跳到正文
11月9日周一
  1. arXiv · 机器人与计算机视觉82

    Goodhart in the Planner:基于采样的控制利用从人类偏好学习的奖励

    论文发现机器人通过搜索对抗从人类偏好学习的奖励模型时,真实目标回报会受损;在 HalfCheetah 和 Hopper 等任务中,更难的 MPPI 搜索使真实回报下降最高达 76%,且人类标签在某些场景下仍被利用。研究证明经校准的χ²正则化 MPPI 是测试中最安全的修复方案,能从预训练策略中恢复 86-94% 的真实回报。

    推荐理由:研究揭示基于人类偏好的奖励模型在规划搜索中易被利用,并提出经校准的采样控制方法以恢复真实目标回报。

  2. arXiv · 机器人与计算机视觉58

    面向基类到新类泛化的解耦模式连通性方法

    针对视觉语言模型在优化短提示时基类特化与新类泛化的目标冲突问题,提出解耦模式连通性方法。该方法从基训练提示出发,分别训练特化与泛化提示,并在推理时以固定系数融合文本特征,利用线性模式连通性与视觉锚点 KL 项保持分类损失低及零样本分布稳定。研究论证了正则化器应满足类置换不变性,并在 11 个数据集上验证该方法优于 MergeTune 基线。

  3. arXiv · 机器人与计算机视觉78

    HiMEM:面向三维场景的视觉语言动作模型的类海马体记忆巩固、剪枝与组合方法

    针对视觉语言动作(VLA)模型在复杂三维场景中执行长程任务时面临的记忆噪声问题,该研究提出了一种受海马体启发的记忆机制。该方法首先通过语义整合将大量情景经验压缩为关键语义记忆;其次利用剪枝机制移除被语义记忆覆盖的冗余情景记忆以释放容量;最后通过灵活的记忆组合增强跨场景泛化能力。

    推荐理由:该工作提出海马体启发的记忆机制,通过语义整合与冗余剪枝提升 VLA 模型在复杂三维场景中的长程任务成功率。

  4. arXiv · 机器人与计算机视觉84

    迈向代理具身智能时代:A2-MEAS 框架发布

    论文介绍了 A2-MEAS 具身多智能体框架及 A2-WLA 动作模型,利用代码作为扩展接口结合 MetaBrain 进行训练监督与运行时引导。在 BEHAVIOR 2026 基准上 Q-score 达 0.5755-0.6411,RoboTwin 2.0 平均成功率超 93%,真实机器人长程任务失败后恢复率从 8% 提升至 82%,训练吞吐量提升 4 倍。

    推荐理由:该框架通过代码接口与冻结权重的自适应设计,在仿真与真实机器人任务中均实现了显著的性能提升。

  5. arXiv · 机器人与计算机视觉71

    无需训练的主动测试时适应用于视觉语言模型

    针对视觉语言模型的测试时适应问题,本文研究了介于无监督与全监督之间的中间部署模式。作者提出 ACTOR 模块,这是一种无需训练的插件,能在预测当前样本后利用稀疏的查询标签进行保守复用,通过一致性检查路由不确定的样本。该方法在十个跨域基准和 ImageNet 迁移基准上均提升了 ResNet 和 ViT 骨干网络的表现,且推理开销可忽略不计。

  6. arXiv · 机器人与计算机视觉84

    DobotTrack:面向具身智能的目标 grounded 视觉 - 语言 - 动作学习框架

    论文提出了 DobotTrack,这是一个结合辅助 grounding 监督与高效时序建模的视觉 - 语言 - 动作(VLA)框架,旨在让移动智能体根据描述识别目标并持续跟踪。

    推荐理由:该工作提出 DobotTrack 框架,通过辅助监督与历史特征压缩提升目标跟踪成功率,并在四足机器人上构建了大规模真实数据集。

  7. arXiv · 机器人与计算机视觉48

    A Controlled Study of Models, Skills, Feedback, and Curriculum in Agentic Robotics

    该研究通过涵盖九个操作任务、631 种实验配置及 2.8 万次代码智能体轮次的受控仿真,系统分析了模型能力、技能先验等因素对具身智能自学习循环的影响。实验表明,瓶颈常在于将信息转化为正确的策略更新,成功取决于智能体归因失败、推理空间几何结构及重构代码的能力。

