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 50 页

10月27日周二第 981–1000 条
  1. arXiv · 机器人与计算机视觉82

    Fovea-JEPA:克服 V-JEPA 的几何盲区以进行相机运动识别

    论文提出 Fovea-JEPA 模型,旨在解决联合嵌入预测架构(如 V-JEPA)在相机运动识别任务中存在的几何线索缺失问题。研究指出 V-JEPA 依赖语义线索而忽视几何证据,导致在某些运动类别上表现下降;通过引入几何导向的 VGGT 预测器并基于其误差构建干预伪标签,该方法实现了视觉与几何特征的自适应融合。

    推荐理由:针对 V-JEPA 在几何线索上的盲区,提出 Fovea-JEPA 通过弱监督干预融合几何特征,在多基准测试中显著超越现有基线。

  2. arXiv · 机器人与计算机视觉78

    基于 RGB-D 的移动端机器人实时行人轨迹预测:TrajMamba 模型

    针对移动机器人在动态环境中导航的短时段行人轨迹预测任务,该研究提出 TrajMamba 模型以解决传统方法中训练数据理想化与推理端传感器噪声之间的分布差异。模型采用单一路径处理姿态提取、深度反投影及平滑过程,利用堆叠双向 Mamba 块编码髋部中心速度并配合 GRU 头解码未来速度。

    推荐理由:该工作提出轻量级双向状态空间模型解决训练部署分布差异,在移动机器人上实现实时行人轨迹预测。

  3. arXiv · 机器人与计算机视觉78

    Sybil-Resilient Multi-Drone Exploration of Indoor and Confined Spaces

    该研究针对多无人机协同探索室内受限空间时面临的 Sybil 攻击(恶意节点伪造身份干扰探索),提出五种无需额外安全基础设施的防御方案,仅依赖无人机自身的传感器与地图数据。实验在包含办公室、隧道及三层建筑等七类场景的 70 张地图上进行模拟测试,结果显示在超过 2350 次任务中,隔离机制能将受攻击团队的探索覆盖率恢复至未受攻击水平,仅在特定合谋或大规模团队场景下存在局限。

    推荐理由:论文提出无需额外安全设施的防御机制,通过传感器与地图审计抵御无人机群中的 Sybil 攻击。

  4. arXiv · 机器人与计算机视觉82

    C3L:通过语义概念引导打破持续学习中的解释漂移循环

    该论文指出持续学习中存在‘解释漂移’现象,即模型在保持准确性的同时将注意力转向虚假相关特征。作者提出 C3L 方法,利用离线发现的类一致语义概念(如‘弯曲的喙’)作为正则化锚点,打破自指漂移循环并抑制背景虚假相关性。该方法无需人工标注概念集,采用全自动概念发现与空间定位,在五个基准测试和二十多个基线模型中展现出最先进性能。

    推荐理由:针对持续学习中的解释漂移问题,提出基于离线发现语义概念的 C3L 方法,打破自指循环并抑制虚假相关性。

  5. arXiv · 机器人与计算机视觉78

    Speech-π0.5:面向机器人操作的直接语音条件语言 - 动作模型

    针对视觉 - 语言 - 动作(VLA)模型依赖文本输入导致自然语音部署受限的问题,本文提出 Speech-π0.5。该模型基于 π0.5 架构,利用跨模态投影将原始语音帧直接转换为音频 token,无需显式文本转录,从而显著降低响应延迟。实验在 LIBERO 基准上验证了其在保持竞争力的任务成功率的同时,对未见口音具有鲁棒性,而单一适配器则表现较差。

    推荐理由:提出 Speech-π0.5,通过跨模态投影将语音帧直接映射为动作指令,相比传统 ASR 流程降低三倍响应延迟。

  6. arXiv · 机器人与计算机视觉82

    一次扫描即够:无需演示的语言引导导航自适应方法

    针对语言引导导航在新环境中部署失败的问题,该方法利用单次 iPhone 扫描构建训练环境并合成可执行导航片段,通过解析重建场景的帕累托效用直接适配策略,无需人工标签或模仿学习。在五个真实环境中,RealNav 系统达到 85% 的成功率,显著优于依赖人工演示基线的 49%,且在未扫描区域也保持 82% 的性能。

