跳到正文

技术方向

具身智能 最新动态

机器人模型、硬件、学习方法和真实部署;区分仿真、遥操作演示与自主运行。

1,139 条精选近 30 天 643 条共收录 4,549 条

更新

精选归档 · 第 47 页

10月6日周二第 921–940 条
  1. arXiv · 机器人与计算机视觉82

    FLASH:基于稀疏采样的高效视觉运动策略

    论文提出 FLASH Policy,利用连续勒让德多项式替代离散动作块生成,并通过历史系数初始化流匹配过程以加速推理。该方法无需数值近似即可直接提供速度前馈信号。实验显示其在五个仿真和两个真实操作任务中成功率均不低于 92%,单集推理时间为 31.40ms,训练收敛速度快于 ACT 且控制器跟踪误差显著降低。材料为 NeurIPS 2026 接收的预印本,代码与论文链接已提供。

    推荐理由:FLASH 通过稀疏采样与连续多项式轨迹表示,将推理耗时降至 31.40ms,在五个仿真和两个真实任务中成功率均超 92%。

  2. arXiv · 机器人与计算机视觉83

    行为树的三元逻辑编码及其在控制合成中的应用

    该论文针对行为树验证限于离线后验分析的局限,利用三值信号时序逻辑(引入未知态)重构形式化模型。作者提出了混合整数线性编码方法,允许通过混合整数优化为线性动力学系统生成可构造的正确性控制策略,并演示了其在最优控制问题中的效用。

    推荐理由:提出基于三值信号时序逻辑的行为树混合整数线性编码,为线性动力学系统提供可构造的正确性控制策略。

  3. arXiv · 机器人与计算机视觉78

    面向分布变化的规划:结合有界极值搜索的强化学习机器人控制

    针对接触丰富任务中因目标、接触条件或动力学变化导致策略失效的问题,本文提出一种结合深度确定性策略梯度与有界极值搜索的混合控制器。RL 策略负责快速操作,有界 ES 确保在偏离训练分布时系统的鲁棒性。研究证明了机械臂在有限时间内收敛到物体及随后以有限时间收敛至有界速度移动目标的理论性质,并给出了收敛时间的解析公式与增益调节方法。

    推荐理由:提出结合强化学习与有界极值搜索的混合控制器,在目标变化或摩擦分布偏移下实现有限时间收敛。

  4. arXiv · 机器人与计算机视觉78

    具身智能时代基于物理仿真的机器人导航与操作综述

    这篇论文是接受于 ACM Computing Surveys 的综述,系统分析了物理仿真器如何解决具身智能中导航和操作任务的 sim-to-real gap。文章重点考察了以往研究较少关注的仿真属性、针对导航与操作任务的功能特性以及硬件要求。此外,作者整理了一份包含基准数据集、评估指标、仿真平台和方法的资源清单,旨在帮助研究人员在考虑硬件约束的前提下选择合适的工具。

    推荐理由:该综述聚焦物理仿真在导航与操作任务中的 sim-to-real gap,分析硬件需求并提供基准数据集与工具选型资源。

  5. arXiv · 机器人与计算机视觉82

    Robotic Long-Horizon Manipulation with Progressive In-Context Code Generation and Episodic Feedback

    论文提出了 DAHLIA 框架,将长时程机器人操作视为集体验证任务规划问题。该方法利用渐进式组织的上下文示例与思维链推理引导大语言模型合成可执行代码计划;同时基于视觉语言模型的报告器仅在每轮执行后评估结果并提供结构化反馈以重规划,从而在部分可观测性下提升鲁棒性。

    推荐理由:该工作提出 DAHLIA 框架,利用渐进式上下文代码生成与集体验证机制解决长序列任务规划问题。

  6. arXiv · 机器人与计算机视觉82

    H-JEPA:面向视觉规划的端到端分层世界模型学习

    论文介绍 H-JEPA,一种用于长程规划的端到端分层世界模型方法。该架构包含多个动作条件化的 JEPA 层级,每层在独立潜空间预测不同时间尺度的未来:顶层优化目标进度,下层将高层预测作为子目标。

