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 18 页

11月10日周二第 341–360 条
  1. arXiv · 机器人与计算机视觉82

    CSG-Nav:面向鲁棒探索与零样本目标导航的置信度感知语义几何融合方法

    论文提出 CSG-Nav 框架,通过整合开放词汇检测、深度定位与多视图证据加权,解决长程感知不可靠及幻觉偏差问题。在 HM3Dv1/v2 和 MP3D 数据集上实现零样本导航成功率分别为 58.9%、71.6% 和 44.3%,并在室内外真实环境完成部署验证。代码已开源。

    推荐理由:提出基于置信度的语义几何融合框架,在 HM3D 等数据集实现零样本导航新 SOTA,代码已开源。

  2. arXiv · 机器人与计算机视觉78

    Flip Anything with Agentic Robotics Self-Learning

    该研究提出利用代理在物理仿真中进行自学习以掌握翻动物体的基础操作技能。通过迭代学习,系统逐步习得手递手、推倒、抓取感知及薄物体操控等子技能,将任务成功率从 24.7% 提升至 95.0%。最终生成的基于图形的代码集成了高层策略选择与反应式控制,已验证可在实体机器人上实现多阶段翻动物体操作。

    推荐理由:论文展示代理在物理仿真中自主习得翻动物体技能,成功率从 24.7% 提升至 95%,并生成可迁移到实体机器人的代码。

  3. arXiv · 机器人与计算机视觉78

    仅文本即可预测分割读出保留哪些类别

    论文指出开放词汇分割模型在部署超出训练类别时,会静默丢失某些类别且仍输出高置信度掩码,但训练损失下降甚至 mIoU 上升。研究证明哪类崩溃完全由类名列表决定:基于类名与训练词汇的文本相似度即可预测崩溃风险,该排名在九个模型家族中 AUROC 达 0.69-0.96。

    推荐理由:研究发现仅凭类名列表即可预测分割读出的崩溃风险,无需查看图像。通过调整词汇距离或训练幅度可恢复已消失的类别,为模型鲁棒性提供新视角。

  4. arXiv · 机器人与计算机视觉78

    RBA:一种用于 OCTA 血管分割的参数高效交互式读出基适配器

    该研究针对 SEEM 模型在光学相干断层扫描血管造影(OCTA)中分割细血管效果不佳的问题,提出了一种名为 RBA 的读出基适配器。该方法通过生成图像特定的基础图并配合秩为 1 的 LoRA 编码器分支,在不改变原始特征读取分辨率的前提下提升了动脉与静脉的区分能力。

    推荐理由:针对 SEEM 模型在 OCTA 血管分割中读出线粒体分辨率不足的问题,提出仅增加 0.47M 参数的 RBA 适配器,在薄血管分割上优于 LoRA 等参数高效方法。

  5. arXiv · 机器人与计算机视觉78

    面向机器人世界模型空间泛化的动作表示研究

    Yuhang Sun 在 arXiv 上发布了一项关于机器人世界模型中空间泛化的研究。该工作通过受控的机器人剥离基准,评估了在世界、物体和表面坐标系下定义的动作表示如何捕捉跨空间配置有效的物理关系。

    推荐理由:该研究通过受控的机器人剥离基准,评估了不同坐标系下动作表示对物理关系捕捉的有效性,为设计具备跨空间配置泛化能力的机器人世界模型提供了理论依据。

  6. arXiv · 机器人与计算机视觉78

    Fade to... Red? 调度彩色噪声支持高效且低抖动的机器人学习

    针对连续控制中的探索问题,本文系统研究了从白噪声到红噪声的线性调度策略及其对 Fetch 机械臂和 Shadow Dexterous Hand 在稀疏奖励操作任务上的影响。研究发现,训练结束时的噪声颜色不影响最终性能,但向红噪声过渡可将所有任务的探索动作抖动减半。研究建议将向红噪声过渡的调度器作为离线机器人学习的默认配置,以平衡学习效率、最终表现与运动平滑度。

