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 24 页

11月6日周五第 461–480 条
  1. arXiv · 机器人与计算机视觉78

    选择性事件证据与持久时间先验用于事件相机点跟踪

    arXiv 论文提出 SEPT 框架,专为长序列任意点跟踪设计,仅利用事件数据。该方法包含两个模块:任务自适应事件证据调制(TEEM)学习有界可靠性场以加权时空通道特征;持久轨迹先验(PTP)通过边缘化局部二次模型与 Schur 补传递几何信息并修正可见性坐标。

    推荐理由:该工作提出仅基于事件相机的长序列点跟踪框架,通过任务自适应证据调制与持久轨迹先验解决稀疏性与漂移问题。

  2. arXiv · 机器人与计算机视觉80

    FAH:一种在像素、交互与世界空间中快速准确的手部估计方法

    论文提出 FAH(Fast and Accurate Hand Estimation)模型族,基于 SAM 3D Body 手部分支通过微调与特征蒸馏构建。该模型直接预测对应的 2D 和 3D 关节及表面点,拟合 MANO 或 MHR-Hand 网格,并可选估计解剖部位与接触信息(无需物体几何)。

    推荐理由:提出 FAH 模型族,通过直接预测 3D 关节与因果细化提升手部估计精度与世界空间追踪能力。

  3. arXiv · 机器人与计算机视觉78

    ReferClaw:通过交互澄清解决第一人称助手中的用户意图歧义

    针对第一人称 AI 助手常遇到的短促且指代不明的提问(如“我把它放哪了?”),现有视频问答系统往往直接给出单一解释,导致答案虽合理但与用户真实意图不符。本文介绍 ReferClaw,这是一个代理框架,将第一人称流式问答转化为交互过程:助手在回答前先提出澄清性问题以明确用户意图。

    推荐理由:提出交互澄清框架以解决第一人称助手的意图歧义,在基准测试中提升准确率并实现零样本迁移。

  4. arXiv · 机器人与计算机视觉82

    MetricTrail:利用度量深度与局部优化提升长序列流式三维重建性能

    论文提出了 MetricTrail 系统,用于从长单目视频中实现精确的相机运动估计和稠密三维重建。该方法复用 DPVO 的稀疏局部估计器,通过引入单图度量深度预测来初始化块深度并作为软约束,显著提升了轨迹精度,且无需重训对应网络或扩大优化窗口。

    推荐理由:该工作通过引入单图深度预测与冻结 DINOv3 特征,在不重训对应网络的情况下提升了长序列轨迹估计精度。

  5. arXiv · 机器人与计算机视觉78

    OptIMerge:一种基于优化的扩散模型融合方法

    针对图像到图像(I2I)扩散模型在多任务学习中的参数干扰与伪影问题,本文提出了 OptIMerge 框架。该方法通过最小化多任务损失函数学习轻量级合并系数,利用架构感知的变换对齐注意力层与卷积层的特征,在冻结专家网络的前提下实现了媲美联合训练的多任务能力。

    推荐理由:提出基于优化的多任务融合框架,解决图像修复类扩散模型直接平均导致的伪影问题。

  6. arXiv · 机器人与计算机视觉83

    LMGN:一种用于足式机器人末端抓取导航的统一策略学习模型

    针对现有方法仅关注全局导航或独立操作而忽视末端抓取导航的问题,本文提出 Last-Mile Grasp-Navigation (LMGN) 统一策略学习模型。该模型引入显式距离与方向可达性表示,并开发语义对齐的分层混合专家策略以建模基座调整、预抓取对准、抓取执行及物体提升等阶段行为。实验在 Habitat 和 Isaac Gym 仿真器上进行,结果表明该方法显著优于现有最先进方法。

    推荐理由:提出统一策略学习模型解决足式机器人末端抓取导航难题,仿真实验显示集成可达性表示与分层专家路由能显著提升成功率。

  7. arXiv · 机器人与计算机视觉82

    Concertina:在单一扩散视觉语言模型中体现操作与认知

    论文介绍 Concertina 架构,主张将连续轨迹表示、块式生成及物理坐标监督直接置于共享扩散 VLM 骨干网络路径上,而非外挂独立动作专家。该模型仅用 0.21% 的参数实现主动动作投影,在 LIBERO-Plus 基准上达到 85.9% 成功率,CALVIN ABC-D 平均完成链长为 4.142。代码与权重已开源。

