理论理想优化目标;分析表明 GreedyCover 算法的近似保证匹配了该问题的根本性近似硬度极限。

  5. arXiv · 机器人与计算机视觉38

    AgriSense:虚拟温室中的视觉语言决策支持与机器人干预框架

    AgriSense 框架结合 Isaac Sim 虚拟温室与四足移动操作臂,利用冻结的 DINOv2 和 BERT 编码器联合预测十二项环境参考及干预标志。在源分组测试集上,全模型、去图像及去语言配置均达成 43/44 次区域决策正确率,未体现多模态增量增益;温度与湿度预测误差分别为 0.249 度和 2.03 个百分点。

  6. arXiv · 机器人与计算机视觉45

    考虑 texting 行人的注意力感知导航框架通过代价地图调优提升安全与效率

    针对手机分心行人不可预测的偏离行为,该研究提出基于 3D 骨骼特征和随机森林分类器的实时注意力感知导航框架。用户研究显示,在 252 次试验中,该方法相比仅用 LiDAR 或仅轨迹预测的基线,显著提升了平滑度与可预测性且未增加通行时间。实验证实,只有结合注意力状态感知的代价地图调整,才能有效改善主观导航质量。

  7. arXiv · 机器人与计算机视觉45

    HALO:具身智能全身体移动操作的人机对齐数据采集系统

    HALO 是一种针对全身体移动操作的人机对齐数据采集系统,通过保留直接物理反馈与天然运动能力解决现有接口在感知、动作对齐及操作员移动性上的权衡难题。相比 Mobile ALOHA 和 VR 遥操作,HALO 将演示采集速度提升最高 2.9 倍,同时在六阶段长视界任务中保持相当或更高的成功率。经部署对齐处理策略训练后,系统在涉及重复协调基座与手臂运动的复杂操作中达到 73.3% 的成功率。

  8. arXiv · 机器人与计算机视觉82

    I See What You Want:从视觉遥操作历史解码层级化操作意图

    论文介绍 VI AMO 数据集,包含来自 11 个机器人源的 6,600 集视频及动作与任务标注。研究提出 VIM 模型,在未见测试数据上对原子动作和任务的预测相似度分别达到 0.825 和 0.821,且在标签缺失情况下仍保持较高性能。

    推荐理由:该工作提出 VI AMO 数据集与 VIM 模型,能从视觉历史解码人类意图,使 VLA 策略在未见环境中接管任务并显著降低遥操作时间。

  9. arXiv · 机器人与计算机视觉78

    记住改变几率的事件:用于长视界操作的评论门控事件记忆

    针对长视界操作中因任务进度和早期尝试结果导致的决策别名问题,本文提出 CGEM 方法。该方法利用评论器筛选能显著改变成功概率预测的事件进行记忆,将正负变化分别编码为进展与失败记录,并在子任务完成后丢弃失败记录以降低成本。在十个子任务的诊断环境中,CGEM 达到 88.0% 的成功率,而传统观察窗口和运动学事件记忆方法成功率均为 0.0%,移除失败记录后成功率降至 1.7%。

    推荐理由:提出基于结果导向的评论门控事件记忆机制,解决长视界操作中决策别名问题。

  10. arXiv · 机器人与计算机视觉59

    MotionSkill:从双足运动视频到跨具身控制的迁移方法

    MotionSkill 通过从单目视频中恢复时间参考帧,并在仿真中将其适配至不同的目标机器人。该方法对齐根运动与身体地标,利用目标肢体长度在关节限制下求解逆运动学。研究者在 MuJoCo 平台上针对十种双足机器人分别训练了残差策略,使其能根据接触状态修正关节指令。实验显示,该模型在原始视频步态上完成了 98% 的初始状态任务,在遮挡上半身一秒的情况下完成率为 26%。

