SPARK:基于物理重观察的自纠正具身记忆
针对现有具身检索增强生成(RAG)系统易累积语义标签、物体位置及空间关系错误的局限,论文提出 SPARK 框架。该框架在首个任务集后利用语义批评标记知识库错误区域,通过规划器生成针对性重访,并基于新观察结果选择性合并信息以修正记忆。
推荐理由:提出 SPARK 框架,通过语义批评与目标重访修正具身记忆错误,在 AirSim 仿真环境中显著降低存储开销并提升问答性能。
内容形态
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
针对现有具身检索增强生成(RAG)系统易累积语义标签、物体位置及空间关系错误的局限,论文提出 SPARK 框架。该框架在首个任务集后利用语义批评标记知识库错误区域,通过规划器生成针对性重访,并基于新观察结果选择性合并信息以修正记忆。
推荐理由:提出 SPARK 框架,通过语义批评与目标重访修正具身记忆错误,在 AirSim 仿真环境中显著降低存储开销并提升问答性能。
arXiv 预印本发布了一种名为 Déjà Vu 的测试时解码模块,旨在提升跨图像语义关键点匹配的精度。该方法将匹配问题重构为‘先召回后重排序’流程,利用大模型特征中零样本能力优于贪心选择的特性,通过自适应候选集和循环一致性评分进行优化。实验显示其在 SPair-71k 等基准上显著提升了 [email protected] 与 Keypoint Average Precision 指标。
推荐理由:提出测试时重排序模块,利用循环一致性解决语义匹配解码瓶颈。
Archon Robotics 发布 Anchor 1,一种面向人形机器人全身精准稳定操控的控制器及基准测试集。该方法采用校准后的稀疏运动参考以保留任务相关的人体运动结构,无需在线关节空间重定向;通过离线整理机器人运动数据塑造训练分布,并引入与运动编码解耦的显式误差反馈以提升控制精度。
推荐理由:该工作提出 Anchor 1 控制器与基准,在仿真和硬件上均实现更优的全身操控精度与稳定性。
针对机器人生成的平面图缺乏建筑知识评估的问题,作者将行业生产软件中的接受规则编码为六项固定顺序的检查,并校准房间形状限制以匹配真实公寓的 5% 拒收率。研究在四项生成器和两个真实数据集上验证发现,仅凭比例检查即可拒绝 33.7% 的 House-GAN++ 平面图,而现有邻接关系指标无法反映这些缺陷。作者已开源校验工具 floorcheck v0.1.1,但指出通过检查并不等同于实际工程验收。
推荐理由:作者将建筑规范编码为六项检查,揭示现有生成模型在比例与合规性上的缺陷,并开源了校验工具。
针对大视觉语言模型推理中冗余视觉 Token 导致计算量大的问题,本文提出 CausalPrune 框架。该方法将推理建模为结构因果模型,引入因果 Token 重要性评分(CTIS)来估计干预每个视觉 Token 的平均处理效应,并利用后门调整缓解跨模态混淆。
推荐理由:提出基于反事实因果的视觉 Token 剪枝框架,通过结构化因果模型区分关键与虚假关联 Token,在降低计算量的同时保持多模态性能。
Sign Language Translation 研究通常局限于预分割的片段,导致模型脱离连续交流现实。本文正式定义 Streaming SLT 任务,并提出 StreamSLST 首个端到端框架,通过可变形 Transformer 架构在单次前向中联合优化时序分割与翻译。
推荐理由:该工作提出首个端到端流式手语翻译框架,在真实与合成数据集上验证了联合优化优于级联方法。
该论文提出一种利用单目摄像头结合空气阻力模型和球场几何信息来估算羽毛球速度的方法。通过拟合重力与阻力轨迹,并利用球网平面约束优化,该方法将相对于立体视觉参考的绝对速度差异中位数从13.3%降低至8.6%,验证了融合运动学与动力学进行单目测速的有效性。
推荐理由:该方法结合空气阻力与场地几何,利用单目视频将羽毛球速度估算误差从13.3%降至8.6%,为低成本运动分析提供新路径。
论文提出 CARe 方法,通过引入由目标特征二阶矩诱导的马氏距离几何来替代传统的余弦相似度评分,解决各向异性特征分布下高方差方向主导评分的问题。理论证明在共享协方差的 Gaussian 模型下,该方法与贝叶斯最优线性判别一致,且在特征各向异性显著时增益最大。实验显示 CARe 在标准及细粒度分布偏移基准上均优于基线余弦评分,且效果随特征各向异性增强而提升。
推荐理由:针对测试时适应中各向异性特征分布的局限,提出基于协方差的几何修正方法 CARe 以替代余弦相似度评分。
该论文提出了 TRACE-CBM(Temporal Relational Activity Concept Evolution)模型,旨在解决概念瓶颈模型无法预测未来概念演化的问题。
推荐理由:提出 TRACE-CBM 模型,通过稀疏时空图预测概念演化并支持干预编辑,在视频活动预测任务上显著优于现有方法。
论文提出 Harness-S 方法,针对智能体训练中基座执行系统(harness)的局部性、互补性和非平稳性问题,引入方向性 Harness 演化构建可复用的兄弟 Harness 池。
