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 31 页

11月4日周三第 601–620 条
  1. arXiv · 机器人与计算机视觉83

    RoboScope Kit:具身智能评估的统一接口与加速方案

    作者发布 RoboScope Kit 以解决仿真基准评估慢、接口不统一的问题。该工具通过 Python 类封装模型与基准适配器,实现并行调度与渲染优化;在 LIBERO-Long 和 RoboTwin Easy 等任务上,相比官方 StarVLA 评估器速度提升 4.45 至 6.16 倍,四 GPU 配置下比单卡基线快 25 倍以上。代码与项目页面已开源。

    推荐理由:该工具通过统一接口与调度优化,将机器人策略评估速度提升数十倍,相关团队可据此加速现有训练流程。

  2. arXiv · 机器人与计算机视觉78

    可变形物体形状伺服教程(第二部分):高级概念与扩展

    该论文是两篇关于数据驱动、基于雅可比矩阵的形状控制教程的第二部分。文章利用形变雅可比矩阵的奇异值分解,识别机器人运动对物体形状的影响范围及局部不可达区域;分析了特征选择对控制器调节策略及物体变形程度的影响;阐述了控制环失效的三种模式(可控性丧失、可观测性丧失和机械失稳);最后扩展了时变目标、次级任务及三维物体的形状控制方法。代码与交互演示已公开,为灵巧操作算法研究提供理论参考。

    推荐理由:本文作为两篇教程的第二部分,深入解析了基于雅可比矩阵的形变控制高级概念、失效模式及扩展应用。

  3. arXiv · 机器人与计算机视觉84

    AIRoA-0:仅凭手持演示实现长视界精准跨本体操作

    AIRoA-0 是一个从 16,151 小时手持演示中学习的双臂操作系统,训练全程未采集任何机器人数据。该系统利用开源 YUBI 手持夹爪录制数据,仅需手腕摄像头即可在未见过的场景执行分类零件、更换扫地机配件、解拉链和折叠毛巾等任务。

    推荐理由:作者基于纯手持演示数据训练出跨本体双臂操作模型,在未见过的机器人上实现 78% 成功率,并开源数据集与权重。

  4. Hugging Face Daily Papers83

    PrimeSim:基于大规模跨具身演示的通用世界模型模拟器发布

    论文 PrimeSim 提出了一种动作条件化的多视图世界模型模拟器,通过渐进式中期训练和后期训练解决动作跟随与多视图一致性难题。该模型在 30,110 小时、22 个平台的数据上预训练,支持刚性及可变形操作任务的长程仿真,并在多个基准测试中领先开源同类模型。作者发布了模型权重、推理代码及训练代码,但材料仅基于 arXiv 预印本,未提及同行评审状态或真实机器人部署结果。

    推荐理由:原文给出了跨具身演示训练的世界模型架构与代码入口,相关团队可据此评估其仿真一致性与长程规划能力。

  5. Hugging Face Daily Papers82

    Micius-Flash:面向工程的轻量级智能体模型发布

    论文介绍 Micius-Flash 是一个拥有 270 亿参数的工程领域多模态模型,具备原生多模态输入、深度推理和 256K token 上下文窗口。研究团队构建了知识树驱动的数据飞轮,训练了半导体知识与推理、硬件编码等专家模型,并通过多教师同策略蒸馏整合能力。

    推荐理由:该预印本介绍了面向工程领域的轻量级多模态模型 Micius-Flash,展示了其在硬件代码与半导体任务上的性能提升及工具执行反馈能力。

11月3日周二
  1. arXiv · 机器人与计算机视觉78

    高斯混合端点的高斯舒罗丁格桥:投影间隙与路径空间障碍

    论文研究了布朗运动先验下高斯混合分布间的随机密度控制问题。由于直接求解无闭式解,作者引入升维路径空间构造,将轨迹增广源目标标签,分解为显式的分量间桥接问题及有限维熵耦合分配。

