看懂日报 · 2026 年 11 月 6 日 · 星期五
kandong
Jev with Foresight:通过语言世界模型实现安全的语言引导自动驾驶
arXiv 论文 Jev-AD 结合类型化决策模型 Jev 与语言世界模型,后者预测候选动作下周边车辆未来两秒的运动以提供预见性后果。在仿真高速合流(500 车集)中,碰撞率从 26.0%降至 2.4%,自由指令意图达成率达 93%;在回放真实 NGSIM 轨迹(500 集)中,碰撞率从 48.2%降至 2.8%,世界模型能预见 93%的危险动作。
智能驾驶
特斯拉Cybercab拆解:为降本砍掉油漆线与部分电驱配置
特斯拉Cybercab被拆解分析显示,其通过电池模组化设计、取消整车涂装线及定制高齿比电机等工程手段将制造成本控制在3万美元以内。目前北美奥斯汀已有超300辆在运营,门店售价2万美元,由特斯拉统一维护运营。材料指出造得便宜只是开始,后续需验证每英里0.2美元的运营成本目标是否达成。
驭势科技发布升级的L4级无人驾驶牵引车T30及协同作业方案
驭势科技在CeMAT ASIA 2026展示升级后的L4级无人驾驶牵引车T30,该车型通过升降式自动脱挂钩装置实现自主倒车、拖斗挂接与脱钩,并与无人叉车协同完成装卸转运。
具身智能
Ctrl-F:一种用于人形机器人位姿与操作交互的力接口框架
论文提出了 Ctrl-F 分层运动 - 力控制框架,旨在解决传统运动跟踪器仅知目标位置而不知如何与环境交互的问题。该框架包含统一运动 - 力控制器和高层在线力规划器,能在每个接触点(如手或脚)施加指定的三维力。
戴盟发布TacClaw-Infinity触觉数据集并验证零本体迁移能力
戴盟近日公开了其从Daimon-Infinity中筛选出的TacClaw-Infinity触觉数据集,包含1万小时采集、100万条轨迹和10亿帧数据。该数据集支持无本体训练(Zero-Robot Transfer),在π0.5等模型上使花瓶擦拭任务成功率由50%提升至74%,且无需专用触觉架构即可利用现有策略。
从像素到动作:迈向原生视觉语言动作策略
这篇论文介绍了 NEO-VLA 框架,主张视觉语言动作模型不应依赖固定的视觉编码器输出,而是让图像 token 在骨干网络中随语言共同演化。实验表明,这种架构在多种操作设置和分布偏移下比传统编码器方案更鲁棒,且关键动作信号往往在最终视觉表示之前达到峰值。材料为预印本版本,代码链接已提供。
世界模型与仿真
多轮强化学习究竟提升了 LLM Agent 的什么能力?
该论文评估了采样广度与交互深度对多轮智能体强化学习性能的影响,发现其优势依赖于充足的回合预算且集中于错误恢复与长程韧性,而非均匀提升单步决策质量。作者提出 BudgetMix RL 方法以缓解预算依赖带来的部署风险,并展示了其在多样化执行设置下的鲁棒性。
Frameboy:Atlas 世界模型的实时交互演示
World Labs 发布 Frameboy 研究预览,允许用户通过浏览器以最高 15 fps 的速率控制相机并实时探索由 Atlas 生成的 3D 场景。该演示基于高度优化的 Atlas 变体,支持从单张输入图像或文本描述生成全新视角,并可集成至 Viewfinder 应用用于构建和流式渲染自定义场景。
快讯
- Open-HumanScale:首个面向具身基础模型的5万小时人类经验开放配方arXiv · 机器人与计算机视觉
- Prism:面向统一多模态模型的双向自我教学方法arXiv · 机器人与计算机视觉
- VicEdit:基于视觉上下文示例学习视频编辑arXiv · 机器人与计算机视觉
- 软体躯干机器人动态形状控制:基于 aSSM 数据驱动 MPC 的硬件验证arXiv · 机器人与计算机视觉
- TouchéWorld:面向生成式世界的在线统一相机与手部探索技术报告arXiv · 机器人与计算机视觉
- SleuthVLM:我们真的需要视频中的音频吗?arXiv · 机器人与计算机视觉
- NVIDIA 发布 Cosmos 交互式世界模拟框架用于物理 AIarXiv · 机器人与计算机视觉
- 同一布局不同数量:文生图模型中‘十’以上的数字词失效研究arXiv · 机器人与计算机视觉
- Feature Puzzles:基于单图监督的多视角 3D 感知分割新框架arXiv · 机器人与计算机视觉
- Correct Robots Before They Make Mistakes: Proactive Human-in-the-Loop Intervention via Preference LearningarXiv · 机器人与计算机视觉