  11. arXiv · 机器人与计算机视觉73

    基于混合地形建模的防塌陷撤退记忆高效并行策略学习

    针对灾害现场机器人接触导致未检查地形塌陷的问题,论文提出一种记忆高效的并行策略学习框架。该方法通过混合地形建模结合非塌陷区域的刚体仿真与可塌陷区域的虚拟接触力,在共享刚性物体可塌陷地形上实现间接干扰下的独立状态 - 动作经验采集。

  12. arXiv · 机器人与计算机视觉72

    任务级经验蒸馏用于具身导航:让被调用的 VLA 学习代理的经验

    论文提出 H2E 方法,将导航代理(LLM 规划器调用 VLA)的成功会话转化为 VLA 训练数据,使 VLA 在测试时独立导航。该方法保留原始任务指令下的动作并将目标位姿作为奖励,同时屏蔽远离目标的步骤损失,将在 1 米内的访问状态标记为停止点。

  13. arXiv · 机器人与计算机视觉72

    BWM-Forge:面向具身智能的智能体世界编程技术报告

    BWM-Forge 是一个用于可控机器人视频生成的代码驱动框架。给定机器人资产和任务描述,该框架接受初始图像、含运动数据的图像或人类演示视频作为输入。一个编码智能体构建可编辑的 Blender 场景程序以指定物体、机器人运动和相机视角;生成的代理视频为视频生成模型提供结构和运动参考,后者负责添加视觉细节。

  14. arXiv · 机器人与计算机视觉45

    耦合控制屏障函数方法实现无死锁多机器人冲突解决

    该研究提出一种基于二次规划(QP)的反馈控制器,利用耦合控制屏障函数(CBF)与让行矩阵在输入约束下保证多机器人系统无死锁运行。理论分析确立了局部 Lipschitz 充分条件及有限减速导致的不可约松弛分量边界,仿真验证了其在不同让行偏好下的自适应协调及对机器人故障的鲁棒性。

  15. arXiv · 机器人与计算机视觉51

    可见性感知任务与运动规划:面向任务中心的感知方法

    针对长视界操作中的不确定性问题,本文提出一种可见性感知任务与运动规划算法,将现有确定性求解器扩展至部分可观测物体重排场景。该方法在规划骨架中交错插入感知动作,并利用基于持久对象的记忆融合观测数据以构建物体网格假设和占据栅格图。在具有严重遮挡和部分可视性的真实桌面重排任务上评估表明,该算法优于未执行主动感知或缺乏持久记忆的基线方法。

  16. arXiv · 机器人与计算机视觉72

    面向眼动视频的拓扑感知 4D 高斯泼溅:首个拓扑变化重建基准与方法

    针对现有 4D 高斯泼溅在处理切割、组装等拓扑变化时产生严重伪影的问题,本文提出 TopoEgo 基准和 Topo-4DGS 方法。Topo-4DGS 通过为交互部件分配独立刚性变换并动态激活/停用高斯点来联合建模部件级运动与随时间变化的表面支撑。实验表明该方法在拓扑变化场景下显著优于现有最先进方案,代码和数据将公开。

  17. arXiv · 机器人与计算机视觉58

    DexRemo:一种用于接触丰富移除操作的力觉传感手部平台及任务套件

    针对分离粘连、嵌入或受约束目标的需求,研究团队提出了 DexRemo 三指机械手平台,具备高力驱动、模块化指尖及三轴力传感能力。系统采用腕系中心坐标系统一表达指尖力,结合动作分块 Transformer 骨干网络,融合多视角视觉、本体感知与力觉观测以预测闭环动作片段。

  18. arXiv · 机器人与计算机视觉78

    MOSAIC:面向杂乱场景的模块化障碍物与空间感知操作框架

    针对现有视觉语言动作模型在杂乱环境中依赖隐式推断几何关系导致碰撞的问题,本文提出 MOSAIC 框架,通过辅助语义定位任务预测目标、目的地及障碍物的角色掩码,并结合三维重建深度构建几何 token 注入动作专家。