    推荐理由:研究证实训练后期向红噪声过渡的策略,在保持学习效率的同时显著降低动作抖动,可作为离线强化学习的默认探索方案。

  7. arXiv · 机器人与计算机视觉82

    DASH:面向人形机器人灵巧操作的延迟无关视觉语言动作模型扩展

    论文提出 DASH(Decoupled Asynchronous System for Humanoids),通过异步解耦将 VLA 模型的慢速骨干与快速动作头分离,使控制频率仅取决于动作头。

    推荐理由:提出 DASH 异步系统解耦 VLA 骨干与控制头,在仿真与真机实验中保持高频控制率并提升灵巧操作成功率。

  8. arXiv · 机器人与计算机视觉78

    MDA 框架:无监督行人重识别的多架构域自适应方法

    针对无监督行人重识别面临的域差距及现有方法不支持多网络架构的问题,本文提出 Mamba 增强的多架构域自适应(MDA)框架。该框架在两个层面构建能力:首先设计包含 Mamba 组件的复合算子以增强域自适应;其次基于此算子构建支持 CNN 和 Transformer 多种骨干网络的通用框架。

    推荐理由:提出 Mamba 增强的多架构域自适应框架,在 CNN 与 Transformer 骨干上均提升 Re-ID 性能。

  9. arXiv · 机器人与计算机视觉78

    何时信任适配:用于可迁移视觉语言提示的上下文融合

    针对视觉语言模型在新类别或领域上的适配问题,该方法通过保留冻结与提示后的四分支预测,结合局部置信度与集合频率偏差进行仲裁。在 ImageNet 上训练后,其在十个跨数据集基准的平均准确率达 69.96%,刷新 ImageNet-S 记录至 52.21%,并在基类到新类的迁移任务中达到 79.77% 的新类别准确率。代码已公开。

    推荐理由:提出上下文自适应融合方法,在跨数据集基准上超越现有提示微调技术并刷新 ImageNet-S 记录。

  10. arXiv · 机器人与计算机视觉78

    PAIR:一种基于本体感知对齐的图像射线表示方法,用于提升操作任务的视角鲁棒性

    针对模仿学习中视觉输入随视角变化导致信号模糊的问题,本文提出 PAIR 框架,利用机器人本体感知(proprioception)将联合图像与射线表示进行对齐。该方法鼓励在相似机器人状态下、不同视角下的观测在表示空间中保持接近,从而为学习视角鲁棒的特征提供结构化先验。

    推荐理由:提出利用机器人本体感知对齐图像射线表示的对比学习框架,在仿真与真实场景中显著提升了对视角变化的泛化能力。

  11. arXiv · 机器人与计算机视觉85

    Planners Exploit Deterministic Error: Dithered Low-Bit World Models

    论文发现基于采样的规划器在低比特世界模型中因确定性舍入误差而崩溃,提出通过迭代内重绘的共享抖动方案可在不训练的情况下消除大部分损害。实验显示该策略将 W8A4 整数模型的规划速度提升 1.9-3.3 倍,且无需额外校准或训练即可在多个基准任务上恢复性能。

    推荐理由:原文揭示了低比特量化导致规划器崩溃的机制,并验证了无需训练的抖动策略可恢复性能。

  12. arXiv · 机器人与计算机视觉78

    基于数据的软螺旋体机器人精密控制方法

    作者提出一种基于绝热谱子流形理论的纯数据驱动方法,从硬件平台采集的数据中学习五维非线性常微分方程以建模软体螺旋体躯干机器人的动力学。该方法结合模型预测控制方案,在包含静态与动态约束的二维至三维闭环轨迹跟踪任务中实现了实时精密控制。

    推荐理由:基于硬件采集数据学习软体机器人动力学模型,在闭环轨迹跟踪任务中精度优于现有线性方法与无模型强化学习。

  13. arXiv · 机器人与计算机视觉83

    BAT-WAM:连接动作与触觉的世界 - 动作模型用于灵巧手

    BAT-WAM 是一种针对世界 - 动作模型(WAMs)的框架,旨在解决灵巧操作任务中关节状态和全手掌触觉观测缺失的问题。该框架通过 RGB 条件化的连续潜在桥梁连接触觉流与动作流,实现双向学习,并利用视觉信息作为连续上下文。