  8. arXiv · 机器人与计算机视觉78

    通过概念注入探测视觉语言模型的现实监控能力

    本文提出一种范式,独立变化图像内容与注入的概念方向,测试视觉语言模型能否区分所见图像与注入思想。实验显示,在六种 VLM 中仅有 Gemma-3-27B 能可靠识别注入概念,但报告来源仍不稳定;强注入或视觉路径激活常被误报为看见,且真实照片中注入物体出现在高达 87% 的普通描述里。该研究强调评估多模态自我报告需同时检查内容及其声称的来源。

    推荐理由:该研究揭示了多模态模型在区分注入概念与真实图像内容时的脆弱性,指出仅凭生成文本无法可靠评估其内部状态。

  9. arXiv · 机器人与计算机视觉82

    VLA Handover:基于失败预测的从机器人端到大模型服务器的切换方法

    针对大视觉语言动作(VLA)模型难以实时运行而小模型易失败的问题,提出 VLA handover 方案,让机器人本地运行小 VLA,仅在预测可能失败时切换至服务器端的大 VLA。该方法通过最小化请求成本并满足成功率约束,在 LIBERO 仿真套件中相比纯小模型提升 11-22 个百分点的成功率,同时比纯服务器控制减少 49-77% 的请求量且对网络延迟更鲁棒。

    推荐理由:提出基于失败预测的 VLA 切换框架,在仿真中显著提升成功率并降低服务器请求量。

  10. arXiv · 机器人与计算机视觉78

    PRISM:通过上下文技能混合实现 Retentive VLA 适应的原语路由方法

    针对现有 VLA 模型缺乏技能保留与长程组合能力的局限,PRISM 将可复用技能表示为参数级原语,利用低秩动作专家适配器存储技能家族,并通过 VLM 条件化的路由器在推理阶段根据任务前缀动态组合技能。

    推荐理由:PRISM 提出基于低秩更新的技能原语与路由机制,在 RoboCasa365 上显著提升了原子技能与长程复合任务的成功率。

  11. arXiv · 机器人与计算机视觉71

    ActPrune:面向高效视觉 - 语言 - 动作模型的基于动作的视觉 Token 剪枝

    论文 ActPrune 提出一种无需训练的视觉 Token 剪枝方法,将剪枝决策提前至视觉编码器之前,利用机器人上一时刻预测的动作作为几何先验。该方法在固定第三人称视角保留机械臂轨迹与语义锚点,在腕部视角剔除经动作补偿后不变的区域。

  12. arXiv · 机器人与计算机视觉83

    VICTR:一种用于视觉语言动作模型的基于价值的上下文学习框架

    该论文提出了 VICTR 框架,旨在解决机器人基础模型在未见任务中仅凭视觉相似性进行上下文检索的局限性。研究引入了一种基于参考演示、语言指令和当前观测的“进度感知”上下文检索机制,通过估计任务相对进度来对齐当前状态与已演示的执行阶段。

    推荐理由:针对 VLA 模型在未见任务中上下文检索效果受限的问题,提出基于进度感知的价值函数估计框架,显著提升了真实世界操作任务的成功率与进展率。

  13. arXiv · 机器人与计算机视觉73

    美团机器人发布 Meituan-Robotics-0:一款面向桌面操作的视觉语言动作基础模型

    美团机器人团队发布了 Meituan-Robotics-0(MR0),这是一个针对固定底座桌面操作任务的视觉语言动作基础模型及具身智能体系统。该模型结合了 1.47 亿个视觉语言样本与跨越 12 种实体、总计 15,060 小时的机器人轨迹数据,通过离散动作标记预训练、流匹配中期迁移和真实世界后训练三阶段配方进行训练。

  14. arXiv · 机器人与计算机视觉72

    Q-OIL:一种在人类干预学习中实现乐观探索的方法

    针对真实世界机器人部署中人类反馈稀缺且昂贵的问题,本文分析了真实人类干预数据,发现人类常在任务停滞时介入且动作次优。为此提出 Q-OIL 方法,通过在强化学习奖励中加入基于进度的乐观奖励并引导探索至人类修正点来提升学习效率。实验表明该方法在仿真和真机环境中均比基线提升 10-50% 的成功率,并能改进预训练视觉语言动作模型的双手操作任务表现。