    推荐理由:该文提出高斯混合分布的升维路径空间构造,量化了投影间隙与路径空间障碍,为密度控制提供理论边界。

  2. arXiv · 机器人与计算机视觉82

    基于梯度强化学习的分布匹配蒸馏引导:GDMD 框架

    论文提出 GDMD 框架,通过优先优化蒸馏梯度而非原始像素输出来重新定义奖励机制,解决了传统扩散蒸馏在少步生成中牺牲质量的问题。实验显示,该方法使 4 步模型的质量超越多步教师,并在 GenEval 和人类偏好指标上显著优于现有 DMDR 结果。

    推荐理由:提出 GDMD 框架,利用梯度强化学习解决蒸馏与采样速度冲突,在少步生成任务上超越多步教师及现有 DMDR 方法。

  3. arXiv · 机器人与计算机视觉80

    ExeWorldBench:首个基于代码的可执行三维世界建模基准

    ExeWorldBench 是首个全面评估世界理解与可执行实现的基准,旨在衡量将物理原理转化为代码系统的能力。该基准包含机制可执行性、组合可执行性和意图驱动的可执行世界合成三项任务。实验显示当前前沿模型在构建具有物理交互行为的系统中存在显著局限。

    推荐理由:ExeWorldBench 填补了代码化可执行世界建模的评测空白,通过三项任务揭示前沿模型在物理因果理解与实现上的局限。

  4. arXiv · 机器人与计算机视觉78

    2AM:作为长视界操作可导向动作模型的引导的 Agent 端记忆 grounding

    论文提出 2AM 框架,将多模态智能体设为唯一记忆持有者,负责编译交互历史为子任务语言及可选的抓取/放置提示;单通道 RGB 动作模型仅执行运动。通过在演示中增加结构化提示标签并在条件 dropout、空间噪声和时间抖动下训练,使 VLA 能够容忍不完美引导。

    推荐理由:该工作将任务记忆置于 Agent 侧以引导动作模型,在无深度与规划器条件下实现显著性能提升。

  5. arXiv · 机器人与计算机视觉82

    面向 TAMP 算子学习的宏观算子生成与谓词选择方法

    针对任务与运动规划(TAMP)系统中手工创建符号算子的瓶颈,该方法提出从演示数据中学习算子。系统自动发现训练数据中因果关联的动作对并将其压缩为单一规划步骤的复合动作,同时剪除未被任何学习到的算子引用的谓词以缩小搜索节点状态空间。

    推荐理由:该方法通过自动发现因果动作对生成宏观算子并剪枝无关谓词,解决了长序列任务中搜索不可行与状态评估低效的问题。

  6. arXiv · 机器人与计算机视觉84

    基于机器人渲染的因子化世界模型

    该论文提出了机器人因子化世界模型(RoFacto),通过将动作实现与场景响应预测解耦:首先利用控制器和运动学将指令序列转化为无需未来状态的名义轨迹,随后通过 URDF 进行机器人渲染以显式处理几何、运动学和外观。该方法利用末端执行器深度和静态 RGB 上下文构建共享视觉接口,实验表明其优于向量条件基线,支持未见过的机器人本体迁移,并能从重定向的人类演示中生成操作视频。

    推荐理由:提出将机器人动力学与渲染显式分离的世界模型架构,支持跨本体迁移及从人类演示生成操作视频。

  7. arXiv · 机器人与计算机视觉78

    OpenHLM:一种全身人形机器人位姿操作的经验配方

    论文提出了 OpenHLM 这一开源方案,旨在构建将语言和图像直接映射到人形机器人所有自由度的全身原生视觉语言动作模型。研究通过分阶段实验发现,基于关节的全身遥操作接口优于部分暴露自由度的替代方案;在静态和轮式双臂平台上预训练的 VLA 模型能意外地良好迁移至人形机器人的全动作空间;与 HuMI(UMI 的人形类比)协同训练可拓展策略以处理新物体和指令。

