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 34 页

11月3日周二第 661–680 条
  1. arXiv · 机器人与计算机视觉82

    Neural Integral Control Barrier Functions for Agile Collision Avoidance

    该论文提出一种基于数据学习的神经积分控制屏障函数方法,利用神经 ODE 学习动力学、模仿学习获取名义控制器、监督回归构建屏障函数,从而在无需几何标签的情况下确保状态安全。

    推荐理由:提出用神经 ODE 学习动力学、模仿学习控制器与回归屏障函数,构建无需几何标签的积分控制屏障函数,在敏捷避障任务中消除不安全样本并优于基线。

  2. arXiv · 机器人与计算机视觉78

    MAPO:一种用于通用类人运动跟踪的混合专家交替策略优化方法

    针对混合专家(MoE)策略在政策梯度更新中因动态路由导致旧版与新版策略发散误估的问题,本文提出 MAPO 方法,通过交替优化路由器与专家网络来避免该误估。实验显示,MAPO 能持续跟踪 PPO with MoE 失败的 182 个运动样本,而后者仅能跟踪 MAPO 失败的 1 个样本。该方法在对比方法中取得了最高的跟踪成功率及最低的跟踪误差。

    推荐理由:提出 MAPO 方法解决 MoE 策略梯度更新中的发散误估问题,在通用类人运动跟踪任务上显著优于 PPO with MoE。

  3. arXiv · 机器人与计算机视觉82

    W2A:将世界先验蒸馏进动作模型以实现实时机器人控制

    针对现有世界动作模型(WAMs)因需显式想象未来状态而导致计算开销大、难以满足实时控制的痛点,本文提出 W2A 框架。该方法在训练阶段将视频扩散模型的中间去噪表示蒸馏至动作模型,测试时完全丢弃视频模型,假设压缩的低维子空间足以提供有效监督。实验表明,W2A 在 LIBERO 基准上平均成功率达 95.9%,推理速度比代表性 WAM 基线快约 21 倍,兼顾了高成功率与高效率。

    推荐理由:提出将视频扩散模型的中间去噪表示蒸馏至动作模型,测试时完全丢弃视频模型,在保持高成功率的同时显著降低推理延迟。

  4. arXiv · 机器人与计算机视觉83

    带躯干的弹簧质量体附肢跑步者的中心支点控制:周期步态、稳定化与模板嵌入

    针对传统 SLIP 模型无法描述躯干运动的问题,该研究提出一种中心支点(CPP)控制律,通过髋关节力矩引导地面反作用力穿过质心,将三维问题解耦为平面中心力问题。

    推荐理由:该研究提出中心支点控制律,使带躯干的双足奔跑模型可解析求解并实现稳定周期步态。

  5. arXiv · 机器人与计算机视觉83

    基于能量的策略编排:一种用于动态高维任务的模块化策略调度框架

    针对分层控制在接触、平衡或扰动快速变化时固定规划器接口失效的问题,本文提出 EPO 方法,通过为每个低层策略学习复合能量模型来实时选择最优的策略 - 目标对。该方法允许在不重新训练现有策略的情况下融入新策略,并在仿真中改善了精度与鲁棒性的权衡,同时展示了在真机人形行走操作任务上部署冻结策略与能量模型的可行性。

    推荐理由:提出基于能量的策略编排方法,在仿真与真机人形操作任务中提升模块化策略的可行性与鲁棒性。

  6. arXiv · 机器人与计算机视觉78

    PixelBench:LLM 能否逐像素理解并生成图像?