  15. 盖世汽车 · 汽车资讯58

    晓悟智能与北京人形联合首秀全栈式工业具身智能平台

    在第26届亚洲国际物流技术与运输系统展览会(CeMAT ASIA 2026)上,中科创达旗下晓悟智能与北京人形机器人创新中心联合展示了全栈式工业具身智能平台。该平台由北京人形“慧思开物”通用具身智能平台与晓悟工业具身平台联动构成,前者提供具身大模型、跨本体VLA基座及运控能力负责长程规划,后者依托工业级实时内核实现多车型协同调度与统一编排。

11月7日周六
11月6日周五
  1. arXiv · 机器人与计算机视觉68

    PFM-HR:面向人形机器人的姿态流匹配方法

    论文提出了 PF M-HR 方法,这是一种直接在大规模无序姿态数据上训练的流匹配先验,旨在改进基于物理的人形机器人强化学习中的运动先验利用。该方法引入了姿态几何评分(PGS)来量化关节坐标变化与先验捕捉的姿态局部几何的一致性,并利用 PGS 调节跟踪奖励以引导策略探索。实验表明 PFM-HR 在单运动和通用运动跟踪上均有所提升,特别是在高动态运动场景下表现更好。

  2. arXiv · 机器人与计算机视觉75

    DenseReward:基于失败合成的机器人稠密奖励学习

    针对强化学习在机器人操作中因缺乏可靠视觉语言奖励模型而难以应用的问题,本文提出了 DenseReward 稠密机器人奖励模型。该工作开发了一套自动化失败数据生成流水线,能在仿真中合成碰撞、抓取失败、物体掉落及恢复等物理真实失败的轨迹,无需人工标注。

  3. arXiv · 机器人与计算机视觉68

    面向视觉语言动作策略的事件 grounded 稀疏自编码器研究

    论文针对视觉语言动作(VLA)策略内部表征难以直接解读的问题,提出一种将稀疏自编码器(SAE)特征分析与机器人行为事件锚定的可解释性流程。该方法从末端执行器轨迹中提取关键帧并聚类为事件,利用视觉、状态和时间线索引导 SAE 特征排名,可选用 VLM 进行事件描述。

  4. arXiv · 机器人与计算机视觉80

    当视觉压倒语言:评估与缓解 VLA 中的反事实失败

    视觉 - 语言 - 动作模型(VLA)常因数据集偏差而依赖视觉捷径,忽视语言指令意图。该工作提出首个反事实基准 LIBERO-CF,在相同场景布局下分配替代任务以评估语言遵循能力。

    推荐理由:该工作提出首个 VLA 反事实基准 LIBERO-CF,并给出无需修改架构的 CAG 方法以缓解视觉捷径导致的指令遵循失效问题。

  5. arXiv · 机器人与计算机视觉82

    WoVR:作为可靠仿真器的世界模型用于 VLA 策略后训练 RL

    论文提出 WoVR 框架,旨在利用世界模型作为强化学习(RL)的可靠仿真器以进行视觉语言动作(VLA)模型的策略后训练。针对现有方法因幻觉和长视界误差累积导致推演不稳定的问题,WoVR 通过可控的动作条件视频世界模型、关键帧初始化推演以及世界模型与策略的共同演化来调节 RL 与不完美的想象动态的交互。

    推荐理由:提出 WoVR 框架,通过可控视频世界模型与关键帧初始化解决幻觉问题,实现长视界稳定推演与策略优化。

  6. arXiv · 机器人与计算机视觉82

    学习任务还是学习验证器?反思具身自我改进中的标准暴露问题

    该论文针对具身智能体在仿真基准测试中暴露验证标准(Criteria Exposure)的做法提出质疑。研究发现,当智能体被暴露于此类标准时,虽能快速生成高评分代码,但一旦标准微调便失效,且技能跨任务迁移性差。作者进一步提出了更忠实于指令的验证标准方案。

