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 21 页

11月9日周一第 401–420 条
  1. arXiv · 机器人与计算机视觉78

    基于光电软吸盘的机器人奇异果处理中的机械交互感知

    该论文介绍了一种专为奇异果设计的二组分光电软吸盘,旨在实现柔顺接触并定量感知末端执行器处的机械交互。研究在已知接触间隔内,利用光电信号对训练集之外的真实果实进行了准确的力估计:最佳浅层网络在分组留一折池化下的 R-squared 为 0.968(MAE=0.138 N),单均值光学响应映射的 R-squared 达 0.925。

    推荐理由:该研究提出了一种针对奇异果的机电软吸盘,通过光电信号在未见过的真实果实上实现了高精度的接触力估计与软硬分级。

  2. arXiv · 机器人与计算机视觉78

    HiMEM:面向三维场景的视觉语言动作模型的类海马体记忆巩固、剪枝与组合方法

    针对视觉语言动作(VLA)模型在复杂三维场景中执行长程任务时面临的记忆噪声问题,该研究提出了一种受海马体启发的记忆机制。该方法首先通过语义整合将大量情景经验压缩为关键语义记忆;其次利用剪枝机制移除被语义记忆覆盖的冗余情景记忆以释放容量;最后通过灵活的记忆组合增强跨场景泛化能力。

    推荐理由:该工作提出海马体启发的记忆机制,通过语义整合与冗余剪枝提升 VLA 模型在复杂三维场景中的长程任务成功率。

  3. arXiv · 机器人与计算机视觉78

    YOLO 关键线检测:面向视觉起降的跑道感知方法

    针对关键点易受遮挡和截断的问题,本文引入物体关键线检测任务,预测每个实例的固定语义有序无限直线集。研究扩展 YOLO 以支持连续 Hesse-normal 形式的参数化输出,并定义物体关键线相似度(OKLS)作为评估指标与回归损失。在视觉起降的跑道感知实验中,该方法在四种线参数化方案中检测精度最高,且能直接集成到标准 YOLO 头中而不降低关键点性能或增加显著延迟。

    推荐理由:提出基于 YOLO 的物体关键线检测框架,在跑道感知任务中实现高精度且无额外延迟。

  4. arXiv · 机器人与计算机视觉84

    迈向代理具身智能时代:A2-MEAS 框架发布

    论文介绍了 A2-MEAS 具身多智能体框架及 A2-WLA 动作模型,利用代码作为扩展接口结合 MetaBrain 进行训练监督与运行时引导。在 BEHAVIOR 2026 基准上 Q-score 达 0.5755-0.6411,RoboTwin 2.0 平均成功率超 93%,真实机器人长程任务失败后恢复率从 8% 提升至 82%,训练吞吐量提升 4 倍。

    推荐理由:该框架通过代码接口与冻结权重的自适应设计,在仿真与真实机器人任务中均实现了显著的性能提升。

  5. arXiv · 机器人与计算机视觉83

    Trajectory Forcing:利用扩散轨迹实现长视频生成的自回归方法

    该论文提出 Trajectory Forcing (TraF) 方法,解决固定长度视频扩散模型向更长或流式视频扩展的问题。与仅使用前序预测块作为上下文不同,TraF 利用前序视频块的完整去噪轨迹作为条件。

    推荐理由:TraF 利用去噪轨迹作为上下文,在长视频生成任务上优于现有自回归扩散方法。

  6. arXiv · 机器人与计算机视觉84

    DobotTrack:面向具身智能的目标 grounded 视觉 - 语言 - 动作学习框架

    论文提出了 DobotTrack,这是一个结合辅助 grounding 监督与高效时序建模的视觉 - 语言 - 动作(VLA)框架,旨在让移动智能体根据描述识别目标并持续跟踪。

    推荐理由:该工作提出 DobotTrack 框架,通过辅助监督与历史特征压缩提升目标跟踪成功率,并在四足机器人上构建了大规模真实数据集。

  7. arXiv · 机器人与计算机视觉78

    通过概念注入探测视觉语言模型的现实监控能力

    本文提出一种范式,独立变化图像内容与注入的概念方向,测试视觉语言模型能否区分所见图像与注入思想。实验显示,在六种 VLM 中仅有 Gemma-3-27B 能可靠识别注入概念,但报告来源仍不稳定;强注入或视觉路径激活常被误报为看见,且真实照片中注入物体出现在高达 87% 的普通描述里。该研究强调评估多模态自我报告需同时检查内容及其声称的来源。

