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 48 页

10月27日周二第 941–960 条
  1. arXiv · 机器人与计算机视觉78

    Replicate What Varies:面向域随机化具身仿真的资源共享系统 Patchwork

    论文提出 Patchwork 系统,旨在解决并发运行多个具身仿真环境时因独立构建场景而导致的 CPU 和 GPU 内存占用过高问题。该系统基于 E=T+Δ表示法,将共享模板(包含公共资源)与补丁(记录目标环境的变异)分离,在 robosuite 和 MuJoCo 框架上实现了资源共享运行时。

    推荐理由:提出 Patchwork 系统,通过模板与补丁分离机制共享资源,在 robosuite 和 MuJoCo 上实现多实例 CPU 内存占用降低 88-92%。

  2. arXiv · 机器人与计算机视觉82

    OSWAM:一种具备一步动作生成的有效世界动作模型

    arXiv 论文 OSWAM 针对直接策略世界动作模型需多步去噪导致高延迟的问题,提出通过构建想象 token 初始化扩散过程以提供物理先验,并引入未来条件特权信息蒸馏。实验表明该模型在自动驾驶和具身控制任务上能达到甚至优于需要数十步的基线方法,实现约 3 倍加速,并在 NVIDIA RTX 5090 GPU 上将延迟降至 40ms,支持实时编译推理。

    推荐理由:该工作提出 OSWAM,通过引入想象 token 和特权信息蒸馏实现一步生成,在自动驾驶与具身控制任务上达到多步基线水平并将推理延迟降至 40ms。

  3. arXiv · 机器人与计算机视觉85

    Pretraining Knows What, Simulation Teaches How: Compositional Generalization for Agentic Robotics

    论文介绍 Zero-real Agent Policy (ZAP) 方法,利用预训练的 27B 参数模型进行世界理解推理,再通过仿真任务监督微调与 GRPO 训练运动策略。该方法无需真实机器人数据即可在现实任务中达到 96.7% 成功率,并展现出对新物体、目标及未见物理形态的泛化能力。

    推荐理由:提出 ZAP 方法,利用预训练大模型理解任务并通过仿真学习运动策略,在无真实数据训练下实现高成功率与强泛化。

  4. arXiv · 机器人与计算机视觉82

    VGGT 是否知道它不知道什么?——基于冻结特征的失败预测研究

    该论文针对 VGGT 等前馈 3D 重建模型仅报告置信度却未提供不确定性估计的问题,提出在冻结特征上训练线性探针以探测姿态预测失败。实验显示,该探针在 HardMatch 基准上的 ROC-AUC 达 93.5%,优于模型自身的点图置信度和分类器,且能泛化至 PhotoTourism 和 ScanNet-1500 等未见过的旋转失败场景。

    推荐理由:研究发现冻结模型内部存在未报告的失败预测能力,可让下游系统在不重新训练的情况下对困难样本进行回避。

  5. arXiv · 机器人与计算机视觉78

    SeeRF:通过生成式图像配准与融合实现超越视场的感知

    针对多模态传感器成像视角差异和视场失配导致的信息整合局限,论文提出了 SeeRF 框架。该方法结合微分不变速度场的形变生成策略、视觉基础模型引导的特征提取以及由粗到细的渐进式多模态图像配准模块,实现精确的跨模态流估计并生成有效视场掩码。

    推荐理由:提出 SeeRF 框架,利用生成式扩散模型解决多模态传感器视场不匹配与融合伪影问题。

  6. arXiv · 机器人与计算机视觉78

    面向精确抓取的机器人对齐3D高斯泼溅与腕部相机VLA策略研究

    针对电子垃圾拆解等复杂场景中视觉语言动作(VLA)策略学习的数据收集瓶颈及数字孪生建模困难,本文提出基于3D高斯泼溅(3DGS)的腕部相机数据生成管线。该方法通过重建真实工作空间并渲染机器人对齐姿态下的观测,配合平滑结构化的到达轨迹,为VLA微调提供机器人对齐的视觉 - 动作监督;同时引入指令条件到达验证器以估计目标接近度并提供可靠的物理交互前终止。