    推荐理由:实验表明暴露验证标准会导致模型过拟合评分而非完成任务,且技能迁移性差。

  7. arXiv · 机器人与计算机视觉48

    Generate-then-Rank:具身智能体目标解释的生成 - 排序学习法

    该方法提出两阶段“生成 - 排序”架构解决具身智能体的自然语言指令到符号目标的翻译问题。实验在 Embodied Agent Interface Benchmark 家庭场景进行,DeepSeek-V3、Qwen2.5-7B/72B 等开源模型经微调与 CORE 偏好学习后,优于简单提示及知识图谱基线。论文已接受于 ECC 2026,代码与权重开放许可。

  8. arXiv · 机器人与计算机视觉74

    OopsieRecover:基于语义干预的可迁移 VLA 修正学习

    论文提出 OopsieRecover 框架,旨在解决视觉语言动作(VLA)模型在部署时易失败且难以泛化的问题。该方法假设语义能捕捉失败原因及修正逻辑,利用反事实推理从少量修正演示中推断意图,并将其编码为密集空间表示和条件代价以引导策略。实验涵盖 6 个任务及物体姿态、场景变化等变体,结果表明仅需少量修正即可让 VLA 在广泛的新情境下克服失败,无需针对每种变体收集新数据。

  9. arXiv · 机器人与计算机视觉68

    T3R:面向高效鲁棒 VLA 模型的免训练两阶段 Token 精炼方法

    针对视觉语言动作模型推理昂贵且易受背景干扰的问题,论文提出 T3R 框架,通过分割引导剪枝移除无关视觉 Patch,再利用显著性引导注意力偏置聚焦关键区域。在 LIBERO-Spatial 基准上,该方法去除 85% 的视觉 Token 同时保持成功率,并在分布外扰动下提升最多 7 个百分点,推理耗时降低约 3.3 倍。

  10. arXiv · 机器人与计算机视觉43

    SLA:通过持续预训练扩展空间语言动作模型

    SLA 是一个从 pi05 策略初始化、利用冻结三维感知模型进行联合优化的空间语言动作模型,旨在将隐式空间对齐能力扩展至持续预训练阶段。该模型通过特征依赖门控自适应聚合多 VLA 层视觉嵌入,并融合部分深度与相机标定数据以支持异构机器人数据集的空间学习。所有辅助组件仅在训练时使用,允许直接复用预训练的 VLA 权重并保持原始推理架构不变。

  11. arXiv · 机器人与计算机视觉68

    Leave It Better Than Found:基于价值引导的序列任务协作

    该论文针对多机器人协作中因组合爆炸导致无法共训练的问题,提出一种无需预先联合训练的自适应序列协作方法。通过让机器人共享其价值函数以明确表达环境偏好,并引入 KNN 不确定性过滤器防止在分布外状态下的过自信,该方法在仿真和真实世界实验中均显著提升了任务成功率。

  12. arXiv · 机器人与计算机视觉78

    HITCH:教视觉语言模型通过全身 harness 操控人形机器人

    论文提出 HITCH(Harness Interfaces To Command Humanoids),一种让 VLM 控制人形机器人的接口,感知端返回图像中任意点的 3D 位置,执行端将髋部、躯干、手部、行走和注视指令转化为全身运动。

    推荐理由:提出 HITCH 接口让 VLM 通过全身 harness 控制人形机器人,微调后在无特定轨迹下完成 51% 任务,加五条轨迹后 SIMPLE 成功率升至 95%,并在真机 G1 上实现无真实训练数据的搬运行走。

  13. arXiv · 机器人与计算机视觉73

    AffectiveVLA:面向人机社交的意图感知与安全控制 VLA 研究

    论文提出了 AffectiveVLA,一种部署在宇树 G1 人形机器人上的意图门控视觉语言动作(VLA)管道。该系统利用轻量级 RGB 模型从双摄像头识别交互意图并转化为提示词,低置信度预测会抑制运动执行以保障安全;接触期间通过调整臂阻抗和独立语音触发机制实现合规与安全停止。

  14. arXiv · 机器人与计算机视觉42

    PhySA:解耦美学与物理奖励以优化人形机器人运动策略

    PhySA 通过分离美学评分与物理惩罚通道,在 MuJoCo Humanoid-v5 仿真环境中将关节加速度降低 26% 至 32%,但导致单集时长缩短。该方法未迁移至 IsaacLab 或 Unitree G1 平台,且部分实验结果无统计显著性。论文已接受 CoRL 2026 Workshop on R2RL,代码与数据待注册。