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 56 页

10月22日周四第 1101–1120 条
  1. arXiv · 机器人与计算机视觉78

    ReStruct:基于物理感知的任务结构重配置实现推理时机器人行为引导

    论文提出了 ReStruct 方法,旨在解决部署学习到的机器人策略时的推理时行为引导难题,即在无需重新训练的情况下将策略导向用户偏好。该方法构建于神经自动机策略之上,将其分解为捕捉任务结构的高层状态机骨架和表示残差策略的低层连续控制器。

    推荐理由:提出 ReStruct 方法,通过重构任务结构实现推理时行为引导,在仿真与真实世界中均优于现有方法及 VLA 模型。

  2. arXiv · 机器人与计算机视觉78

    μ_0:一种可扩展的 3D 交互痕迹世界模型

    论文提出了 μ_0,这是一种基于 3D 轨迹的可扩展世界模型,旨在通过预测物体、工具及接触区域的平滑 3D 轨迹来替代像素重建或直接动作建模,从而实现无需具身特定标签的机器人学习。

    推荐理由:该工作提出基于 3D 轨迹的世界模型,无需动作标签即可实现跨机器人泛化,预训练版本已接受 CoRL 2026。

  3. arXiv · 机器人与计算机视觉78

    MiTaS:面向接触丰富操作的多分辨率触觉模仿学习研究

    该论文提出多分辨率触觉感知框架 MiTaS,利用模态特定卷积主干与 Transformer 融合机制,整合 RGB 相机、GelSight Mini 传感器及高频事件驱动 Evetac 传感器的信息。系统性实验在五项接触丰富的操作任务中验证了该方法的有效性,平均成功率为 80%,而纯视觉基线仅为 35.5%。该成果已提交至 CoRL 2026 会议,预印本发布于 arXiv。

    推荐理由:该工作提出多分辨率触觉表征框架 MiTaS,融合 RGB、GelSight 与事件相机数据,在五项接触丰富任务中平均成功率达 80%,显著优于纯视觉基线。

  4. arXiv · 机器人与计算机视觉78

    让事情保持简单:视觉语言动作模型的一步动作生成方法

    论文提出针对视觉语言动作模型(VLA)的高效一步生成策略。研究发现,仅将训练时间步分布偏向噪声端点,即可在 LIBERO、CALVIN 等基准上获得强单步策略;对于开源 VLA 模型,简单替换迭代解码为单次前向传播即可达到与多步解码相当的效果。

    推荐理由:研究发现 VLA 因条件 - 目标结构特性,仅需调整时间步分布即可实现高效单步动作生成,无需蒸馏或专用目标。

  5. arXiv · 机器人与计算机视觉82

    CAVE:一种用于碎片化视觉证据推理的结构化信用分配方法

    针对大语言模型在处理非局部且语义模糊的视觉信息时面临的挑战,本文提出了基于 GRPO 的过程奖励方法 CAVE。该方法通过信念更新、证据获取和自适应焦点控制三种信号评估中间步骤的贡献,引导模型优化每个推理动作并学习更可靠的策略。

    推荐理由:提出基于 GRPO 的结构化过程奖励方法 CAVE,通过信念更新等信号优化中间步骤贡献,在碎片化视觉证据整合任务上显著提升了模型性能与鲁棒性。

  6. arXiv · 机器人与计算机视觉78

    反馈式世界模型实现扩散策略的精准引导

    针对世界模型在分布外状态预测不可靠的问题,本文提出一种推理时的反馈机制,利用执行后的真实观测在线校正预测偏差。该方法引入动作感知引导以优化控制翻译,并在 LIBERO-Plus、Robomimic 及实物操作任务中显著提升了策略性能,将预测误差降低最高达 76.4%。实验证明该机制可即插即用,能改进预训练基础模型 Fast-WAM-Joint 的预测效果而无需更新其参数。