    推荐理由:针对电子垃圾拆解等复杂场景,提出基于3D高斯泼溅的腕部相机数据生成管线与指令条件到达验证器,在仅需少量遥操作演示下实现高精度抓取。

  7. arXiv · 机器人与计算机视觉78

    利用多模态基础模型进行上下文感知的表达性运动行为生成与调制

    该研究提出一种新方法,利用多模态(文本、音频、视频)上下文描述自动生成交互中复杂的全身手势序列。方法基于动态运动原型的统一数学实现,结合多模态基础模型生成参数化且高度上下文感知的动作变体。系统已集成到连续控制框架中,并通过知识蒸馏学习出更小、更高效的模型。用户研究表明,生成的运动在交互上下文中对齐度优于非调制或 API 级条件,且在不同机器人构型上展示了通用性。

    推荐理由:提出基于动态运动原型的上下文感知生成方法,在类人平台上验证了交互对齐优势并展示了跨构型通用性。

  8. arXiv · 机器人与计算机视觉78

    超越分布匹配:面向少步视频生成的自监督表示强制方法

    该论文提出 Self Flow Forcing (SF^2) 方法以解决现有分布匹配蒸馏在少步设置下导致的时空结构退化问题。该方法通过引入预测性表示损失,利用学生模型与指数移动平均教师之间的噪声不对称性,实现内部表示的自监督对齐。实验表明 SF^2 能有效缓解视频闪烁并提升空间保真度与运动质量,且无需外部特征提取器即可兼容双向及因果架构。

    推荐理由:针对少步蒸馏中时空结构退化的问题,提出无需外部特征提取器的自监督表示对齐方法。

  9. arXiv · 机器人与计算机视觉78

    受限 arena 内微型振动驱动机器人集群的分布式预测 flocking 控制研究

    该论文提出了一种分布式预测 flocking 控制器,用于在无领导者或全局地图的情况下协调大量微型机器人。研究在数字孪生环境中对比了六种屏障函数安全公式,发现离散时间 CBF 在多种任务(如趋光性、轨道运行)和不同集群规模下表现最佳,能有效平衡安全性与秩序。材料仅基于仿真结果,未涉及真实物理部署或量产数据。

    推荐理由:原文在数字孪生环境中对比了六种安全约束公式,发现离散时间 CBF 在密集集群中碰撞最少且协调性最佳。

  10. arXiv · 机器人与计算机视觉78

    通过位姿图优化学习非标定图像的三维重建

    针对 ACE-Zero 等基于学习的结构光流方法在复杂场景中存在的位姿漂移问题,本文提出一种混合框架,将位姿图优化(PGO)集成到无监督相机位姿估计流程中。该方法直接从预测的场景坐标构建位姿图,并引入基于几何先验的不确定性感知优化策略,利用跨视图的极线约束和光流一致性来抑制错误修正,从而提升重建的鲁棒性与精度。

    推荐理由:该工作将位姿图优化引入无监督结构光流法,利用几何先验提升复杂场景下的全局一致性。

  11. arXiv · 机器人与计算机视觉83

    SG-Splat:面向无位姿输入的稳健几何学习 3D 高斯泼溅方法

    针对现有无位姿 3D 高斯泼溅对残留姿态误差敏感的问题,论文提出 SG-Splat 框架。该方法将几何估计与属性预测解耦为独立分支,并引入流引导姿态修正(FGPR)和残差引导几何校正(RGC)流程以优化初始点图。

    推荐理由:提出 SG-Splat 框架,通过解耦几何与属性预测及流引导姿态修正,提升无位姿输入下的 3DGS 鲁棒性。

  12. arXiv · 机器人与计算机视觉78

    VisGeo-PipeTrack:一种用于无人机动态管道跟踪的视觉几何伺服控制框架

    针对无人机在工业环境中对动态移动管道(如振动)的跟踪难题,本文提出 VisGeo-PipeTrack 伺服控制框架。该框架利用 YOLOv5 检测管道标签并结合视觉几何约束实现精准定位,同时设计基于模型预测控制的实时修正自适应 PID(MPC-RCAPID)控制器以应对跟踪挑战。

    推荐理由:提出 VisGeo-PipeTrack 框架,结合视觉几何约束与 MPC-RCAPID 控制器实现无人机对动态管道的自主跟踪。

  13. arXiv · 机器人与计算机视觉78

    OrthoRF:探索物体中心表示中的正交性

    arXiv 预印本论文 OrthoRF 提出一种通过内积损失和架构修改强制旋转特征方向空间正交的方法,旨在提升基于同步性的无监督物体发现性能。实验表明,该方法在重叠、噪声及分布外测试中表现匹配或优于现有模型,消除了后处理聚类需求,并能恢复被遮挡的物体部分。该研究为计算机视觉领域的物体中心学习提供了新的归纳偏置视角。

