看懂日报 · 2026 年 11 月 19 日 · 星期四
kandong
SARVIA:一种快速适配合成孔径雷达基础模型的方法
针对合成孔径雷达(SAR)基础模型依赖昂贵预训练的问题,本文提出 SARVIA 方法,利用现代多模态大语言模型(MLLMs)已有的视觉编码器作为下游初始化。该方法通过自监督视觉问答任务对 MLLM 进行自适应后预训练,仅需 600 步和 2 GPU 小时即可在六个 SAR 检测与分割基准上超越专用基础模型。研究将重点从重复的昂贵预训练转向可复用的专业化过程,并开放了数据集与代码。
智能驾驶
小马智行三季报:Robotaxi营收占比近四成,全球车队扩至2768辆
小马智行发布2026年第三季度财报,总营收2.99亿元创单季新高,其中Robotaxi收入1.19亿元,同比增长165.4%,营收占比升至39.9%。经营费用同比仅增3.1%,Non-GAAP口径下亏损同比减少7.6%。
Uber 与 Momenta 在慕尼黑启动受监管自动驾驶试点
Uber 与 Momenta 今日宣布在慕尼黑启动受监管的自动驾驶车辆试点,这是德国首次通过 Uber App 提供此类服务。试点区域覆盖慕尼黑北部大部分区域及奥林匹克公园周边,乘客可免费预约 UberX、Electric 或 Comfort 行程并选择乘坐由持证安全员随行的自动驾驶车辆。
具身智能
面向人形机器人的视频模仿学习中的直接动态重定向方法
针对单目视频演示到人形机器人运动迁移的形态失配问题,本文提出直接动态重定向(DDR)方法。该方法在物理仿真器中利用基于采样的模型预测控制求解器,直接在任务空间追踪人体关键点,无需接触标注或中间几何重定向步骤。
英伟达发布 GR00T 2 世界动作模型及 Isaac Lab 3.0 开源框架
英伟达在 CoRL 大会正式发布 GR00T 2 世界动作模型、Isaac Lab 3.0 开源框架以及 Isaac Lab-Arena 0.4 版开发者预览版。
计算机视觉
地平线发布 LoFT 原生视频几何基础模型,探索面向物理 AI 的通用视觉表征
11 月 18 日,地平线机器人实验室发布原生视频几何基础模型 LoFT(Looped Foundation Transformer for Video Geometry)。
π^4:一种用于 4D 场景几何与运动的统一基础模型
论文介绍 π^4 作为统一的 4D 场景感知基础模型,能从野外未校准的 RGB 输入(单图、无序集合或视频序列)恢复稠密几何、相机位姿和度量尺度,同时输出 2D/3D 点轨迹及移动物体掩码。系统耦合几何分支与几何条件化的运动分支,在共享骨干网络下约含 05B 参数,单次前向传播即可完成大规模场景的联合重建与跟踪。材料提供数据、训练配方及关键设计选择的实证研究,代码与模型已开源。
快讯
- Pixel is All You Need:纯像素空间生成模型的推理研究arXiv · 机器人与计算机视觉
- RTime-QA:一种用于多模态大模型原子级时序事件理解的基准arXiv · 机器人与计算机视觉
- JEPA 风格潜在世界模型的规划器 - 硬件协同设计与差分稀疏性制造arXiv · 机器人与计算机视觉
- 构建真实反应的世界:面向自动驾驶的闭环交互式世界模型arXiv · 机器人与计算机视觉
- Evolve in Panorama, Render in View:用于视频世界模型的全景状态演化方法arXiv · 机器人与计算机视觉
- LLM 控制的社交机器人面临网络暴露的配置攻击风险arXiv · 机器人与计算机视觉
- 无需训练的建筑变化检测方法:基于示例诱导的判别式特征arXiv · 机器人与计算机视觉
- Disagree to Prune:通过小 VLM 的异议重分配视觉 TokenarXiv · 机器人与计算机视觉
- JointGV:基于并行图动力学的视觉世界模型结构感知修正方法arXiv · 机器人与计算机视觉
- Perception into Imagination:面向物理 AI 的可执行感知记忆世界模型框架arXiv · 机器人与计算机视觉