看懂日报 · 2026 年 10 月 9 日 · 星期五
kandong
Kodiak AI 与 Charger USA 启动达拉斯至拉雷多自动驾驶货运服务
Kodiak AI 与 Charger USA 今日宣布合作,在德州达拉斯与拉雷多之间运营配备 Kodiak Driver 系统的卡车。双方于 2026 年 9 月 8 日完成首单交付,目前该路线仍由安全员驾驶,待安全案例完善后计划实现完全无人化运营。
智能驾驶
Waymo 完成 50 亿美元债务融资以加速业务扩张
Waymo 今日宣布完成首笔 50 亿美元定期贷款,由 PIMCO、Blackstone 和 Sixth Street 担任牵头银团 lender,Goldman Sachs 为独家簿记管理人。此前该公司已完成 160 亿美元股权融资并已在第十五座美国城市提供服务。此次债务融资旨在补充股权资金,增强财务灵活性以加速其全自动乘用服务在美国及国际市场的扩张,同时保持对道路安全的关注。
具身智能
Juno:驯化预测潜变量以优化视觉语言动作模型
论文介绍 Juno 框架,利用联合嵌入预测架构(JEPA)构建控制对齐的表征骨干、预测教师及可适应动力学模型。通过动态 CLS 损失转移运动加权补丁动力学,融合当前帧 JEPA 补丁并解耦推理分支以蒸馏未来潜状态用于动作生成。
RealtimeWAM:如何实现世界动作模型的实时运行?
针对世界动作模型(WAM)高推理延迟限制机器人控制响应的问题,作者提出了 RealtimeWAM 这一无需重新训练的通用框架。该框架通过层间依赖重叠观测处理与预测、在视觉稳定区域缓存特征以及复用 Transformer 残差等策略协调并行执行与自适应计算。
行动前先改写:表征与缓解视觉语言动作模型的语意敏感性
视觉语言动作模型(VLAs)对指令措辞高度敏感,单字修改即可导致成功率大幅波动。研究通过统计测试和 oracle 短语搜索发现,仅凭措辞调整可缩小分布内与分布外任务间的性能差距。
多物体多目标投掷的快速规划方法
论文提出了一种针对物流和仓储自动化的多物体多目标投掷(MOMT)快速规划框架。该方法离线构建可行集模型,在线通过状态匹配与过滤在 5 ms 内生成投掷序列。实验基于配备多指手的 7-DoF 机械臂,仿真显示双物体协同投掷比独立规划快 46%,实物实验确认快 29%。
Point It, Strike It:面向变形线性物体的方向条件动态操控研究
该论文研究了针对变形线性物体(如绳索)的动态操控问题,提出在指定终点位置及到达方向的目标设定下,通过单摆动作完成打击任务。作者扩展了 DeformX 仿真器至 DeformX2.0,引入 GPU 加速与气动模型以提升效率;提出 TRACE 方法生成带方向约束的打击数据,并训练条件流匹配策略;最后提出 RECAP 残差校准策略以适配真机参数。
Agentic RSR:基于场景重建与执行 grounding 的机器人从现实到仿真再到现实的策略框架
论文提出了 Agentic RSR 框架,旨在解决场景重建与策略开发分离的问题。该框架利用视频、任务描述和已知机器人模型,通过智能体恢复度量尺度并迭代优化场景,随后在 MuJoCo 中检查交互并开发从特权姿态到视觉观察的策略。
基于人类引导终身代码生成的机器人超长时域操作技能研究
针对大语言模型在机器人操作中存在的歧义、噪声及上下文限制问题,本文提出 LYRA 框架,将人类反馈蒸馏为模块化可复用技能,并利用外部记忆与检索增强生成支持超长时域任务。
Agentic Scene Policies:统一场景感知与操作技能的机器人框架
针对现有视觉语言动作模型(VLAs)泛化能力受限及缺乏显式空间推理的问题,本文提出 Agentic Scene Policies(ASP)框架。该框架通过场景智能体工具接口,利用部件级功能特性将场景理解与机器人技能统一在单一动作空间中,支持如拔充电器、开抽屉等零样本交互。实验表明,ASP 在零样本设置下表现优于领先的 VLAs,并展示了处理房间级查询的扩展性。
世界模型与仿真
RoboJEPA:基于联合嵌入预测架构的多具身机器人潜在世界模型扩展研究
论文提出 RoboJEPA,这是一个基于联合嵌入预测架构(JEPA)的世界模型,训练数据涵盖 12 种不同的机器人本体。研究发现其潜在回放的想象误差遵循计算量的二阶幂律,且下游规划性能随计算量可预测地提升。该模型在 80 亿参数规模下实现了零样本部署,能在真实硬件上针对单目标图像进行长视界任务规划。所有模型检查点及训练与部署代码均已开源。
Auto-Regressive Models Need Structural Registers: Semantic Foresight Improves Coherent Driving Video Continuation