    该研究报告了 PixelBench 基准,评估大语言模型在无专用图像解码器的情况下直接通过词汇表生成 RGB 像素的能力。研究发现强模型在文本到像素任务中能直接生成可识别图像,且像素理解能力与生成性能高度相关。作者还提出了像素重建微调(PRT)方法,通过混合指令数据提升模型在视觉基准上的表现,表明显式像素重建可作为有效的辅助监督信号。

    推荐理由:该报告提出 PixelBench 基准与 PRT 微调方法,证明大模型无需专用解码器即可直接生成像素图像。

  7. arXiv · 机器人与计算机视觉78

    SProTrack:基于潜在光谱提示的多模态高光谱目标跟踪方法

    针对高光谱视频标注稀缺及 RGB 与高光谱域差距大的问题,论文提出 SProTrack 框架。该方法利用自编码器从高光谱帧学习全局场景级光谱表示作为潜在提示,将时序建模能力从预训练的 RGB 基础模型继承,同时通过无监督方式学习高光谱信息,无需密集监督或大规模重训练。实验在 HOT2020 和 HOT2023 数据集上验证了该方法在所有光谱域均表现优异。

    推荐理由:提出 SProTrack 框架,通过潜在光谱提示将 RGB 预训练跟踪器的时序知识迁移至高光谱域。

  8. arXiv · 机器人与计算机视觉78

    神经启发式机器人:机器人学习可从感觉运动大脑借鉴什么

    这篇 72 页的综述指出,尽管预训练数据量巨大,现有机器人策略在日常操作任务中仍频繁失败,而人类儿童仅需数年即可掌握同类能力。

    推荐理由:该综述提出从生物神经系统借鉴的设计原则,为下一代机器人模型架构提供了具体的理论假设与实现路径。

  9. arXiv · 机器人与计算机视觉83

    EvoOcc:一种基于受控动力学的快速 - 慢速演化占用预测方法

    论文提出了 EvoOcc 框架,旨在解决自动驾驶中高精度与低延迟难以兼顾的问题。该方法将占用预测建模为连续时间控制动力学系统,分解为自我状态演化以补偿坐标偏移和场景状态演化以捕捉真实几何变化。实验表明,EvoOcc 在三种快慢系统组合及不规则预测到达场景中,均能显著优于快速系统基线并保持更低的延迟,实现了良好的精度 - 延迟平衡与稳定行为。

    推荐理由:该工作提出 EvoOcc 框架,通过控制动力学将快慢系统融合以平衡精度与延迟。

  10. arXiv · 机器人与计算机视觉82

    Gnomon4D:基于几何运动的视频 - 动作联合建模研究

    论文提出 Gnomon4D 世界动作模型,通过 GeoDelta 几何运动场显式编码物体与机器人点的跨帧位移和深度变化,结合 InSAttn 注意力机制聚焦任务相关交互区域。

    推荐理由:该工作提出 GeoDelta 几何运动场与 InSAttn 注意力机制,在仿真基准上超越最强基线,为理解物理交互提供新范式。

  11. arXiv · 机器人与计算机视觉78

    IMUdrape:基于物理仿真的衣物挂载虚拟 IMU 数据文本生成方法

    该论文提出了 IMUdrape 方法,旨在解决衣物挂载传感器因布料滑动、扭转和摆动而记录到额外运动信号的问题。该方法通过文本描述活动以合成运动,从照片重建目标服装的缝纫图样,并在真实传感器的部署位置放置虚拟 IMU,利用无接触穿透求解器进行物理仿真,从而生成成对的服装与身体信号。

    推荐理由:针对衣物挂载传感器因布料形变导致数据稀缺的问题,该方法通过物理仿真生成虚拟 IMU 数据,在真实数据集上显著提升了动作识别与姿态估计性能。

  12. arXiv · 机器人与计算机视觉78

    GEAR:面向 VR 旅行的场景条件化服装检索生成编辑框架

    该论文提出了 GEAR(Generative Editing for Asset Retrieval)框架,旨在解决虚拟环境中用户着装需与周围场景和谐共存的挑战。

    推荐理由:提出 GEAR 框架,通过生成中间查询桥接场景与服装资产跨域差距,在虚拟旅行场景中实现实时检索与试穿。

  13. arXiv · 机器人与计算机视觉78

    AgiWorld:一种用于构建持久化世界的代理式视频世界模型

    arXiv 论文发布 AgiWorld,这是一种代理式视频世界模型,旨在从单张图像和自由指令出发构建并探索持久化世界。系统包含负责高层规划与路径设计的 AgiWorld-Agent 和负责逐帧生成视频的 AgiWorld-WM,两者共享空间记忆以维持状态一致性与用户意图忠实度。

