跳到正文

内容形态

论文与研究 最新动态

四领域论文、技术报告与研究解释,明确预印本、投稿、接收和出版状态。

1,994 条精选近 30 天 1,302 条共收录 10,555 条

更新

精选归档 · 第 11 页

11月13日周五第 201–220 条
  1. arXiv · 机器人与计算机视觉82

    策略库 CBF:通过并行回滚实现运行时有限视界安全

    针对非结构化环境中单一备份策略失效的挑战,本文提出了策略库控制屏障函数(PL-CBF),这是一种运行时安全滤波器。该方法通过评估满足约束的并行有限视界回滚结果,从候选策略中选择容许控制集体积最大的策略,并求解二次规划以最小化对名义输入的修改。研究在室内导航、高速驾驶及四旋翼飞行等仿真场景,以及移动机器人和定制四旋翼的硬件实验中,均证明了其在保持毫秒级计算时间的同时提升了安全性能。

    推荐理由:提出基于并行有限视界回滚的策略库控制屏障函数,在仿真与硬件实验中验证了其在复杂动态环境下的实时安全性。

  2. arXiv · 机器人与计算机视觉78

    CanViT:迈向主动视觉基础模型

    论文介绍 Canvas Vision Transformer (CanViT),这是首个任务与策略无关的主动视觉基础模型 (AVFM)。该模型利用场景相对 RoPE 结合视网膜视觉骨干网络与时空图景全局潜在工作区,并通过 Canvas Attention 机制实现高效交互。

    推荐理由:提出首个任务与策略无关的主动视觉基础模型 CanViT,在低分辨率瞥视下实现优于现有模型的分割精度与推理效率。

  3. arXiv · 机器人与计算机视觉82

    AnyCamVLA:一种无需微调即可实现视点鲁棒的视觉语言动作模型相机自适应方法

    针对视觉语言动作模型(VLAs)在特定环境部署需微调且对相机视角变化敏感的问题,本文提出 AnyCamVLA 零样本相机自适应框架。该方法利用前馈新视图合成模型,在测试时将实时观测的图像虚拟调整为与训练配置匹配的目标视角,无需额外演示数据、策略微调或架构修改。

    推荐理由:提出无需微调的零样本相机自适应框架,通过实时合成目标视角图像提升 VLA 在真实场景中的鲁棒性。

  4. arXiv · 机器人与计算机视觉82

    扩散模型如何记忆:文本到图像潜在扩散模型的复现机制数学分析

    该论文针对扩散模型无意识复现训练数据的问题,建立了文本到图像潜在扩散模型(含分类器自由引导)的数学解释框架。研究通过追踪去噪步骤中的预测差异,证明在低损失条件下,带提示词的预测能以高概率复现配对训练潜变量;同时量化了引导机制如何放大该偏差及潜变量间的提示影响传递。最终统一解释了现有的检测与缓解策略。材料为 arXiv 预印本版本,未提及同行评审状态或具体实验部署结果。

    推荐理由:本文从数学角度统一解释了文本到图像潜在扩散模型在去噪过程中如何复现训练数据,为检测与缓解策略提供理论依据。

  5. arXiv · 机器人与计算机视觉82

    SAGES 关键安全视角挑战:AI 辅助手术质量评估的全球基准

    arXiv 发布了一项关于 SAGES Critical View of Safety (CVS) Challenge 的研究论文,这是首个由外科协会组织的 AI 竞赛,旨在通过腹腔镜胆囊切除术中的 CVS 步骤建立手术质量评估标准。

    推荐理由:该工作发布了首个由外科协会组织的 AI 手术质量评估基准,提供了包含千小时视频的多标注数据集及 EndoGlacier 管理框架。

  6. arXiv · 机器人与计算机视觉78

    一种融合触觉的双层框架用于鲁棒的基于模型的在手中操作

    针对现有基于模型的方法在处理复杂物理接触和建模误差时的局限性,本文提出了一种融合触觉感知的双层框架。高层通过接触隐式的模型预测控制联合生成参考手指运动与接触点,实现在线反应规划与扰动恢复;底层利用手力 - 运动模型与触觉反馈并发跟踪这些参考,补偿建模误差并增强鲁棒性。