    推荐理由:提出推理时反馈机制,无需额外训练即可修正预测误差并提升策略性能。

  7. arXiv · 机器人与计算机视觉78

    端到端自动驾驶零样本跨城市泛化:自监督与监督表征对比研究

    论文提出将零样本跨城市迁移视为端到端自动驾驶系统的表征级压力测试,旨在探究视觉预训练如何影响地理域偏移下的转移行为。研究整合了 I-JEPA、DINOv2 和 MAE 等自监督骨干网络进入规划框架,并在 nuScenes 开放回路设置及 NAVSIM 闭环评估协议下进行了严格地理分割的对比实验。

    推荐理由:该研究将跨城市迁移作为端到端自动驾驶的表征级压力测试,对比了自监督与监督预训练在地理域偏移下的泛化表现。

  8. arXiv · 机器人与计算机视觉78

    ExtremControl:低延迟人形机器人遥操作与缩放速度前馈

    论文提出 ExtremControl 低延迟全身控制框架,通过底层加入缩放速度前馈减少约 70ms 跟踪延迟,并直接在 SE(3) 位姿上操作以避开关节空间重映射。系统支持光学动作捕捉与 VR 追踪,端到端延迟低至 50ms,实现了乒乓球平衡、抛接球等现有遥操作无法完成的任务。

    推荐理由:提出 ExtremControl 框架,通过速度前馈与 SE(3) 位姿控制将端到端延迟降至 50ms,支持乒乓球平衡等新任务。

  9. arXiv · 机器人与计算机视觉78

    AFFORD2ACT:稀疏关键点在机器人操作中的极限探索

    AFFORD2ACT 研究仅用稀疏视觉表征进行机器人操作的可行性。该方法利用现成的语言条件化 affordance 模型定位任务相关区域,选取最多 15 个物体关键点和 4 个末端执行器关键点(共 19 个点),并辅以轻量门控机制决定注意力分配。

    推荐理由:该工作证明仅用 19 个稀疏关键点即可在六项真实机器人任务中超越 RGB/Dense 基线,平均成功率达 82%,为紧凑状态表示提供了新范式。

  10. arXiv · 机器人与计算机视觉82

    AgiBot World Colosseo:大规模具身智能操作平台与通用策略开源

    论文介绍 AgiBot World Colosseo 平台,包含超百万条轨迹覆盖 217 个任务及五种部署场景,通过标准化采集管线保证数据质量与多样性。

    推荐理由:Agibot World 发布百万级轨迹数据集与 GO-1 通用策略,预训练模型在域内及分布外场景均提升 30% 性能。

  11. arXiv · 机器人与计算机视觉78

    DriveMLP:训练策略优于模型复杂度的自动驾驶研究

    论文提出 DriveMLP,这是一个轻量级 MLP 策略,利用专家引导强化学习(EGRL)框架进行训练。该框架将强化学习仅作为优化工具,使用基于轨迹距离的奖励函数。

    推荐理由:研究显示训练策略比模型复杂度更能提升性能,DriveMLP 在 nuPlan Val14 Reactive 基准上超越前最佳 IL 规划器且推理快 15 倍以上。

  12. arXiv · 机器人与计算机视觉78

    物理参数偏移下的因果世界模型

    针对世界模型在物理条件超出训练分布时精度下降的问题,本文研究了输入选择与计算机制两个因果建模组件。在合成基准中,冻结的依赖掩码将 OOD 均方根误差从 1.769 降至 0.697;在 CausalWorld 机器人连杆质量外推任务中,引入显式仿射系数的指端局部世界模型,使已知 PD 控制器下的关节 R2 中位数从 0.609 提升至 0.727。

    推荐理由:该工作通过显式参数化动力学偏置项,使因果世界模型在物理参数发生偏移时仍能保持预测精度。

  13. arXiv · 机器人与计算机视觉82

    PhysiCalWorld:面向世界模型的上下文物理校准

    针对现有世界模型在观测中难以捕捉物体质量分布、关节阻尼等物理属性导致预测回归经验先验的问题,本文提出 PhysiCalWorld 方法。该方法通过端到端训练,将测试场景内的探索性交互片段编码为紧凑的物理描述符 token,无需微调或解析物理建模即可校准动作条件化的世界模型以适配实例特定动力学。