    推荐理由:提出 AgiWorld,通过智能体与视频模型的闭环及空间记忆机制解决长序列探索中的持久性问题。

  14. arXiv · 机器人与计算机视觉82

    Lie Routing Vision Language Models for View-Robust 3D Understanding

    该论文针对多模态大语言模型在多视角 RGB 观测中存在的“视角诱导的语义漂移”现象,提出了 LieVLM 框架。该方法通过提取几何 token 预测局部旋转参数和路由系数,利用封闭形式的 Padé--Cayley 映射对投影视觉特征进行身份相对校正并门控回原特征,从而在保留预训练语义与直接空间上下文的同时学习视角依赖的特征调整。

    推荐理由:提出 LieVLM 框架,利用李群路由机制解决多视角语义漂移问题,在多项 3D 理解任务上优于传统融合方法。

  15. arXiv · 机器人与计算机视觉78

    考虑机器人精度与速度增强的人体感觉运动模型自适应方法

    该论文针对人机协同操作中的轨迹规划问题,提出一种将任务约束与基于 Fitts 定律的时间约束融入随机最优控制的方法。通过递归最小二乘法估计参数,使机器人能根据人类行为调整自身运动时长以对齐双方协作。研究假设速度提升源于机器人的精度增强,并在机器人控制重复自由度、人类适应互补自由度的定位任务中验证了该方法在计算上适合在线使用且能收敛加速,但指出未来需进行更深入的人类学研究。

    推荐理由:该文提出结合 Fitts 定律与随机最优控制的方法,使机器人能根据人类行为调整运动时长并提升速度。

  16. arXiv · 机器人与计算机视觉83

    Scene-Adaptive Readout and Decoding in Diffusion Driving VLAs

    针对扩散驱动视觉语言动作模型(Diffusion driving VLAs)在每个去噪阶段重复执行骨干网络导致的高推理成本问题,本文提出一种场景自适应读出与解码框架。

    推荐理由:提出场景自适应读出与解码框架,在 Waymo E2E 基准上推理加速最高达 6.0 倍,同时提升轨迹预测质量。

  17. arXiv · 机器人与计算机视觉78

    UniGS-SLAM:增强几何与开放词汇语义的单目高斯 SLAM

    论文提出 UniGS-SLAM 框架,旨在仅通过 RGB 观测重建场景几何并构建语义地图。该方法将开放词汇语义从高斯重建中解耦,利用基础先验增强单目深度与位姿估计,并将语义观测融合到独立的稀疏体素图中以支持历史证据的修订。

    推荐理由:该工作提出仅用 RGB 输入即可解耦语义与高斯重建的框架,在 Replica、ScanNet 和 KITTI-360 上实现了领先的跟踪与几何重建性能。

  18. arXiv · 机器人与计算机视觉78

    Reconstruction as Spatial Evaluation:诊断大模型的跨视角空间智能

    论文提出 RECONSPATIAL 基准,利用真实多视角图像要求大语言视觉模型预测共享坐标系下的定向 3D 边界框,评估结构布局与度量精度两个维度。实验显示 GPT-6-Astra 等前沿模型在结构任务表现优异但度量重建存在显著差距,诊断分析表明仅靠关系一致性无法保证物理尺度准确,且几何误差会限制导航成功率。

    推荐理由:该基准通过多视角重建任务揭示大模型在相对结构与度量精度间的差距,并验证了空间微调的泛化能力。

  19. arXiv · 机器人与计算机视觉82

    对象检索并非无上下文:一种用于检测背景去除的反事实诊断方法

    本文针对对象中心检索管线中‘掩码背景后特征即代表物体’的假设提出质疑。作者引入 Keyhole Aperture Probe (KAP) 这一反事实诊断工具,利用现有泛分割数据集的真实掩码固定目标区域并仅变化外部像素,量化骨干网络的上下文依赖度。

    推荐理由:提出反事实诊断方法 KAP,揭示对象描述符仍依赖背景,并开源轻量适配器以在移除上下文时保持稳定性。