    推荐理由:提出分层 JEPA 架构,在仿真与真实机器人视频中通过时间尺度分解提升长程规划成功率并降低计算开销。

  7. arXiv · 机器人与计算机视觉78

    EpicWorldModel:面向部分可观测环境的探索驱动规划框架

    EpicWorldModel 是一个用于训练具有内在不确定性的潜在世界模型的框架。该研究针对传统确定性 JEPA 在部分可观测场景(如遮挡)下失效的问题,提出联合训练预测器与潜在表示空间,利用流匹配目标直接预测多个潜在未来状态。

    推荐理由:该工作提出基于流匹配的目标的随机 JEPA,利用预测方差引导 CEM 规划以解决部分可观测环境下的探索问题。

  8. arXiv · 机器人与计算机视觉78

    OGAM:通过对象接地注意力监控连接系统测试与运行时保障

    针对基准测试指令有限且无法进行穷举部署测试的问题,本文提出 OGAM 方法,利用成功与失败执行间的注意力发散信号实现运行时干预。研究在 OpenVLA、OpenVLA-OFT、UniVLA 和 pi_0.5 等四个策略上验证了该方法:通过成对组合动作模板与对象生成场景接地指令并测试同义改写,发现所有 87 个基准外案例均存在问题行为且无法完成任何可行指令。

    推荐理由:该方法利用对象 grounding 的注意力监控,在无需失败标签训练下即可在线拦截 VLA 策略执行中的异常行为。

  9. arXiv · 机器人与计算机视觉78

    面向安全规格的场景组合统计模型检查方法

    针对自动驾驶等关键领域需评估大量复合环境条件的挑战,本文提出一种基于场景的组合统计模型检查(SMC)框架。该方法将复合场景分解为基元、规格分解为子规格,独立验证各基元后利用重要性采样和核密度估计组合统计结果。实证表明该框架能准确回答未见过的复合场景查询,并通过并行化和轨迹重用降低仿真成本。材料为 arXiv 预印本,已接受至 RV 2026 会议。

    推荐理由:提出基于场景的组合统计模型检查框架,通过分解与重用轨迹降低仿真成本。

  10. arXiv · 机器人与计算机视觉78

    通用测试时训练(uTTT):打破层级限制的共享记忆架构

    论文提出通用测试时训练(Universal Test-Time Training, uTTT),主张记忆所有权不应绑定于网络深度,所有层读写同一共享记忆并在时间与深度两个维度上递归。

    推荐理由:提出 uTTT 架构,让所有层读写共享记忆以突破深度限制,在语言建模与新颖视图合成任务上均优于现有私有记忆设计。

  11. arXiv · 机器人与计算机视觉83

    超越 LLM 服务:表征具身智能视觉语言动作工作负载以指导系统设计与部署

    该研究针对机器人操作中严格的推理截止时间问题,对四种代表性 VLA 模型在边缘 GPU 服务器和车载 SoC 上的运行行为进行了系统表征。实验通过 43,200 次闭环测试发现,动作张量维度决定计算或内存瓶颈,平台平衡可改变瓶颈位置,且 GPU 频率缩放存在依赖平台的能效甜点。

    推荐理由:文章基于 4.3 万闭环实验,量化了边缘端 VLA 模型在 batch-1 控制场景下的瓶颈与能效权衡,为架构、硬件及运行时策略的联合设计提供数据支撑。

  12. arXiv · 机器人与计算机视觉78

    RAGrasp:一种基于几何 - 语义模板检索与抓取迁移的框架

    论文提出了 RAGrasp 框架,利用部署相机、机器人和夹爪采集的本地 RGB-D 模板构建记忆库,无需端到端重训练即可适应局部感知条件。系统结合自监督 DINOv2 特征与 SAM2 分割模型定位物体,通过两阶段检索选择模板并迁移抓取策略,经掩码支撑与轮廓接触约束优化后完成 2D-3D 转换。

    推荐理由:该工作提出基于本地模板检索的抓取迁移框架,在有限标注下实现平面平行夹爪对已知与未知物体的高成功率抓取。

  13. arXiv · 机器人与计算机视觉82

    Exact Optimal Transport by Matching:中等规模下精确匹配优于近似方法的多机器人分配研究

    论文提出利用工业级匹配引擎解决平衡离散最优传输问题,证明在中等规模(n=500 至 8000)下,Jonker-Volgenant 算法比熵正则化 Sinkhorn 及其加速变体 Greenkhorn 更快且精度更高。