    推荐理由:该框架通过引入几何与障碍物感知模块,在杂乱场景中将 VLA 模型的成功率提升 5.1%,相关代码与数据集将在接受后开源。

  19. arXiv · 机器人与计算机视觉63

    全尺寸人形机器人的运行时安全与紧急停止:部署教训与分级力授权主张

    针对全尺寸人形机器人在危险工业场景(如拆解电动汽车电池)的应用,作者描述了开源自主栈 Unitree H1-2 的安全机制及其部署教训。研究指出,当状态估计过时或按下急停时,安全层会触发停止;但在推倒站立机器人等实验中,模型预测控制器无法恢复平衡,且操作者需每次手动急停。作者认为仅靠关节力矩限制不足以界定施力的适当性,主张应分阶段赋予机器人“力授权”,并由人或组织对其使用承担明确责任。

  20. arXiv · 机器人与计算机视觉73

    Where to Generate Touch: Do Image Latents Preserve Material Recognition?

    该论文研究了在图像潜在空间中生成触觉是否保留了材料识别信息。实验发现,基于 Stable Diffusion VAE 的重建结果能保持物体身份(匹配准确率 76.7%),优于离散分词器重建,且接近真实触觉数据。研究据此选择了 SD-VAE 潜空间进行光到触的生成器训练,代码将在论文接收后发布。

  21. arXiv · 机器人与计算机视觉44

    RUMI:一款适配 Robotiq 2F-85 的具身智能遥操作接口与仿真数据集研究

    RUMI 是一款适配 Robotiq 2F-85 抓取器的手持通用操作接口,通过可更换指尖传感器保留几何结构并支持接触前自然输入与接触后力测量。系统结合 VR 头显提供运动学可行性实时增强现实反馈及仿真与真机的力感知遥操作能力。用户研究显示,相比无增强现实方案,该接口在真实机器人可视化与姿态初始化下将关节极限违规样本数从 16/50 降至 3/50。

  22. arXiv · 机器人与计算机视觉48

    Prediction-Error-Tightened MPC 实现社交合规人群导航

    该研究将障碍物检测、Koopman 运动预测及在线误差估计集成至碰撞规避机制,通过聚合邻近障碍降低计算复杂度。仿真闭环对比显示,Markov 残差收紧使物理接触率从 10.0% 降至 1.33%,平均耗时仅增加 0.68 秒。人群导航语义消融实验表明,行人感知处理下机器人足迹与个人空间重叠占比为 2.11%,显著低于通用障碍物处理的 22.84%。

  23. arXiv · 机器人与计算机视觉65

    不完美检测下的主动物体搜索需要何种世界模型?一项研究

    针对不完美检测如何影响机器人“看哪里”和“何时停”的决策问题,该研究提出了贝叶斯主动漏检感知物体搜索(BAMOS)方法,在 Isaac Sim 仿真环境中系统考察了目标信念、占用信念及检测误差对搜索策略的影响。实验表明,维持并更新目标信念对于在不确定观测下实现可靠搜索至关重要,且其贡献度随检测误差增加而提升。该工作已被 CoRL 2026 Workshop 接收,代码已开源。

  24. arXiv · 机器人与计算机视觉82

    GraSLA:一种以抓取假设为几何先验的轻量级空间语言动作模型

    针对模仿学习下连续动作策略行为多样性不足的问题,该工作提出 GraSLA 模型,将 6-DoF 抓取检测提供的假设作为几何先验,结合空间与语言基础模型通过双向交叉注意力进行连续动作预测。在 LIBERO 基准测试中,该模型平均成功率达到 99.30%。

    推荐理由:该工作提出将抓取假设作为几何先验融入连续动作策略,在 LIBERO 基准上实现 99.30% 成功率。

  25. arXiv · 机器人与计算机视觉42

    单目 RGB-D 力 - 变形估计助力弹性塑性材料机器人操作

    研究利用标准机器人、单目眼手相机及内禀力估计,建立弹性塑性材料变形的实用测量基础。基于 52 组数据训练的紧凑多层感知机在独立测试集上达到 1.857 N 均方根误差和 0.440 R²值。该成果为变形感知操作提供了实验依据,相关论文已获 IEEE ROBIO 2026 接收。