    推荐理由:该工作提出双层框架,结合接触隐式 MPC 与触觉反馈以解决模型误差问题。

  7. arXiv · 机器人与计算机视觉78

    AstroMemBench:具身航天体记忆系统基准

    AstroMemBench 是一个针对具身航天体记忆系统的基准测试工具,涵盖行星表面操作、在轨服务及深空探索等九项任务。该基准包含 16 个子挑战、140 个模板和 2240 个实例,通过确定性环境对任务完成度、状态变化、安全性和资源使用进行评分。

    推荐理由:该基准通过确定性环境量化了具身航天体在通信延迟与资源受限下的记忆系统性能,为长周期自主任务提供了可复用的评估框架。

  8. arXiv · 机器人与计算机视觉82

    AFTER:一种用于错误驱动保留的具有自适应快慢时间尺度的世界模型

    针对机器人交互中动力学突然且持久变化的适应难题,论文提出了 AFTER-WM 世界模型。该模型受人类大脑预测编码启发,利用预测误差驱动快速修正(衰减)与慢速修正(持久),并动态调整预训练专家的组合权重而不改变其本身,以平衡响应性、稳定性与持续性。

    推荐理由:提出 AFTER-WM,利用快慢时间尺度自适应机制解决动力学突变下的预测误差累积问题。

  9. arXiv · 机器人与计算机视觉78

    聚合准确率掩盖了医疗视觉语言模型中特定诊断的失效

    该研究审计了 MedGemma-4B、Lingshu-7B、HuatuoGPT-Vision-7B、Qwen2.5-VL-7B 和 MedVLM-R1 等五款开源医疗 VLM,在包含 6,048 个问题的 ChestX-ray14 数据集上发现,尽管模型能流利描述气胸体征,但在 432 张阳性 X 光片中零检出或仅部分检出。

    推荐理由:审计显示五款医疗 VLM 在气胸检测上存在严重诊断特异性失效,内部表征正常但输出被抑制,仅靠聚合准确率无法评估真实能力。

  10. arXiv · 机器人与计算机视觉85

    UAV-Flow++:统一的语言引导无人机飞行评测与学习套件

    针对语言引导无人机导航长期侧重长程规划而忽视短距物体相对飞行的空白,该工作提出 Flying-on-a-Word 任务及 UAV-Flow 数据集,包含 30,692 条真实专家轨迹和 10,109 条仿真轨迹。团队开发 FlowVLA 模型,利用 Tail-Aware GRPO 方法进行在线后训练,在仿真基准上平均成功率达 93.16%,并在室内外实物场景中验证了物体相对指令的稳健执行能力。

    推荐理由:该工作提出语言引导无人机飞行新基准与框架,通过混合真实与仿真数据训练 VLA 模型,在仿真中成功率提升至 93.16% 并验证了实物执行能力。

  11. arXiv · 机器人与计算机视觉83

    SALA:语义对齐的潜在动作实现具身基础模型的双轴扩展

    针对现有潜在动作模型仅通过视频重建导致表征按外观聚类而非动作的问题,该研究引入 SALA 方法,利用人类与机器人视频的语言描述估计语义相似度并建立跨载体对应关系。

    推荐理由:提出利用语言描述对齐人类与机器人潜在动作,无需配对数据即可统一监督信号。

  12. arXiv · 机器人与计算机视觉78

    超越问答:学习先说话再行动的流式视频大模型

    论文介绍 AURA 2.0,这是一个流式视频大语言模型,具备模型发起对话、流式工具调用和交互式视觉定位等核心升级能力。作者构建了专用数据集并采用三阶段训练方案整合新行为,引入长视界交互记忆以维持上下文连续性。公开基准测试显示其在开源流式模型中表现领先,相关权重与推理代码已开源。

    推荐理由:该预印本提出 AURA 2.0,通过模型发起对话、流式工具调用及交互式视觉定位等升级,在开源流式视频大模型中表现领先。

  13. arXiv · 机器人与计算机视觉78

    第 8 届 LSVOS 挑战赛:移动统一多模态理解报告

    本报告总结了与 ECCV 2026 联合举办的第 8 届大规模视频目标分割(LSVOS)挑战赛中,关于移动统一多模态理解(MUMU)轨道的评测结果。该任务要求单一模型在 0.5B 参数和 8 GB 推理显存预算下,同时完成质量/场景/事件词汇的多概念图像标签、开放词汇目标检测和简洁图像描述。

