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 52 页

10月26日周一第 1021–1040 条
  1. arXiv · 机器人与计算机视觉78

    OWLS:基于开放世界的语言条件化速度场用于零样本漫游车导航

    OWLS 是一种无需任务特定训练、地形标注或持久地图的零样本漫游车导航方法。该方法利用视觉语言模型对单目相机图像中的每个像素进行可通行性评分,将这些语义分数投影到地面并通过形态学操作适配平台,进而生成最小时间规划器的速度场。研究在室内及非道路物理漫游车上进行了评估,并在模拟火星与月球漫游器上测试了 200 个程序化生成的地形,同时验证了在真实行星影像上的表现。

    推荐理由:论文提出利用视觉语言模型的语义评分构建速度场,实现无需训练与标注的零样本漫游车导航。

  2. arXiv · 机器人与计算机视觉78

    UAV-SwarmAgent:基于代码生成与视觉语言推理的可扩展多无人机侦察与任务分配系统

    该论文提出 UAV SwarmAgent,这是一个分层多智能体系统,操作员仅需用一句自然语言描述任务,地面站代理即通过代码生成为每架无人机规划路线。系统在仿真环境中对 4 类事故场景和 3 种基础模型进行测试,成功定位了 255 次任务中的 244 次(成功率 95.7%)。研究还发现增加无人机数量带来的速度提升存在上限(1.52 倍),并讨论了误报问题及后续用户研究的必要性。

    推荐理由:该工作提出通过代码生成与视觉语言推理实现多无人机任务分配,仿真显示定位成功率达 95.7% 且扩展性符合阿姆达尔定律。

  3. arXiv · 机器人与计算机视觉78

    HGWM:通过图匹配实现零样本物体导航的分层图引导世界模型

    HGWM 耦合了 LLM 生成的房间锚点先验与持久化的空间语义记忆,采用两阶段机制(粗粒度视觉语义评分与细粒度符号兼容性测量)结合 LLM 方向推荐进行本地动作选择。

    推荐理由:该工作提出分层图引导的世界模型,在仿真环境中实现零样本物体导航,提供了具体的成功率与路径效率指标及消融分析。

  4. arXiv · 机器人与计算机视觉78

    VERA-Hand:面向第三人称动态手势视频的 2D 手姿态估计多维验证基准

    VERA-Hand 是一个针对 2D 手姿态估计的多维验证基准,包含对 10,690 个手部实例的人工验证标注。该基准从检测、定位、识别及时序稳定性四个维度评估模型,并引入联合 Pose-F1 指标要求同时满足正确检测与精准定位。

    推荐理由:该基准通过人工验证标注和多维指标,揭示了现有手姿态估计器在漏检、身份混淆及时序稳定性上的局限。

  5. arXiv · 机器人与计算机视觉85

    基于信号感知的自适应融合实现高效零样本视频异常检测

    针对视觉语言模型在视频异常检测中的计算预算限制,本文提出了 Signal-Aware Adaptive Fusion (SAAF) 框架。该方法通过双信号自适应采样器、阈值门控级联架构及信号感知加权融合机制,在无训练数据条件下实现了高效的零样本异常检测。

    推荐理由:该框架在无需训练数据的情况下实现了零样本视频异常检测,并在多个基准测试中超越了监督学习基线。

  6. arXiv · 机器人与计算机视觉76

    PCFBench:大视觉语言模型在光子感知逆设计中的极限评估

    该研究引入 PCFBench,这是首个用于评估大视觉语言模型(VLM)在光子晶体光纤(PCF)逆设计任务中感知、推理与决策能力的综合基准。数据集包含超过 220K 个 FDTD 仿真样本,涵盖 18 种结构多样的光纤家族,并组织了从几何感知到代码生成的六类共 26 项任务。

    推荐理由:PCFBench 建立了首个涵盖感知、推理与决策的光子逆设计基准,揭示了当前 VLM 在将视觉理解转化为物理设计动作时的显著差距。

  7. arXiv · 机器人与计算机视觉78

    PASTA:一种提示感知的退火扩散采样方法

    本文提出了 PASTA(Prompt-Aware Shared-Latent Training-Free Annealed Diffusion Sampling),这是一种无需训练的框架,旨在解决现有布局感知文生图方法难以严格保留标题、Logo 或 UI 元素等预留区域的问题。