    推荐理由:原文通过实验对比证明,在中等规模离散任务中精确匹配算法比近似方法更快且更准,并给出了多机器人分配场景下的额外成本数据。

  14. arXiv · 机器人与计算机视觉83

    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%。

    推荐理由:提出无需训练的递归视频上下文学习方法,将任务演示转化为层级结构,在 LIBERO-PRO 和 LIBERO-Plus 基准上分别提升成功率至 96.5% 和 95.8%。

  15. arXiv · 机器人与计算机视觉78

    DexForge:一种高保真物理驱动的灵巧重定向框架

    DexForge 是一个基于可微物理的框架,用于将人类视频演示转化为高保真的机器人轨迹。该方法重建球状高斯物体模型和手 - 对象运动,构建结合高效高斯碰撞检测的可微仿真器,并融合接触感知的运动学重定向与力感知的动力学重定向以精确复现物理运动。

    推荐理由:提出基于可微物理的框架,将人类演示转化为高保真机器人轨迹,在七种灵巧手实验中将成功率提升约 35-53 个百分点。

  16. arXiv · 机器人与计算机视觉78

    Wiring Matters:Vision-Language-Action 策略中 Affordance Head 的注入拓扑与初始化研究

    该论文针对 Vision-Language-Action(VLA)策略在引入密集辅助信号时易损害指令遵循的问题,提出了一种受控接入方案。研究通过停止梯度保护主干网络,并对比了不同的注入拓扑结构与桥接初始化方式,发现主动初始化的残差桥接结构能以极小参数开销达到最优性能。实验表明,仅将真值作为输入会干扰模型,而推理时零化操作显示该桥接主要起训练正则化作用,激活后则承担负载。

    推荐理由:本文通过受控实验揭示了在 VLA 策略中接入辅助信号的关键工程细节,指出初始化方式对性能的主导作用及主动桥接机制的必要性。

  17. arXiv · 机器人与计算机视觉78

    VLA-ZO:面向视觉语言动作模型的快速零阶自适应框架

    论文 VLA-ZO 针对大模型部署时的显存限制,提出一种仅作用于动作侧的零阶优化框架,在保持视觉语言前缀冻结的同时大幅降低适应时间并提升任务成功率。实验显示,该方法将端到端适应时间减少了约 25.6 倍至 32.5 倍,同时将 LIBERO 基准上的平均任务成功率从 48.27% 提升至 63.58%,为资源受限环境下的 VLA 模型自适应提供了新路径。

    推荐理由:针对大模型部署时的显存限制,提出一种仅作用于动作侧的零阶优化框架,在保持视觉语言前缀冻结的同时大幅降低适应时间并提升任务成功率。

  18. arXiv · 机器人与计算机视觉82

    Encoded but Not in Control:揭示视觉语言机器人策略中的 grounding gap

    该论文通过场景保持的指令干预实验,发现 VLA 和世界动作模型(WAM)在仿真与实机中虽能成功执行任务,却常忽略用户指令而选择场景偏好的原始目标。线性探针显示指令被编码但难以控制动作生成,注意力分析证实了视觉 grounding 不匹配问题。研究提出了一套诊断框架,为衡量策略是否真正遵循意图变化提供了具体标准。

    推荐理由:研究揭示 VLA 与 WAM 存在指令编码与控制脱节,提出基于场景干预的诊断框架以评估真实意图遵循能力。

  19. arXiv · 机器人与计算机视觉78

    I-BFM:基于奖励条件的人形机器人鲁棒交互行为基础模型

    论文介绍 I-BFM,据称是首个针对人形机器人与物体交互的行为基础模型(BFM)。该模型利用前向 - 后向表示和无监督强化学习,学习人形、物体及其接触点之间的耦合动力学共享表征。

    推荐理由:该工作提出首个面向人形机器人与物体交互的行为基础模型,通过无监督强化学习实现单一策略对多种任务的闭环控制。

  20. arXiv · 机器人与计算机视觉84

    Conditional Trajectory Peaks:单次通过多模态策略框架

    论文提出了 Conditional Trajectory Peaks (CTP) 框架,旨在解决多模态模仿学习中同一观测下需生成多样化可执行未来及重规划周期行为一致性的问题。

    推荐理由:该工作提出单次通过多模态策略框架,在多个基准及真实双臂实验中验证了其在覆盖度、成功率与推理延迟上的综合优势。