    推荐理由:该工作提出正交旋转特征以解决同步性模型依赖后处理聚类的问题,在遮挡与噪声场景下表现更优。

  14. arXiv · 机器人与计算机视觉78

    理解并修复恶劣天气下的协同感知:西北工业大学团队发布新研究

    西北工业大学团队发布论文,首次系统研究恶劣天气导致的协同感知失效现象(Weather-Induced Context Interference)。实验表明,即使 LiDAR 点云未变,外部环境变化也会破坏多车融合前的对象表征。

    推荐理由:研究揭示恶劣天气下协同感知失效机制,提出无需成对数据的修复方法,在仿真与真实数据上均显著提升目标检测精度。

  15. arXiv · 机器人与计算机视觉78

    基于不确定性的 LiDAR 目标检测功能适用性分析评估

    针对 ISO 21448 SOTIF 安全分析需求,本文提出一种将不确定性阈值转化为触发条件的评估方法,以判定 ML 基 LiDAR 目标检测器在不同条件下的性能目标适用性。

    推荐理由:提出将不确定性阈值转化为触发条件的评估方法,指出在 KITTI 和 nuScenes 数据集上独立样本不足且跨条件转移难以满足性能目标。

  16. arXiv · 机器人与计算机视觉78

    Zero-HLM:无需真实机器人数据的通用类人机器人行走操作框架

    论文提出 Zero-HLM 框架,旨在解决类人机器人行走与操作泛化受限于昂贵真实演示的问题。该方法通过高斯引导的智能体重建将手机捕获数据对齐至物理场景,并利用运动与环境共适应机制修正全身参考与交互几何。

    推荐理由:提出 Zero-HLM 框架,利用手机数据与仿真生成零样本迁移演示,将 Unitree G1 任务成功率从 46.7% 提升至 66.7%,无需额外真实机器人数据。

  17. arXiv · 机器人与计算机视觉78

    MemVLN:面向视觉语言导航的流式情景记忆框架

    该论文提出 MemVLN 框架,旨在解决基于 VLM 的智能体在长视野导航中维持持续情景记忆的难题。方法上,系统维护一个有界压缩感知特征库(标注时间戳与动作相对姿态),并通过交叉注意力生成紧凑记忆 token;结合冻结预训练几何编码器及掩码轨迹总结任务进行训练。

    推荐理由:提出 MEMVLN 框架,通过压缩感知特征与冻结几何编码器实现长视野导航中的持续记忆,物理实验显示成功率从基线 17% 提升至 47%。

  18. arXiv · 机器人与计算机视觉82

    GUIFlow:面向 GUI 智能体的时序冗余感知增量推理框架

    针对基于视觉语言模型的 GUI 智能体在连续演化界面中重复计算的问题,本文提出了 GUIFlow 框架。该框架通过位置对齐的历史 KV 状态注入、变化信号引导的视觉编码器与语言模型状态选择性更新,以及利用早期动作响应作为目标模型验证的推测草稿,实现了跨步骤的增量推理复用。

    推荐理由:提出 GUIFlow 框架,在无额外训练下实现多步交互的增量推理,显著降低计算成本。

  19. arXiv · 机器人与计算机视觉78

    Learning Direct Control from Optimization for Dynamic Target Tracking

    针对移动机器人在导航障碍物同时保持目标可见性的动态跟踪任务,本文提出 LECO 框架,通过将轨迹优化转移至离线直接控制策略学习,利用可微运动学模型让轨迹级目标直接指导控制学习。

    推荐理由:LECO 框架将轨迹优化转化为离线直接控制策略学习,在仿真与真实机器人平台上实现了平滑且鲁棒的动态目标跟踪。

  20. arXiv · 机器人与计算机视觉78

    可见状态监督:在流式视频中分离表征与视图选择

    该预印本论文提出可见状态监督(ViSS)和测试时因果视图搜索(TVS),旨在解决流式视频动作识别中的状态欠定义问题。ViSS 通过基于源头的探针训练事件身份、顺序及关系变化,提升幻觉检测能力;TVS 则在模型固定前提下自适应扩展证据访问范围。

    推荐理由:提出可见状态监督与测试时因果视图搜索,分离表征选择以改善幻觉检测与事件召回。