    推荐理由:提出全身原生视觉语言动作模型构建路线图,在长周期任务中用更少演示时间优于现有基线。

  8. arXiv · 机器人与计算机视觉82

    IMPose:面向交互式多人姿态标注的闭环修正传播方法

    针对多人视频姿态标注中稀疏人工修正易导致跨身份位置不可靠的问题,论文提出 IMPose 框架。该方法将传播的修正视为几何先验而非最终预测,利用目标帧视觉证据进行解码器修正,并结合关键点感知的身份状态保持对应关系,形成闭环时序修正机制。

    推荐理由:提出 IMPose 框架,通过闭环修正传播解决多人姿态标注中的身份歧义问题,在 PoseTrack21 数据集上显著提升了稀疏修正下的跟踪精度。

  9. arXiv · 机器人与计算机视觉78

    Any-ttach:快速末端执行器更换实现简单灵巧操作

    Any-ttach 是一种面向工具的机器人操作系统,利用机械模块化和自主末端执行器更换作为提升灵巧性的途径。该系统结合了低成本标准化被动自锁接口、统一的物体中心操作框架以及分层规划执行系统。

    推荐理由:该预印本提出通过低成本机械接口实现末端执行器自动更换,以工具模块化扩展操作能力。

  10. arXiv · 机器人与计算机视觉82

    CoEnv:面向多臂操作的真实到仿真数字孪生代码驱动探索研究

    论文提出了 CoEnv(Code-driven Exploration)框架与 CoEx 方法,旨在解决通用编码代理缺乏安全练习场的问题。该方法通过 CoEnv 将多视角 RGBD 数据重建为物理仿真的数字孪生环境,使智能体能在可执行的数字孪生中编写、调试并优化完整的多臂协作程序。

    推荐理由:提出 CoEnv 框架,利用代码驱动代理在数字孪生中探索多臂协作程序,验证后转移至硬件,显著提升了无人类演示任务的成功率。

  11. arXiv · 机器人与计算机视觉82

    视频扩散模型的早期故障检测与干预方法

    针对文本到视频扩散模型在推理阶段难以预判生成成败的问题,作者提出了一种实时检测(RI)模块与分层早期退出干预流程。该方法将潜在空间特征转换为中间视频预览以进行对齐评分,并在检测到失败时触发干预,相比事后重试可节省高达 2.64 倍的时间开销。

    推荐理由:提出实时检测与早期干预机制,显著降低视频生成失败重试的计算开销。

  12. arXiv · 机器人与计算机视觉78

    ArthroCut:面向膝关节置换的机器人骨骼切除自主策略学习

    针对手术机器人自主性不足的问题,作者提出了 ArthroCut 框架,将膝关节置换机器人从辅助执行升级为情境感知动作生成。该框架基于 Qwen-VL 骨干网络,在包含 21 例完整病例(共 23,205 对 RGB-D 数据)的自建多模态数据集上进行微调,融合了术前 CT/MR、术中 NDI 追踪、RGB-D 手术视频及机器人状态。

    推荐理由:提出 ArthroCut 框架,通过融合术前影像与术中视觉 token 实现骨科机器人自主决策。

  13. arXiv · 机器人与计算机视觉82

    SuRe:一种抑制图像引导风格化中语义泄露的时序感知键值调节框架

    针对现有图像引导零样本风格迁移方法因自注意力机制导致语义信息从风格图泄露的问题,本文提出 SuRe 框架。该方法通过打乱价值向量以解耦风格键与值的原生对应关系,同时保留经验分布,并引入渐进式重耦合机制在风格化过程中逐步恢复对应性。

    推荐理由:提出 SuRe 框架通过解耦与渐进恢复 KV 对应关系,在扩散模型风格迁移中有效抑制语义泄露并提升内容相似度。