    推荐理由:提出用单次手机扫描替代人工演示,通过解析重建场景实现免标签策略适配,在真实机器人上导航成功率提升至 85%。

  7. arXiv · 机器人与计算机视觉78

    RoboReason:通过可扩展数据生成增强机器人相关 VLM 的推理能力

    论文指出将视觉语言模型(VLM)集成到机器人操作流程中时,真实世界评估困难且难以扩展。作者提出利用真实机器人上的立体和腕部相机图像进行空间与时间排序任务来评估视觉推理能力,具体包括基于语言描述的帧重排、按距离的物体深度排序以及像素坐标下的左右排序。

    推荐理由:提出基于真实机器人立体与腕部相机数据的可扩展生成管线,通过时空排序任务提升 VLM 在下游机器人任务中的推理能力。

  8. arXiv · 机器人与计算机视觉78

    POD-RoPE:面向具身智能的物理观测分布旋转位置编码

    该论文提出 POD-RoPE,一种将 Token 观测足迹表示为相机中心、视角与采样时间分布的旋转位置编码方法。在独立采样下,期望旋转可编码分布间的相对关系;当分布坍缩为单点时退化为标准 RoPE。

    推荐理由:该工作提出 POD-RoPE,将观测表示为相机中心、视角与时间的分布统计,在 RoboTwin 2.0 仿真任务中将 Fast-WAM 成功率提升约 1%,并在 H20 基准上实现比 P-RoPE 快 1.91 倍的推理速度。

  9. arXiv · 机器人与计算机视觉78

    基于机器人轮胎 - 表面交互的地面摩擦评估

    该论文研究了如何利用轮式移动机器人的车载测量来表征室内地面的摩擦特性并改善定位精度。研究通过控制速度剖面诱导车轮打滑,利用惯性传感与里程计的速度差异、响应延迟及频域特征对五种不同地面进行分类。

    推荐理由:原文提出利用轮体速度失配特征评估地面摩擦,在五种表面测试中达到 97.1% 分类准确率。

  10. arXiv · 机器人与计算机视觉82

    RoboJev:一个开放的视觉语言机器人成功检测模型

    arXiv 发布了一个名为 RoboJev-27B 的开源视觉语言模型,用于判断机器人操作任务是否成功完成。该模型基于 JEV-27B-VL 变体训练,在 SO-101 机器人上达到 95.2% 平衡准确率,并支持跨实验室与未见过机器人的泛化。材料提供了推理代码、20,628 条预测结果及透明评测基准,同时对比了基于 API 的前沿视觉语言模型。

    推荐理由:该预印本公开了用于机器人任务成功检测的视觉语言模型 RoboJev-27B,提供了推理代码与基准评测数据。

  11. arXiv · 机器人与计算机视觉82

    FreeView:一种从非精选视图进行稳健三维重建的训练即免框架

    针对从包含无关或非重叠视图的非精选图像集中重建连贯三维场景的挑战,该研究提出了 FreeView 框架。该方法无需人工校准或干净参考图,而是利用集合级共识自动识别代表性参考视图,并结合视觉与几何证据自适应地剔除干扰视图。实验表明,FreeView 在 VGGT 和 pi^3 等模型中均能保持高清洁视图保留率和干扰项拒绝率,有效支持从非精选视图进行可靠的三维重建。

    推荐理由:该工作提出无需人工校准的框架,利用集合共识自动筛选参考视图并剔除干扰项,提升了从非 curated 图像集重建 3D 场景的鲁棒性。

  12. arXiv · 机器人与计算机视觉78

    WorldFailBench:世界模型是否理解策略失效?

    针对物理测试与仿真准备成本高且现有基准仅关注结果成功与否的问题,该研究提出 WorldFailBench 基准,旨在检验世界模型是否能忠实复现策略的失效机制。该基准包含三个任务:失败原因(复现可观测错误)、失败阶段(评估失效集中点)及失败边界(考察场景变化下的成败转换条件)。

    推荐理由:该基准通过三个任务揭示现有世界模型在复现策略失败原因、阶段及边界上的显著差距,为构建更可靠的评估工具提供方向。

  13. arXiv · 机器人与计算机视觉82

    MimicAll:面向跨人形机器人全身运动追踪的结构化本体条件化方法

    论文提出 MimicAll 强化学习框架,旨在解决共享策略在结构、形态和动力学各异的人形机器人间的通用问题。该方法将结构化本体描述编码为全局与关节对齐的条件,结合观测历史与身体匹配的运动参考来预测关节目标偏移。