    推荐理由:该研究揭示了多模态模型在区分注入概念与真实图像内容时的脆弱性,指出仅凭生成文本无法可靠评估其内部状态。

  8. arXiv · 机器人与计算机视觉78

    LEF-JEPA:用于空间表征学习的去噪训练潜在能量场

    针对联合嵌入预测架构(JEPA)难以清晰捕捉物体形状与边界的局限,本文提出 LEF-JEPA 方法。该方法通过目标引导的潜在恢复学习空间结构,并利用相对能量约束将监督转移至视觉编码器;能量模块仅在预训练阶段使用,推理时无额外开销。

    推荐理由:提出 LEF-JEPA,通过目标引导的潜在恢复与相对能量约束增强空间结构,在 CIFAR-10 预训练及冻结编码器评估中优于 V-JEPA2.1。

  9. arXiv · 机器人与计算机视觉82

    VLA Handover:基于失败预测的从机器人端到大模型服务器的切换方法

    针对大视觉语言动作(VLA)模型难以实时运行而小模型易失败的问题,提出 VLA handover 方案,让机器人本地运行小 VLA,仅在预测可能失败时切换至服务器端的大 VLA。该方法通过最小化请求成本并满足成功率约束,在 LIBERO 仿真套件中相比纯小模型提升 11-22 个百分点的成功率,同时比纯服务器控制减少 49-77% 的请求量且对网络延迟更鲁棒。

    推荐理由:提出基于失败预测的 VLA 切换框架,在仿真中显著提升成功率并降低服务器请求量。

  10. arXiv · 机器人与计算机视觉76

    MESAM:通过语义 - 视觉记忆生成增强 SAM2 的少样本分割能力

    论文 MESAM 旨在利用 Segment Anything Model 2 (SAM2) 解决少样本分割任务中支持集与查询图像外观差异大的挑战。研究提出 Memory-Enhanced SAM2 方法,首先引入语义 - 视觉记忆生成模块构建查询语义、前景视觉及支持自适应记忆,随后通过交互式语义记忆细化模块补充细粒度细节并抑制背景误激活。

    推荐理由:针对 SAM2 在少样本分割中因外观差异导致记忆匹配失效的问题,提出通过语义 - 视觉记忆生成与交互式细化模块提升性能。

  11. arXiv · 机器人与计算机视觉78

    FANO:一种用于扩散模型逆问题的锚定前向噪声优化方法

    Shilong Han 和 Hongxia Wang 提出了 FANO(Anchored Forward-Noise Optimization)方法,旨在解决预训练扩散模型在图像逆问题中直接优化去噪器输入 $x_t$ 时出现的径向漂移现象。

    推荐理由:针对退火去噪器输入径向漂移问题,提出锚定前向噪声优化方法,在保持分布结构的同时提升非线性逆问题的重建性能。

  12. arXiv · 机器人与计算机视觉78

    PRISM:通过上下文技能混合实现 Retentive VLA 适应的原语路由方法

    针对现有 VLA 模型缺乏技能保留与长程组合能力的局限,PRISM 将可复用技能表示为参数级原语,利用低秩动作专家适配器存储技能家族,并通过 VLM 条件化的路由器在推理阶段根据任务前缀动态组合技能。

    推荐理由:PRISM 提出基于低秩更新的技能原语与路由机制,在 RoboCasa365 上显著提升了原子技能与长程复合任务的成功率。

  13. arXiv · 机器人与计算机视觉78

    利用自然天光进行鱼眼相机偏振校准的联合镜头 - 分析器方法

    针对鱼眼镜头效应和分析器不完美导致的偏振测量退化问题,作者提出了一种联合镜头 - 分析器校准方法,通过统一八参数公式显式建模入射角依赖的镜头透射率。该方法仅需手持户外序列即可估计相机帧间旋转并实现偏振校准,无需专用设备或预设天空模型。

    推荐理由:提出了一种仅需手持户外序列即可完成鱼眼镜头偏振校准的方法,无需专用设备或预设模型。

  14. arXiv · 机器人与计算机视觉78

    Lodos:一种面向接触丰富交互与精细网格的轻量级仿真器

    针对传统刚体仿真在处理复杂表面和精细网格碰撞时效率低下的瓶颈,本文提出了一种从头设计的仿真框架 Lodos。该框架引入了新的宽相位与窄相位碰撞检测例程及后续接触动力学计算,在保持物理保真度与现有主流模拟器相当的同时,将详细网格碰撞场景的吞吐量提升了约一个数量级。源代码已开源。

