跳到正文
2026 年 10 月 7 日 · 星期三每天 08:00 出刊

看懂日报 · 2026 年 10 月 7 日 · 星期三

kandong

第 2 期072026 年 10 月星期三
28件大事4个来源1件一手发布约 10 分钟读完
头条

Kodiak AI 确认年底推出长途无人驾驶,自动驾驶就绪度达 96%

Kodiak AI 宣布其长途货运自动驾驶就绪度提升至 96%,计划于 2026 年底前完成高速公路安全验证并推出无监督服务。同日,Overview AI 发布内置自主智能体的 OV Spark 系列工业检测相机,支持自然语言交互与策略推荐。

Kodiak AI · 自动驾驶货运一手原文
01

智能驾驶

arXiv · 机器人与计算机视觉

从表征互补到双重系统:协同 VLM 与纯视觉骨干网络实现端到端自动驾驶

该论文研究了视觉语言动作(VLA)驱动中,经过策略学习后的视觉语言模型(VLM)与纯视觉编码器在表征上的差异及其对规划的影响。研究对比了 InternVL3、Qwen3VL 等 VLM 家族与 ResNet、ViT、EVA-CLIP 等标准纯视觉编码器,发现两者在简单几何主导场景中各有优势,且存在行为上显著不同的制动和路径选择倾向。

arXiv · 机器人与计算机视觉

面向开放世界的自动驾驶安全:一种双过程方法

该论文提出了一种基于双过程理论的自动驾驶规划新架构,旨在解决神经网络在处理未见过的长尾情况时的不足。系统结合了用于常规任务的直觉学习规划与用于陌生情境的推理模型预测控制,并通过元认知组件和知识图根据感知信息与交通规则动态切换策略。研究在 CARLA 仿真环境中测试了该框架应对闯红灯等分布外场景的效果,结果显示其相比纯神经网络规划器将碰撞数量减少了 89%,并提升了特殊路权规则的遵守率。

02

具身智能

arXiv · 机器人与计算机视觉

通过预测不确定性触发通用主义推理的双系统 VLA 方法

针对双系统视觉语言动作模型中通用推理模块固定频率调用的静态策略浪费计算资源的问题,提出 TUD 自适应推理框架。该方法利用缓存上下文下的动作重预测跨步离散度作为预测不确定性信号,无需人工标注或辅助模型即可动态跳过不必要的通用调用。在 VLA-Arena 基准测试及真实机器人实验中,TUD 在匹配调用预算下实现了更高的成功率,并将通用模型调用次数减少了 75%,同时有效分离成功与失败的轨迹。

arXiv · 机器人与计算机视觉

UMR:通用操作表示方法

该论文提出通用操作表示(UMR),将操作分解为与本体无关的世界流和本体轨迹两个几何关联组件,并实例化为 World--Ego Point VLA 模型。研究通过数据高效策略提升效率,在仿真基准上平均成功率达 97.5%,真实世界实验中利用约 10 分钟的人类演示即可实现跨机器人零样本迁移,平均成功率为 91.7%。

arXiv · 机器人与计算机视觉

AHEAD:面向动态操作的潜在空间预测世界模型

针对现有视觉语言动作(VLA)模型无法处理任务执行期间物体移动导致的延迟问题,本文提出 AHEAD 框架。该方法通过冻结 VLA 并引入基于光流的小规模运动感知潜在世界模型进行预测,利用语言与运动显著性掩码聚焦关键区域,并在不确定性达到阈值时自适应停止预测。

arXiv · 机器人与计算机视觉

递归视频上下文学习用于智能体机器人研究

针对冻结视觉语言动作策略中演示视频难以适配智能体上下文的难题,本文提出无需训练的递归视频上下文学习方法。该方法将任务演示转化为由抓取、释放等子事件构成的层级结构,智能体在规划时读取粗粒度层级,执行时按需加载细粒度片段。实验显示,基于 RPent 框架应用此方法后,LIBERO-PRO 成功率从 92.6% 提升至 96.5%,LIBERO-Plus 从 86.7% 提升至 95.8%。

arXiv · 机器人与计算机视觉

ROOT:发现用户指定具身行为的奖励函数

ROOT 是一种用于发现奖励函数的框架,旨在使学习策略与用户指定的具身行为对齐。该方法将奖励设计转化为对持久实验树的观察引导搜索,利用视频语言模型提炼的行为洞察来诊断失败并指导奖励优化。