推荐理由:提出 Harness-S 框架,利用辅助 harness 修复基座执行失败并将能力迁移至策略,在 AppWorld 等基准显著优于纯策略训练。
宾夕法尼亚大学工程师开发出名为“快速特征场”(Fast Feature Field,简称 F3)的通用计算工具,旨在解决事件相机数据处理难的问题。该工具能将事件相机每秒产生的数千万个信号转化为各类机器人可用的数据信息,有望在自动驾驶汽车、无人机等平台上广泛应用,显著提升机器人在多种光照条件下识别物体、估算距离以及感知运动的能力。相关成果已发表在期刊《科学 - 机器人学》上。
推荐理由:宾夕法尼亚大学推出通用计算工具F3,将事件相机数据转化为机器人可用信息,有望提升多光照条件下的感知能力。
论文提出 SAGA 方法,利用稀疏锚点辅助高斯泼溅表示实现动态场景的体素视频压缩。该方法采用分层稀疏锚点构建时空骨架,通过核插值生成精细特征并共享参数,结合正交性感知槽位更新策略捕捉长程依赖以优化熵编码。在 Neu3D 测试集上,相比 GIFStream、TED-4DGS 和 OMG4,其基于 PSNR 的 BD-rate 分别降低了 90.88%、64.30% 和 65.14%。
推荐理由:提出基于稀疏锚点的体素视频压缩新架构,在 Neu3D 数据集上显著降低比特率。
该论文提出 SV-WAM,旨在解决现有世界模型因生成未来视频导致推理开销大、常被迫仅用单前向摄像头的局限。方法利用未来视频预测作为训练监督而非推理输出,通过动作中心因果掩码防止动作 token 关注未来视频 token,使部署时可丢弃视频分支实现高效规划;同时引入可微驾驶区域合规正则器以增强安全与边界感知。
推荐理由:SV-WAM 利用未来视频预测作为训练监督而非推理输出,结合因果掩码与可微合规正则器,在保持六路摄像头输入的同时实现低延迟规划。
论文介绍 Adaptive-WAM,这是一种构建于 Wan2.2-5B 骨干网络上的质量感知多出口规划器。该方法将轨迹扩散头附加到选定的 DiT 块上,利用轻量级评分器在满足质量阈值时终止推理,从而避免完整的迭代去噪和 VAE 解码过程。
推荐理由:该工作提出基于中间层特征的质量感知早退规划器,在 NAVSIM 上取得最佳结果并实现低延迟推理。
该论文介绍 GUI-Lens 框架,旨在解决通用视觉语言模型(VLM)在高分辨率、高密度界面中难以精确定位目标的问题。方法从截图提取 OCR 文本和 UI 组件作为坐标参考,利用指令和当前视图让 VLM 选择并裁剪放大下一区域,通过多轮聚焦逐步确定目标位置,最后将局部坐标映射回原屏幕。
推荐理由:提出粗到细裁剪框架,使通用 VLM 在高分屏 GUI 任务中定位精度提升显著。
论文提出 DR-LfD 框架,将人类演示分解为原子技能并重组到 TAMP 决策系统中,解决接触丰富操作中的泛化问题。在 DexMimicGen 任务中,该框架仅需 100 次演示即可超越基于扩散的模仿学习策略(需 1000 次)。材料为预印本论文,已接受至 IEEE Transactions on Robotics。
推荐理由:该框架将演示分解为原子技能并重组,在 DexMimicGen 任务中以 100 次演示优于扩散基线。
本文研究利用机械臂运动进行无燃料姿态控制的可行性,将其视为执行机构而非仅作为干扰源。通过构建包含关键关节和避撞约束的轨迹优化问题,使用内点法求解非线性程序,计算了多种航天器 - 机械臂系统的复杂变轨与去旋轨迹。
推荐理由:提出利用机械臂运动实现无燃料姿态控制,通过轨迹优化解决关节与碰撞约束,为在轨组装提供新方案。
针对稀疏视角户外场景下高斯泼溅(Gaussian splatting)重建的挑战,本文提出 AdaGS 框架以解决扩散引导重建中易将伪影误判为真实结构的缺陷。该方法引入感知伪影的双阶段适配器,在扩散修复前抑制漂浮物视觉线索;采用双向置信度融合机制,仅当生成区域获得跨视角几何证据支持时才接受其结果;同时利用高斯稳定化策略衰减多视图不一致的高斯分布,防止后续优化中反复触发幻觉。
推荐理由:针对稀疏视角无位姿重建中扩散模型易产生幻觉的问题,提出基于置信度门控的自适应框架以抑制伪影并提升渲染保真度。
该研究指出强化微调后的大视觉语言模型在多模态思维链中常出现视觉信息不准确但答案正确的现象,归因于奖励机制仅激励格式而忽视正确性。作者提出一种无需标注的 SCCM 学习方法,鼓励生成充分且独立的视觉组件以支持推理,并在多个感知与推理基准上显著提升了视觉忠实度。代码已开源。
推荐理由:针对大模型多模态思维链中视觉信息不准确的问题,提出无需标注的 SCCM 学习方法以增强视觉证据的充分性与独立性。
论文提出 ReuScope 审计协议,以 Capsule Vision 2024 为例量化数据跨划分重叠及评估敏感性。研究发现移除 Kvasir-Capsule 相关训练样本后公开验证集准确率显著下降,且匹配对照实验排除了样本量与类别分布的干扰。该工作已被 NeurIPS 2026 接收,代码与数据已开源。
推荐理由:提出 ReuScope 审计协议,量化 Capsule Vision 2024 数据集的跨划分重叠与评估敏感性,为计算机视觉领域的公平性与可靠性提供可复用的验证方法。