    推荐理由:提出无需训练的 PASTA 框架,通过掩码引导采样在保留区域与整体图像之间平衡语义约束与视觉一致性。

  8. arXiv · 机器人与计算机视觉78

    UniWorld:一种用于实时视觉世界仿真的统一世界模型

    该论文提出了 UniWorld 框架,旨在解决连续视觉世界仿真中场景几何演化与持久化外观的耦合问题。该方法在共享视频生成模型中整合深度轨迹和参考外观,通过噪声对齐的重叠延续机制保持视觉历史,并利用滚动深度潜在状态保留几何控制。

    推荐理由:UniWorld 框架在共享视频生成模型中耦合几何与外观历史,实现了实时连续视觉仿真。

  9. arXiv · 机器人与计算机视觉78

    RoboCode:学习可复用的机器人操作原语

    论文介绍 RoboCode,该方法通过共享软门控原语接口学习动作空间中的可复用模式,将动作块表示为多个学习到的原语的软组合而非单一离散码。在五个 ManiSkill 任务实验中,其平均重建 MSE 为 0.0187,代码激活分析显示跨任务的结构性复用,且在所有评估任务上达到最高或并列的闭环成功率(平均 75.6%),优于 ACT(68.8%)和 Diffusion Policy(41.6%)。

    推荐理由:该工作提出软门控原语接口,在五个任务上实现平均 75.6% 成功率并揭示代码复用结构。

  10. arXiv · 机器人与计算机视觉82

    分离双曲视觉语言模型中的角度对齐与径向排序

    该论文介绍 AURORA 框架,旨在解决现有双曲视觉语言预训练目标中语义对齐与层级结构纠缠的问题。作者提出通过角度对齐捕获语义相似性,并利用新的径向 - 角度顺序锥(RAOC)进行蕴含建模,同时引入范数正则化防止径向退化。模型在数百万图像文本对上训练,并在零样本分类、图文检索等任务上优于欧氏和双曲基线。材料为 arXiv 预印本,未提及同行评审状态或开源代码。

    推荐理由:提出 AURORA 框架,通过解耦语义对齐与层级蕴含建模解决双曲空间表示冲突。

  11. arXiv · 机器人与计算机视觉82

    TravSUITE:基于自监督、不确定性感知的逆强化学习与地形估计的可通行性系统

    论文提出了适用于高速越野导航的 TravSUITE 系统,该系统包含利用视觉基础模型构建几何语义局部地图的高效体素映射器,以及联合预测鸟瞰图下几何、语义、速度和成本的统一神经网络。

    推荐理由:该工作提出无标注的自监督训练策略,结合地图补全与逆强化学习实现越野环境下的可通行性预测与风险自适应。

  12. arXiv · 机器人与计算机视觉78

    RVL-CDIP 数据质量审计:发现标签错误与测试集污染并发布修正语料

    RVL-CDIP 作为文档分类事实标准基准,其报告准确率已达 98.8%。本研究对其进行系统性审计,发现约 10.5% 的 40 万份文档存在错误标签,35.2% 的测试集样本在训练集中有重复或近似副本。

    推荐理由:该研究对 RVL-CDIP 基准进行系统性审计,发现标签错误、测试集污染及敏感数据问题并公开修正版。

  13. arXiv · 机器人与计算机视觉85

    在流匹配 VLA 策略中耦合执行视界与采样深度

    这篇论文针对机器人操作任务中实时响应与执行稳定性的平衡难题,揭示了流匹配视觉语言动作模型中数值求解器深度与执行视界之间的基础计算 - 执行耦合关系。研究发现,粗粒度数值积分虽会降低快速重规划下的精度,但能显著改善长开环承诺下的任务性能;几何上,数值截断收缩了不变轨迹质点周围的侧向动作离散度,起到了抑制累积开环漂移的隐式正则化作用。