    推荐理由:提出专为接触丰富场景设计的轻量级仿真框架,在保持物理保真度的同时将详细网格碰撞吞吐量提升约一个数量级。

  15. arXiv · 机器人与计算机视觉78

    毫米波雷达人体状态感知受限因素分析:误差理论与策略评估

    针对烟雾、黑暗及隐私敏感环境下的机器人感知需求,本文提出将人与环境视为时变散射场的统一框架,并推导了基于带宽、孔径、信噪比等参数的联合定位误差理论下限(Cramer-Rao 型)。研究利用现有帧融合、多视角和姿态估计方法作为探针验证该理论,实验表明增加第二视角可将关节平均位置误差从约 97mm 降至 65mm,而更强估计器主要通过补全无法解析的关节来降低整体误差。

    推荐理由:该文建立毫米波雷达人体感知的误差理论下限,并通过实验验证不同策略对误差的影响方向与幅度。

  16. arXiv · 机器人与计算机视觉83

    VICTR:一种用于视觉语言动作模型的基于价值的上下文学习框架

    该论文提出了 VICTR 框架,旨在解决机器人基础模型在未见任务中仅凭视觉相似性进行上下文检索的局限性。研究引入了一种基于参考演示、语言指令和当前观测的“进度感知”上下文检索机制,通过估计任务相对进度来对齐当前状态与已演示的执行阶段。

    推荐理由:针对 VLA 模型在未见任务中上下文检索效果受限的问题,提出基于进度感知的价值函数估计框架,显著提升了真实世界操作任务的成功率与进展率。

  17. arXiv · 机器人与计算机视觉82

    ForPC:一种用于精确人形机器人推车的力感知全身控制框架

    论文提出了 ForPC 框架,旨在解决人形机器人在不修改工作场所的情况下操作现有手推车以搬运重物的难题。该框架通过两阶段强化学习调节车速,首先训练运动先验以提供平衡支持,随后基于车载观测推断力潜变量和状态潜变量(无需外部传感器),并协调手臂、腰部与腿部的调整及基座速度指令。

    推荐理由:提出无需外部力传感器的全身控制框架,在仿真中训练即可将人形机器人推重达 30kg 的推车速度误差降低 68.2%。

  18. arXiv · 机器人与计算机视觉78

    VoluCompose:构建紧凑体素视觉表示以理解医学图像

    VoluCompose 是一种免训练、模型无关的框架,旨在解决处理完整医学体积图像成本高昂的问题。该方法将内容选择与 Token 预算分配解耦,利用双曲 Token 组合模块和容量控制模块优化视觉编码器的注意力分布。

    推荐理由:VoluCompose 提出免训练框架,在保留 22.78% 视觉 Token 时质量达未压缩参考的 121.68%,显著优于基线。

  19. arXiv · 机器人与计算机视觉78

    InstaGen:基于组共享重要性采样的快速视频生成

    论文指出扩散 Transformer 的二次注意力复杂度导致高计算成本,现有 Top-p 选择策略在高熵场景下样本效率低。作者提出 InstaGen,将块选择重构为重要性采样,用精确集合加加权样本替代原有方法,且每个查询簇共享一个样本以适配 GPU 高效执行。

    推荐理由:提出 InstaGen 方法,将块选择重构为重要性采样,在 Wan2.1-T2V 模型上显著降低计算成本并提升视频生成质量。

  20. arXiv · 机器人与计算机视觉78

    通过正负样本学习提升地理空间基础模型的标签效率以进行建筑损毁映射

    针对地理空间基础模型(GFM)在建筑损毁映射中标签稀缺的挑战,本文提出 PUMA 框架。该方法结合非对比式弱监督表示优化与基于隐状态的标签消歧技术,仅需少量受损建筑标注即可实现高效适配。实验表明,PUMA 在全球灾害基准数据集上有效且鲁棒,并在 2025 年洛杉矶山火真实场景中验证了其在高度受限监督下的损毁映射潜力。

    推荐理由:提出 PUMA 框架,利用少量标注实现地空大模型在建筑损毁映射上的弱监督高效适配。