  26. arXiv · 机器人与计算机视觉74

    EMS-Nav:一种面向资源受限机器人的生物启发式多尺度导航框架

    工业巡检机器人需在从区域到物体的不同空间尺度间进行导航,现有方法因高计算和存储成本难以在无无线覆盖或依赖机载计算的场景部署。本文提出 EMS-Nav 框架,其核心创新是将感知、空间理解与导航围绕“区域”组织,将局部空间作为环境理解和计算的基本单元,构建从局部区域到广域环境的层级结构。

  27. arXiv · 机器人与计算机视觉59

    基于条件流的广义逆运动学研究:GenGenIK

    论文介绍 GenGenIK,一种将高层规划目标映射为机器人配置的生成式逆运动学方法。该方法支持移动底座、多个末端执行器和目标点,具备场景感知能力并能在部分观测下保持有效。实验表明其在双手动拾取和翻转等任务中,求解率和运行时间均优于现有方法,且允许灵活控制采样分布。

  28. arXiv · 机器人与计算机视觉78

    阅读桌面:面向 Chef's Hat 卡牌游戏的仿真到现实游戏状态检测

    针对桌面卡牌游戏中物体识别成本高、标注难的问题,作者开发了一套全自动的合成数据采集管线。该方法利用已知三维坐标的重投影自动生成标签,并结合域随机化技术以弥合仿真与现实的差距。

    推荐理由:提出利用重投影与域随机化构建合成数据管线,在真实机器人上实现卡牌游戏状态检测的高精度感知。

  29. arXiv · 机器人与计算机视觉42

    πhalf 如何提升动态操作反应性:执行策略研究

    该研究利用πhalf模型在两个动态仿真基准及三个真实机器人任务上,探究了使预训练视觉语言动作(VLA)模型对物体移动保持反应性的关键因素。实验表明最佳预测 horizon 约为 1 秒,且保持轨迹连续的方法优于仅降低延迟的策略,政策适应与执行流水线需共同评估以修复目标失败。

  30. arXiv · 机器人与计算机视觉58

    通过刚性机械臂运动驱动被动肌腱软延伸的作动与控制

    该研究提出一种利用刚性机械臂关节运动来驱动被动式肌腱驱动软延伸的方法,旨在解决工业机械臂在受限空间易损坏结构而软体机器人伸展范围有限的问题。作者开发了一种控制器,能够在保持末端执行器(EE)约束的同时调节软体尖端。

  31. arXiv · 机器人与计算机视觉78

    低成本移动双臂长周期清洁任务中的 VLA 模型评估

    本文介绍了一个集成两个 LeRobot SO-101 机械臂、TurtleBot 4 底盘及 LeRobot-ROS 2 软件栈的低成本移动双臂平台,并以长周期的马桶清洁为案例研究。

    推荐理由:该研究在低成本移动双臂平台上评估了多种 VLA 模型,发现 $ ext{ extpi}_0$ 表现最佳,而增强变体未见提升。

  32. arXiv · 机器人与计算机视觉73

    Bind-WAM:一种由绑定不确定性引导的选择性未来想象世界动作模型

    论文提出了 Bind-WAM 方法,旨在解决世界动作模型(WAMs)在每个重规划步骤都生成视觉未来的高成本问题。该方法引入语言 - 物体绑定不确定性概念,利用离线标注流程识别任务相关对象并检测参考不匹配、不可见和身份漂移等问题,进而训练轻量级路由器预测当前观测下的不确定性。

  33. arXiv · 机器人与计算机视觉45

    Latent Filter++ 通过抓取力矩传感实现颗粒物料交互感知与属性推断

    Latent Filter++ 框架利用铲取过程中的力矩测量直接推断颗粒物料的粒径和堆积密度等物理属性。该方法在 26 种不同物料上验证了泛化能力,支持少量样本适应并建立了属性与运输防溢出最大加速度之间的关联。研究展示了无需手工信号预处理即可从交互观测中演化表示的有效性。