    推荐理由:BAT-WAM 框架通过视觉与触觉表征的双向桥梁,在掩码条件下显著降低触觉重建误差,并在真实机器人实验中优于基线。

  14. arXiv · 机器人与计算机视觉83

    MemSurg:用于机器人辅助手术的场景与工作流理解的结构性记忆框架

    MemSurg 是一个针对机器人辅助手术的视频理解框架,旨在解决帧级提示无法利用早期观察历史的难题。该框架通过结构化记忆图存储带时间戳的实体类别、位置、运动线索和交互摘要,并利用时序链接与实体关联链接保留上下文及跨阶段观测。

    推荐理由:该框架通过结构化记忆图解决手术视频理解中的历史上下文缺失问题,在前列腺切除术等基准上显著优于现有方法。

  15. arXiv · 机器人与计算机视觉82

    AmodalBox:基于图像生成资产的自动化 3D 边界框标注框架

    针对稀疏驾驶场景中 LiDAR 点云仅覆盖物体小部分的挑战,本文提出 AmodalBox 框架,利用图像生成的 3D 资产作为非遮挡几何先验。该方法通过建立输入图像与渲染视图的对应关系,将标准非遮挡几何与部分观测的世界空间 LiDAR 点云对齐。

    推荐理由:该方法利用图像生成资产作为几何先验解决部分遮挡问题,在 nuScenes 和 Waymo 数据集上显著提升了检测性能。

  16. arXiv · 机器人与计算机视觉82

    相同测量预算下不同的速度风险:时钟不确定性下的互补卷帘快门读出

    该论文研究了在曝光时间存在不确定性时,具有相同测量预算的相机 rigs 如何表现出不同的速度估计率。作者建立了滚动快门重建的理论框架,区分了两种读出策略的风险阶数:重复读出的最坏情况平方速度风险至少为 $ ho_{ ext{eff}}$ 量级,而互补读出的极小极大风险为 $ ho^2$ 量级(其中 $ ho_{ ext{eff}}$ 为固定允许的时钟位移)。

    推荐理由:原文建立了滚动快门在时钟不确定下的速度风险理论,区分了不同读出策略的误差阶数。

  17. arXiv · 机器人与计算机视觉81

    RoadState:一种增强领域先验的视觉语言系统用于工业级车道级地图更新

    论文介绍 RoadState,这是百度地图更新管线中已部署的视觉语言系统,将连续道路场景观测转化为结构化车道级语义。其核心模型 RoadState-VLM 采用自回归状态估计架构,结合几何思维链(Geo-CoT)利用语义依赖有向无环图作为领域先验,提升跨维度的语义一致性与推理保真度。

    推荐理由:RoadState-VLM 通过几何思维链与领域先验提升车道级语义理解准确率,已在百度地图更新管线中部署并降低成本。

  18. arXiv · 机器人与计算机视觉85

    Latent-WAM++:面向端到端自动驾驶的世界与动作表征塑造

    论文提出 Latent-WAM++,一种面向端到端自动驾驶的以表征为中心的世界动作模型(WAM)。该方法通过场景 - 自车未来预测、SIGReg 分布稳定化及冻结几何先验构建世界表征;利用改进的 MeanFlow 速度空间目标直接预测多模态轨迹提议并实现一步采样;同时对齐视觉语义衍生的停止梯度目标以优化预输出动作特征。

    推荐理由:该工作提出 Latent-WAM++,通过重塑中间表征监督与冻结几何先验,在 NAVSIM v2 实现 SOTA 性能并将端到端规划器训练成本降低 88.1%。

  19. arXiv · 机器人与计算机视觉81

    ReSkill:面向机器人操作的 selective self-improvement 框架

    本文提出 ReSkill 框架,用于解决组合式操作任务中的自我改进问题。该框架利用代码智能体构建以对象为中心的任务图,定位执行失败节点,并在任务层级优化阶段组织与恢复路线,在技能层级增强感知、运动等能力。

    推荐理由:提出 ReSkill 框架,通过定位局部缺陷与验证候选变更实现机器人操作能力的选择性自我改进。