    推荐理由:该工作提出将连续轨迹表示与认知统一于共享扩散骨干网络,显著降低动作生成参数占比并验证了跨时间步耦合机制。

  8. arXiv · 机器人与计算机视觉78

    标签库增长导致旧决策漂移:VLM 分类器审计与一致性保持方法

    Vision-language classifiers 在仅凭文本学习新标签时,其服务列表持续增长会静默改变基于 softmax 的 conformal scores,进而影响旧标签的决策。

    推荐理由:提出 PrefixCP 方法解决标签库增长导致的旧决策漂移问题,兼顾覆盖率保证与历史决策稳定性。

  9. arXiv · 机器人与计算机视觉78

    低成本闭环物理操控评估:4.4 L4 GPU 小时能买到什么

    本文提出了一种基于消费级服务器的可复现评估框架,旨在降低接触式机器人操控评估的成本门槛。实验显示,在稀疏数据条件下,三种独立训练的动作分块策略在 780 次 rollout 中零成功,而单步策略成功率介于 2.6% 至 11.8%。研究进一步表明,失败源于训练公式与多步预测机制而非开环执行,为物理策略开发提供了可复用的评估工具。

    推荐理由:作者提供了一套基于消费级 GPU 的可复现评估框架,以低成本验证了动作分块策略在稀疏数据下的失效原因。

  10. arXiv · 机器人与计算机视觉78

    运动学假设上下文:面向带宽受限机器人策略上行链路的具身条件化学习视频编码

    针对远程服务器运行大型视觉语言动作策略时相机上行链路成为瓶颈的问题,本文提出一种零速率条件的运动学假设上下文机制。该方法利用关节状态、机器人模型和相机标定构建自运动单应性、连杆重投影等假设,对上一帧重建结果进行变换以条件化学习视频编码。

    推荐理由:提出运动学假设上下文机制,在带宽受限场景下显著降低视频传输码率并提升策略成功率。

  11. arXiv · 机器人与计算机视觉82

    长视频问答增益来源受控审计:帧选择、证据注入与专家路由分析

    Shih-Yao Lin 发布 VideoRouteAudit 审计,在固定骨干网络与解码设置下分离了帧选择、非视觉证据注入和模型路由的影响。全量数据(n=900)显示无测试选择器显著优于均匀采样,最大增益仅 +1.2 分且置信区间包含零;小样本(n=200)评估极不稳定,35.8% 的抽样反转了全量效果。

    推荐理由:该审计发现长视频问答的增益主要来自模型切换而非帧选择,且小样本评估极不稳定。

  12. arXiv · 机器人与计算机视觉78

    基于潜在噪声表示桥接的高效扩散策略微调方法

    针对预训练扩散与流策略在强化学习适配中计算昂贵且存在噪声别名问题的挑战,本文提出 LNL-MDP 框架并推导桥接方程以对齐噪声空间与动作空间的值函数。在此基础上开发了 LARBRID 算法,通过优化初始分布引导预训练模型在环境中实现最优行为。实验显示该方法在多样化的机器人运动与控制任务上带来最高达 2-3 倍的性能提升。代码已开源。

    推荐理由:提出 LARBRID 算法解决扩散策略微调中的噪声别名问题,在多种机器人任务上实现性能提升。

  13. 上海人工智能实验室 · 科研动态75

    上海 AI 实验室推出支持递归式自我改进的科学多模态框架书生·元征

    上海 AI 实验室发布科学多模态框架书生·元征(Sage SciPerception),引入递归式自我改进模式,让模型能自主分析任务表现并提出新的投影模块方案以优化感知架构。

    推荐理由:上海 AI 实验室推出支持递归式自我改进模式的科学多模态框架,赋予大模型自主优化感知架构能力。

  14. Hugging Face Daily Papers78

    SIRIS:LLM 能否判断仿真误差对 AI 驱动系统研究的影响?