    推荐理由:提出无需微调的上下文物理校准方法,通过探索性交互片段生成紧凑描述符以修正世界模型的物理漂移。

  14. arXiv · 机器人与计算机视觉84

    CW-WAM:一种用于力敏感操作的结构化接触 - 力矩世界动作模型

    该论文提出 CW-WAM,这是一种联合预测视频、运动和接触力矩的世界动作模型。它采用混合运动 - 力控制灵感,包含统一交互模块和成对因果注意力机制,利用长固定长度力矩记忆保留过去交互信息。

    推荐理由:该工作提出 CW-WAM 模型,结合接触力矩预测与慢快控制架构,将方柱插入成功率从 25% 提升至 70%,为力敏感操作提供了新的参考。

  15. arXiv · 机器人与计算机视觉83

    ASTEROID:一种基于不对称同策略蒸馏的测试时探索学习框架

    针对部分可观测环境下的序列决策难题,本文提出 ASTEROID 框架,利用学生 - 教师监督学习架构实现高效的测试时探索。该方法让学生先收集同策略上下文,再由特权专家提供条件化动作标签,使学生学会在不确定时搜索、揭示隐藏状态后利用。

    推荐理由:提出 ASTEROID 框架,通过不对称同策略蒸馏让学生在部分可观测环境下学会测试时探索,仿真转现实成功率提升 40%。

  16. arXiv · 机器人与计算机视觉82

    AtomicRL:面向长视界机器人操作的原子强化学习

    针对 VLA 模型在复杂长视界技能学习中面临的延迟信用分配与子任务掌握不平衡问题,本文提出 AtomicRL 框架。该方法引入语义感知策略优化(SAPO)以约束跨任务边界的信用污染,并通过瓶颈自适应目标探索(BATE)动态协调采样与局部探索。

    推荐理由:提出 AtomicRL 框架解决长视界操作中的信用分配与瓶颈问题,在仿真及真机部署上均优于 PPO。

  17. arXiv · 机器人与计算机视觉85

    Test-Time Motion Steering for Perceptive Humanoid Fall Recovery

    论文提出了 RISE 方法,旨在让人形机器人在跌倒后根据场景和任务需求灵活选择恢复姿势与路径。该方法通过学习恢复词汇表连接意图与动作,并利用视觉扩散规划器预测未来状态以引导运动生成。实验在仿真中展示了多样化的恢复策略、地形适应及无需重训练的测试时导向能力,并在宇树 G1 机器人上进行了实物演示。材料为预印本版本,仅包含摘要信息。

    推荐理由:该工作提出 RISE 方法,利用视觉扩散规划器在推理阶段引导人形机器人跌倒恢复策略,支持任务目标导向的多样化动作生成。

  18. arXiv · 机器人与计算机视觉83

    SP-HLM:基于稀疏姿态驱动的人形机器人全身控制与运动生成方法

    论文提出了 SP-HLM 框架,旨在解决人形机器人全身操控中高层策略与底层控制的接口问题。该框架采用稀疏姿态驱动机制,结合任务关键的五个体位与学习得到的潜在运动先验来表征空间意图和全身协调。

    推荐理由:该工作提出稀疏姿态驱动的人形机器人全身控制框架,通过解耦任务意图与运动协调,在仿真及真机实验中提升了人形机器人的运动跟踪与操作成功率。

  19. arXiv · 机器人与计算机视觉78

    Attn-Forcing:为流式视频生成学习全上下文注意力代理

    针对流式视频生成中增加注意力上下文长度带来的高昂计算与内存成本问题,本文提出 Attn-Forcing 框架。该方法引入可学习的视觉潜在变量作为注意力代理,利用代理更新模块融合历史视觉上下文,并通过注意力匹配损失显式约束代理的注意力行为以保留全上下文贡献。实验表明,Attn-Forcing 在保持有限资源的前提下,一致提升了流式视频生成质量,并优于现有基线方法。

    推荐理由:提出 Attn-Forcing 框架,通过注意力代理在有限资源下保留全上下文贡献,显著提升了流式视频生成质量。