    推荐理由:报告总结了 ECCV 2026 LSVOS 挑战赛中 MUMU 轨道的评测结果,展示了在 0.5B 参数预算下基于 Florence-2-base 的统一多模态理解方案。

  14. arXiv · 机器人与计算机视觉78

    ACE-CaP-0:经验时代的现实世界代码策略

    ACE-CaP-0 提出一种结合按需演示(Demonstrations on Request)与按需仿真(Simulation on Demand)的智能体配方,旨在通过经验获取并保留可执行的物理技能。

    推荐理由:提出 ACE-CaP-0 框架,结合按需演示与按需仿真将八项真实操作任务成功率提升至 92.1%,实现无需人在环的自主执行。

  15. arXiv · 机器人与计算机视觉82

    Kosmo-GFM:一种生产就绪的几何基础模型

    该预印本提出 Kosmo-GFM,这是一个集成了几何基础模型、位姿优化引擎及来自 KosmoWorld 的重建监督的场景重建系统。GFM 可从图像和视频预测相机参数、深度、跨视图对应关系及动态 3D 点;PoseEngine 结合这些预测与几何优化恢复场景级位姿和几何结构,用于下游 3D 和 4D Gaussian Splatting。

    推荐理由:该预印本提出 Kosmo-GFM 系统,在 SpatialBench 上实现最低深度误差与最高位姿 AUC,PoseEngine 运行时间约为 GLUEMAP 的 20%,支持将学习到的几何先验集成到重建流程中。

  16. arXiv · 机器人与计算机视觉78

    EgoX:基于身体 Dreaming 的以自我为中心跨具身操作学习

    论文介绍 EgoX 框架,利用语义对应的观测与动作模态组织异构演示数据。模型 MXT+ 采用模块化交叉具身 Transformer 架构,为每种观测和动作分配专用 Tokenizer 与专家,共享主干网络并通过训练专用的身体 Dreaming 目标预测未来视觉和本体感觉状态以建模动力学。

    推荐理由:该预印本提出 EgoX 框架,通过模态解耦与身体 dreaming 实现跨机器人策略迁移,在 OOD 条件下显著提升任务进度。

  17. arXiv · 机器人与计算机视觉82

    从基础 VLM 到多功能驾驶 VLM:一种三元组增量训练方法

    针对将通用视觉语言模型(VLM)适配自动驾驶需大量空间先验或架构重构的难题,本文提出非侵入式的三元组增量训练框架。该方法利用自动构建的图像、深度和问答三元组,通过统一三流训练管线注入 3D 几何感知:主 VLM 流适应驾驶任务,辅助深度流引导视觉骨干网想象场景几何,冻结的双生 VLM 流防止语义漂移。

    推荐理由:提出非侵入式三元组增量训练框架,在保留通用 VLM 能力的同时通过辅助深度流注入几何感知,部署时无推理开销。

  18. arXiv · 机器人与计算机视觉82

    PhysCapBench:首个跨域物理 grounded 视频描述基准发布

    PhysCapBench 是首个统一涵盖第三人称场景、第一人称操作及手持夹爪演示的物理标注基准,包含 1,500 条经人工验证的视频序列并覆盖七个物理维度。该基准显示,相比仅含元数据的描述,富含物理信息的视频语言监督可将视频重建的 LPIPS 误差降低 8.6% 至 30.9%,并在 pi0.5 策略微调任务中带来 7.5 个百分点的成功率提升。

    推荐理由:PhysCapBench 作为首个跨域物理标注基准,通过量化语言监督中的物理信息缺失,为视频重建与策略微调提供了可检验的评估标准。

  19. arXiv · 机器人与计算机视觉85

    BlinkMimic:基于世界模型与 Muon 更新的快速人形运动跟踪训练方法

    针对传统全身运动跟踪策略训练耗时长的痛点,本文提出 BlinkMimic 配方,结合从并行仿真学习的世界模型回传梯度、Muon 更新机制以及残差策略等技术。

    推荐理由:作者提出 BlinkMimic 配方,在单卡 RTX 4090 上仅需 3.4 分钟即可训练出能复现 40 个动作片段的人形机器人全身运动跟踪策略。