    论文介绍 SIRIS 框架,通过扰动仿真器构建具有相同候选方案但预测结果不同的工作负载对,测试大模型是否能识别仿真限制并据此做出正确选择。实验评估了十三款前沿 LLM 在系统设计问题上的表现,发现仅凭识别限制并不保证选择正确,且强模型有时会放弃有效推荐;自我修正虽能恢复部分选择但也引入新错误。

    推荐理由:该预印本通过扰动实验发现,前沿大模型在依赖有缺陷的仿真器时难以识别错误并坚持有效推荐,揭示了系统理解评估的新挑战。

11月5日周四
  1. 智东西 · 机器人78

    戴盟发布TacClaw-Infinity触觉数据集并验证零本体迁移能力

    戴盟近日公开了其从Daimon-Infinity中筛选出的TacClaw-Infinity触觉数据集,包含1万小时采集、100万条轨迹和10亿帧数据。该数据集支持无本体训练(Zero-Robot Transfer),在π0.5等模型上使花瓶擦拭任务成功率由50%提升至74%,且无需专用触觉架构即可利用现有策略。

    推荐理由:戴盟公开TacClaw-Infinity触觉数据集及完整研究流程,验证了无本体数据在跨机器人迁移中的有效性。

  2. Hugging Face Daily Papers78

    多轮强化学习究竟提升了 LLM Agent 的什么能力?

    该论文评估了采样广度与交互深度对多轮智能体强化学习性能的影响,发现其优势依赖于充足的回合预算且集中于错误恢复与长程韧性,而非均匀提升单步决策质量。作者提出 BudgetMix RL 方法以缓解预算依赖带来的部署风险,并展示了其在多样化执行设置下的鲁棒性。

    推荐理由:原文通过多轮交互预算分析揭示强化学习在长程任务中的优势边界,并提出 BudgetMix RL 以缓解部署风险。

  3. arXiv · 机器人与计算机视觉82

    GhostTac:一种无需物理接触的触觉传感器电磁干扰攻击方法

    GhostTac 是一种针对机器人触觉传感器的无接触攻击方法,利用电磁干扰(EMI)的非线性整流效应和带宽限制放大特性,绕过板载滤波器制造持续的直流偏移,从而稳定地扭曲测量结果。

    推荐理由:该研究揭示了电磁干扰可无接触操控触觉传感器的新攻击向量,并在多种传感器与灵巧手上验证了有效性。

  4. arXiv · 机器人与计算机视觉83

    VicEdit:基于视觉上下文示例学习视频编辑

    针对文本指令在表达细粒度外观、空间变换和时序动态上的局限,该研究提出了 Visual In-context Editing 新范式,允许用户通过单图、成对图像或成对视频等异构视觉参考指定编辑需求。

    推荐理由:VicEdit-400K 数据集与 VicEdit 框架展示了从视觉示例而非纯文本进行视频编辑的新范式,为可控视频生成提供了新的技术路径。

  5. arXiv · 机器人与计算机视觉82

    Reverse to Advance:基于逆向易任务的低成本硬策略学习框架

    针对高质量遥操作数据集收集成本高且硬任务方向性不对称的问题,本文提出一种通过时间反转易任务来辅助硬策略学习的框架。该方法包含闭环数据采集、分层数据清洗(利用运动学先验和评论家引导的优势过滤)以及迭代策略学习三个核心组件。在两个仿真基准和真实机器人实验中,该方法在不依赖大量硬任务遥操作的情况下,相比基于反转和强化学习的基线方法,显著提升了复杂高精度操作任务的成功率并提高了训练稳定性。

    推荐理由:提出利用逆向易任务轨迹作为监督信号,通过闭环采集与分层清洗降低硬任务遥操作成本。

  6. arXiv · 机器人与计算机视觉78

    RegimeVGGT:一种基于层级空间冗余去除的视觉几何基础 Transformer

    论文 RegimeVGGT 针对多视图图像恢复稠密三维场景结构的 VGGT 模型,提出无需训练的层级压缩方案以解决二次交叉帧注意力带来的扩展性瓶颈。研究通过频谱、探测和因果分析发现浅层缺乏跨视角结构、中层驱动对齐、深层对几何冗余但保留姿态关键路径的规律。

    推荐理由:该文提出无需训练的层级压缩方法,在保持重建质量的同时将 VGGT 推理速度提升 6.7 倍。