    推荐理由:该研究揭示了流匹配 VLA 策略中执行视界与采样深度的耦合机制,在不修改架构和无需训练的情况下显著降低推理延迟并提升任务成功率。

  14. arXiv · 机器人与计算机视觉78

    RADIANT:面向物体的前馈全局光照模型

    arXiv 发布 RADIANT 论文,提出一种基于物体表征的神经网络渲染器,无需每场景优化或运行时光线追踪即可合成新场景的全局光照。该架构将每个物体表示为 32 个表面补丁 token,利用 SE(3) 不变的内积嵌入几何距离与朝向以捕捉光传输,避免了对多边形数量的二次方依赖。

    推荐理由:提出基于物体表征的前馈全局光照架构,在同等算力下训练步数更少且精度更高。

  15. arXiv · 机器人与计算机视觉80

    LOCI:面向多主体图像编辑的局部化连续控制方法

    LOCI 是一种针对多主体图像编辑的新方法,解决了现有工具在编辑位置、强度和同时控制多个主体方面的不足。该方法结合主体级注意力绑定与区域 LoRA 层,允许对每个主体进行独立且可连续调节强度的编辑(例如逐渐变老某个人并为另一个人添加胡须),同时显著减少跨区域干扰。相关代码或模型未在当前材料中提供下载链接。

    推荐理由:该工作提出了一种支持多主体独立连续强度编辑的方法,通过区域 LoRA 层实现空间隔离与精细控制。

  16. arXiv · 机器人与计算机视觉82

    月球群集机器人涌现出的合作体温调节机制

    针对 NASA CADRE 等任务中单台漫游车无法应对月夜极寒的问题,本研究利用强化学习训练共享策略,让二十个小型机器人无需位置参考或相互接触,自发形成聚集核心与边缘循环的行为模式。

    推荐理由:研究通过强化学习让二十个机器人自发形成类似帝企鹅的聚集与循环行为,在无需位置参考或接触的情况下实现热调节,使所有机器人在月夜后幸存。

  17. arXiv · 机器人与计算机视觉82

    无 fp32 主副本的 VLA 全权重微调会静默抹除大部分更新

    研究发现当 VLA 模型以 bfloat16 存储可训练权重且无 fp32 主副本时,AdamW 优化器会将小于 1/512 权重的更新静默舍入丢弃。在 LIBERO 基准测试中,移除该 fp32 副本导致 SmolVLA 和 pi_0.5 模型的成功率分别从 4.3% 提升至 49.3%、从 5.1% 提升至 80.9%,且修复方案仅需一行代码修改 LeRobot 配置。

    推荐理由:作者发现主流 VLA 微调默认配置因缺失 fp32 主副本导致更新静默丢失,提供修复方案并验证其显著提升成功率。

  18. arXiv · 机器人与计算机视觉78

    WorldMirror:基于野外机器人演示的交互式世界代理式实到仿真生成

    针对机器人学习仿真中场景构建繁琐的问题,该研究提出了 WorldMirror 框架,将实到仿真(real-to-sim)构建定义为可执行世界程序的迭代优化过程。通过智能体分解观测场景、规划重建步骤并编排图像与三维生成工具,结合相机位姿锚定的场景表示来诊断和修正错误,从而从野外机器人演示中生成视觉保真且几何一致的交互式数字孪生,同时保持记录轨迹的物理有效性。

    推荐理由:提出将实到仿真构建视为可执行程序的迭代优化,利用智能体编排工具生成物理一致的数字孪生。

  19. arXiv · 机器人与计算机视觉85

    See What I Need, Dream What I Want:一种基于自构建表示空间的导航基础模型

    论文提出了 RepresentNav 导航基础模型,该模型构建了由策略自身目标驱动的视觉表示空间。通过 Representation Residuals 模块整合多模态视觉编码器特征,实现端到端训练的策略与潜在思维链联合嵌入预测架构(JEPA)。

    推荐理由:提出基于自构建表示空间的导航基础模型,在多个基准上刷新纪录并将成果迁移至实体机器人。

  20. Hugging Face Daily Papers82

    跨模态 Steering 向量在图像与文本生成中均存在

    该研究探讨了当前 AI 模型中概念与机制是否在不同模态间统一实现的问题。通过寻找能成功引导一种模态(如文本)生成的向量,并验证其能否零样本迁移到另一种模态(如图像),研究发现跨模态 Steering 在双向上均有效。

    推荐理由:该预印本通过跨模态 Steering 向量实验,证实了统一多模态模型中语言与图像生成的概念机制存在零样本迁移。