03

世界模型与仿真

arXiv · 机器人与计算机视觉

PhysMamba:一种基于选择性状态空间模型的肢体模拟器

该论文介绍了 PhysMamba,这是首个基于选择性状态空间模型(SSM)的肢体模拟器,能够仅凭位置、旋转和关节动作历史预测下一帧全身状态,无需速度输入。研究对比了四种架构及三种训练协议,发现从头开始的 rollout 训练在部分观测下为 Mamba2 提供了优异的短中期精度(s10=43mm),而两阶段教师模型方案则导致其不稳定。

arXiv · 机器人与计算机视觉

TAPDreamer:一种可迁移的对抗补丁用于攻击世界动作模型

论文提出 TAPDreamer 攻击方法,利用公开编码器构建固定局部扰动以攻击世界动作模型,无需访问目标策略输出。实验显示,在闭环评估中,单个冻结补丁覆盖约 6.5% 输入即可将 FastWAM 在 LIBERO 基准上的成功率从 97.7% 降至 0.0%,并显著降低 DreamWAM 和 Motus 的性能。

Hugging Face Daily Papers

基座模型可通过从训练数据获取线索进行推理

该研究探讨了训练数据如何在基座模型的响应起始 token 与后续推理行为之间建立关联。实验表明,固定特定的起始 token 线索(如'. Okay'或'Alright,')可使基座模型在数学和代码任务上的表现接近强化学习(RL)微调版本。

arXiv · 机器人与计算机视觉

PWM:基于在线强化学习的个性化世界模型

针对预训练世界模型难以适配特定用户视频场景的问题,论文提出 PWM 框架,通过在线强化学习(GRPO)或扩散优化(DiffusionNFT)从短视频中定制交互式世界模型。

arXiv · 机器人与计算机视觉

HLA-WM:一种用于长视界视频世界模型的无训练混合线性注意力框架

针对 Gated DeltaNet 在长序列生成中的遗忘问题,该研究提出 HLA-WM 框架,结合粗粒度几何引导检索与细粒度循环线性状态计算,无需额外训练即可提升场景一致性。实验显示,该方法在 60 秒视频基准测试中将 PSNR 提升 0.74 dB、旋转误差降低 28.5%,并将历史状态显存占用减少至全 KV 缓存的 1/12,同时仅损失最多 1.6% 推理吞吐量。

arXiv · 机器人与计算机视觉

H-JEPA:端到端学习用于视觉规划的层次化世界模型

针对长视界规划需要跨时间尺度推理的问题,本文提出 H-JEPA,一种端到端的分层动作条件 JEPA 训练方案。该架构通过自上而下的规划流程,让高层在独立潜空间预测更远的未来并优化目标进度,将预测结果作为下层子目标;当数据因素演化速度分离时,高层自动丢弃快速不可预测细节并保留慢速任务相关状态。

04

计算机视觉

arXiv · 机器人与计算机视觉

REBASE:一种用于免训练上下文感知的背景子空间消除方法

论文提出了 REBASE 框架,旨在解决现有免训练上下文感知分割方法受限于跨图像相似度图质量的问题。该方法通过显式抑制参考图中的低秩背景特征子空间,将参考与查询特征投影到其正交补空间以获取更纯净的语义匹配,并结合基于相似度的远点采样生成正向点提示。

arXiv · 机器人与计算机视觉

Rotated, but How Far? Diagnosing and Improving Object-Rotation Reasoning in VLMs

该论文介绍 OR-Bench 基准,发现现有视觉语言模型(VLMs)虽能检测物体旋转但无法可靠估计旋转幅度,存在“规范角度坍塌”现象。作者提出 RotationCue 轻量解码器,从模型冻结表征中恢复粗粒度旋转信息并反馈给模型,在三个 VLM 上使 OR-Bench 宏平均准确率提升 7.9--12.6 个百分点且保持通用能力。

arXiv · 机器人与计算机视觉

可验证奖励教会视频语言模型关于时间的什么?一项受控多模型研究

该论文通过受控实验研究了在视频语言模型上使用可验证奖励(RLVR)微调的效果。研究发现:虽然可验证训练能显著提升弱基座模型的域内准确率,但大部分增益来自非视觉因素;单纯使用合成数据会导致模型在真实视频上的泛化能力严重下降,而混合真实视频数据可缓解此问题。

arXiv · 机器人与计算机视觉

MC-Sparse:解构并弥合扩散 Transformer 中稠密与稀疏注意力的差距

该论文针对视频和高分辨率 3D 资产生成任务中稀疏注意力方法导致质量下降的问题,通过受控对比分析将其归因于令牌分组约束、交互选择不准及丢弃令牌导致的贡献丢失。作者提出 Meta-Cached Sparse Attention (MC-Sparse) 框架,在无需训练的情况下选择单个 KV 令牌并将相似查询组织为与瓦片对齐的组以适配 GPU 执行。

05

产业与监管

06

快讯

(本期完)

看懂 日报由编辑系统根据公开来源自动编辑,每条均附原文 · 日报合订本