    推荐理由:提出强化学习框架 MimicAll,通过结构化本体描述实现跨异构人形机器人的全身运动追踪。

  14. arXiv · 机器人与计算机视觉78

    面向人形机器人可恢复性监测的主动可达性学习方法

    部署人形机器人任务策略需要可靠的运行时监测器以预判不可恢复的跌倒并触发回退。该方法将任务定义为学习给定回退策略的随机有限视界可恢复包,通过统一框架在价值学习与主动探索间迭代,将数据探索重构为避障问题,利用不确定性引导探索未知状态同时避开确信不可恢复区域。

    推荐理由:提出主动可达性学习框架,解决接触丰富系统的恢复包数据获取瓶颈,实现零样本迁移至真实硬件。

  15. arXiv · 机器人与计算机视觉78

    Tiny Recursive Policy:用于视觉运动控制的递归潜在精炼方法

    针对现有行为克隆策略依赖固定观测窗口而缺乏持续上下文的问题,本文提出 Tiny Recursive Policy(TRP),通过共享计算模块在每一步控制中反复更新高、低层潜在状态并解码动作序列。

    推荐理由:提出结合持久时序状态与递归潜在精度的行为克隆策略,在长程任务上显著优于大生成式基线且参数量更少。

  16. arXiv · 机器人与计算机视觉78

    基于视觉语言模型嵌入的图像聚类研究

    João P. Matos-Carvalho 等人发布论文 Image Clustering with Vision-Language Model Embeddings,对比了九种表示管道在七个基准数据集上的聚类性能。

    推荐理由:该研究对比了九种基于预训练视觉语言模型的图像聚类流程,揭示了特征提取与归一化选择对调整兰德指数(ARI)的关键影响。

  17. arXiv · 机器人与计算机视觉80

    重新思考 AI 训练中的视频存储:打破跨帧依赖以实现高效随机访问

    论文指出现有视频存储范式针对顺序播放优化,导致 AI 训练随机采样时面临解码效率瓶颈。作者提出依赖感知稀疏解码与可选的离线解耦随机访问编码方案,通过重构解码调度与参考结构,将每个请求目标的重建限制在最多三个帧内,独立于 intra 周期。实验显示该方法在保持可比重建质量的同时,加载吞吐量是 LeRobot v3 的 1.45 倍,媒体负载减少 58.7%。

    推荐理由:针对大模型训练中视频随机采样导致的解码瓶颈,提出依赖感知稀疏解码与离线解耦编码方案,在保持画质的同时显著提升加载吞吐量并降低媒体负载。

  18. arXiv · 机器人与计算机视觉78

    PhaseBreak:一种针对未授权图生视频动画的主动时间域防护方法

    该论文提出 PhaseBreak 方法,旨在防止肖像照片被用于未授权的图生视频(I2V)运动合成。该方法通过在发布前对图像施加有界扰动,利用中间去噪器特征与清洁特征的时序重排匹配机制,在保持图像共享工作流的同时破坏下游运动生成能力。实验表明,受保护图像能诱导更大的短期运动变化和更低的时序规律性,从而阻碍基于释放图像的稳态运动定制。

    推荐理由:提出 PhaseBreak 方法,通过重排特征时序在保护肖像隐私的同时保持图像可用性。

  19. arXiv · 机器人与计算机视觉78

    A Canary in the Neural Mine:捕捉图像分类器的沉默失败

    该预印本论文指出最大 Softmax 概率(MSP)存在结构盲点,无法检测正交于其梯度方向的特征变化。作者提出 CANARY,一种无需训练的故障检测器,通过计算倒数第二层特征的 PCA 残差的 kNN 距离并进行百分位校准,与 MSP 融合以识别高置信度错误。

    推荐理由:提出无需训练的 CANARY 检测器,利用残差分布捕捉高置信度错误,在自然分布偏移下显著优于标准 MSP。

  20. arXiv · 机器人与计算机视觉78

    Saga:一种用于多模态患者世界模型的体内本体论

    论文介绍 Saga,这是一个多模态患者世界模型,能够从患者历史中学习共享状态以预测临床事件并生成多模态图像。研究基于 12 种癌症类型、461,370 名患者及 112 个中心的数据。

    推荐理由:该工作提出 Saga 多模态患者世界模型,通过共享状态连接病史与未来事件,在癌症纵向预测任务中展现出优于基线的性能。