该论文针对自动驾驶视频延续中面临的自回归过程‘生成退化’挑战,提出了 STRIDE(STructural RegIsters for Decoupled Extrapolation)大视觉模型架构。
计算机视觉
SGF+:通过解耦梯度流提升自回归视频生成的质量与长程一致性
论文 SGF+ 针对自回归视频生成中当前帧去噪与写入上下文共享参数导致梯度负对齐的问题,提出将两者分离为独立参数并通过因果注意力保持交互。该方法无需辅助损失或额外视频训练数据,在 framewise 和 chunkwise 模式下均优于基线,仅用 5 秒 rollout 即可支持连续生成至 24 小时,验证了角色特定参数化对高质量长程生成的有效性。
DynStream:基于未标定视频的动态世界在线流式 4D 高斯重建
论文提出了 DynStream 框架,用于从长时未标定视频流中实现动态 4D 场景的在线重建与逼真渲染。该方法在局部时间窗口内重建场景,并增量对齐融合为全局一致的场景,无需单场景优化。通过联合约束跨窗口几何一致性并建模随时间变化的场景内容,实现了高效重建和高质量渲染。实验表明,该框架在多种动态室内外场景中均达到了最先进的性能水平。
Hard, Yet Reducible:受控前向迁移用于合成退化策展
论文提出受控可还原退化差距(cRDG)指标,通过对比合成退化与清洁增强的探针评估有限训练预算下的泛化增益。该方法在语义分割和显著性检测任务中提升了代表性预测器的性能,同时保持清洁图像表现,代码与支持材料将公开。
OrthoPurify:通过移除劫持方向净化带后门的视觉语言模型
针对大视觉语言模型(LVLM)在后门攻击下的脆弱性,本文提出 OrthoPurify 方法,利用伪良性参考模型识别并移除被劫持的权重更新方向。该方法仅需单步正交投影即可在无需重训或引入推理开销的情况下,将攻击成功率降至近零,同时保持原有性能。代码已公开。
Flow-of-Thought:一种基于视觉草图生成的空间推理框架
针对大型语言模型和视觉 Transformer 在需要空间理解的任務中表现不佳的问题,该研究提出 Flow-of-Thought(FoT)框架,通过生成视觉草图作为中间推理步骤来模拟人类的心智意象。
GeoCoTDrive:面向自动驾驶的显式几何思维链视觉语言动作模型
针对现有 VLA 模型在自动驾驶中存在 2D 语义理解与 3D 几何需求不匹配的问题,本文提出 GeoCoTDrive 框架。该框架遵循“先以 2D 思考、再以专用 3D 先验驱动”的范式,首先定位决策关键区域的 2D 特征,随后从几何基础模型中检索局部化 3D 先验并交织进自回归上下文以支持轨迹生成。
静止即保持静止:打破视觉惯性以缓解关系幻觉
该论文指出多模态大模型虽具备强实体感知能力,但在物体间关系交互上常出现幻觉,且单纯增强视觉信号难以修正。研究揭示幻觉往往源于对先前主导证据的过度依赖(视觉惯性),导致解码性能随历史注意力累积而下降。
LightCrafter:基于 PBR 条件化的视频扩散重光照模型
论文提出 LightCrafter,将视频重光照重构为对 PBR 渲染的代理视频进行翻译,以平衡物理一致性与时序稳定性。作者通过合成数据与真实未配对视频后训练 CogVideoX 以捕捉全局光照等效应,并在现有基准上优于先前的最先进水平。材料包含数据集、评测指标及代码开源计划,属于预印本论文。
快讯
- Workhorse:基于人类数据的鲁棒全身人形机器人位姿规划与操作研究arXiv · 机器人与计算机视觉
- TERRA:通过学习可迁移的潜在动作进行机器人策略控制arXiv · 机器人与计算机视觉
- 基于可微几何部件修复的按需机器人组装arXiv · 机器人与计算机视觉
- TouchScale:500 小时人类视觉与触觉交互数据集用于视觉 - 触觉学习arXiv · 机器人与计算机视觉
- HuMBLE:基于人类运动驱动的行为学习用于具身移动arXiv · 机器人与计算机视觉
- Video Prediction Policy 2:在开放环境中实现更好的视频预测与动作生成arXiv · 机器人与计算机视觉
- 目标条件策略学习中的信息视界诅咒:长视域训练损害泛化与性能arXiv · 机器人与计算机视觉
- Resolving Conflicts Where and When They Arise: Reactive Composition of Multi-Goal BehaviorarXiv · 机器人与计算机视觉
- 失败边界学习:面向鲁棒的视觉语言动作模型arXiv · 机器人与计算机视觉
- VIA:一种用于机器人控制的视觉界面智能体框架arXiv · 机器人与计算机视觉
- GRACE:面向生成的感知潜在压缩以加速视频生成Hugging Face Daily Papers
- SAFE:利用低成本声学传感统一检测机器人抓取中的滑移与断裂arXiv · 机器人与计算机视觉