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 57 页

10月22日周四第 1121–1140 条
  1. arXiv · 机器人与计算机视觉78

    RealMe:基于高分辨率视频扩散模型的沉浸式体素视频生成框架

    论文提出 RealMe 框架,利用高分辨率视频扩散模型将稀疏、低分辨率的采集资源增强为 2K 分辨率且具备 4D 一致性的视频。该方法通过构建辅助数据并引入布局感知的位置嵌入,结合因子化时空注意力机制处理多视角与时间动态,同时应用潜在频率损失以缩小生成视频与真实采集的数据差距。

    推荐理由:该工作提出基于高分辨率视频扩散模型的统一框架,解决稀疏低分辨率采集下的 4D 一致性问题。

  2. arXiv · 机器人与计算机视觉84

    DONIC:基于人类演示的双手通用灵巧追踪控制

    论文提出了 DONIC,这是首个联合训练于不同操作类别和人类运动源的双手通用追踪器,并发布了包含 1,575 序列的 BiHOI 数据集。该方法结合近端策略优化与行为克隆,利用对象中心奖励和 Clip-Centered Advantages 等技术,使单一策略能在异构参考下学习协同操作。

    推荐理由:论文提出 DONIC 模型与 BiHOI 数据集,解决双手协同操作难题,在未见轨迹上成功率显著超越现有基线。

  3. arXiv · 机器人与计算机视觉83

    CausalAlign:面向一致自运动的视频生成模型因果对齐方法

    针对扩散式视频生成模型在长序列中自运动(ego-motion)漂移导致几何不一致的问题,该研究提出 CausalAlign 框架。该方法利用线性探针诊断自运动表征的保留模式,并通过将特定层的表征与 3D 基础模型在 delta-token 空间对齐来增强自运动状态。

    推荐理由:该工作通过因果对齐框架修正扩散视频生成模型的自运动漂移,显著提升了几何一致性与具身任务成功率。

  4. arXiv · 机器人与计算机视觉82

    零样本筛选低分辨率热成像视频中的跌倒事件:实验室与居家场景下的评估

    该研究评估了生产级多模态大模型 Gemini 3.8 Flash 和 3.7 Flash 作为事件触发式跌倒筛查器的决策阶段能力,使用公开的低分辨率热成像数据集。

    推荐理由:原文在实验室与居家真实场景中评估了多模态大模型对低分辨率热成像视频的跌倒检测能力,并公开了帧级标注数据。

  5. arXiv · 机器人与计算机视觉78

    HuMiT:基于紧凑参考跟踪的低延迟全身人形机器人遥操作系统

    针对优化重定向管道和未来帧条件引入的计算延迟问题,本文提出 HuMiT 系统,其统一跟踪策略仅需当前帧的根高度、速度及四个稀疏关键点 SE(3) 姿态作为紧凑参考目标。实验显示该系统在头戴设备流与策略输出间实现约 20ms 通信推理延迟,跨不同运动类型的光流延迟中位数为 65ms。研究在宇树 G1 人形机器人上验证了系统,展示了接住抛球等秒级反应能力及协调的行走操作能力。

    推荐理由:提出仅需稀疏参考目标的低延迟全身遥操作策略,在 Unitree G1 上实现约 20ms 通信推理延迟与 65ms 光流延迟。

  6. arXiv · 机器人与计算机视觉78

    扩散 Transformer 如何去除噪声?注意力与 MLP 的聚合器 - 预测器视角解读

    arXiv 论文提出将扩散 Transformer(DiT)视为输入自适应的局部去噪器,其中上下文聚合对应注意力机制,补丁预测对应 MLP。研究证实 DiT 在真实图像上训练时表现出与高斯马尔可夫随机场分析一致的去噪上下文依赖性与注意力分布模式,且共享内存补丁预测器可作为 MLP 的有效替代方案。

    推荐理由:该文从聚合器 - 预测器视角解析 DiT 的去噪机制,为架构级微调与干预提供理论依据。

  7. arXiv · 机器人与计算机视觉82

    从欧氏到双曲:基于原语的组成性统一视角

    该论文研究了视觉语言模型中的组成性零样本学习(CZSL),提出无需显式重组属性与物体对,直接利用分解出的原语特征即可识别未见过的组合。研究通过新评分函数和广泛评估表明,嵌入流形的几何结构(欧氏、球面或双曲)及数据集结构显著影响组成性推理效果。

    推荐理由:该文提出无需显式重组即可利用分解特征进行零样本组合学习,并对比了欧氏、球面及双曲流形对推理的影响。

  8. arXiv · 机器人与计算机视觉78

    开放词汇模型与标签传播用于不确定性感知目标检测伪标签研究

    针对目标检测依赖大量人工标注且软标签成本高的问题,作者提出一种半监督框架,利用开放词汇检测器生成区域建议与语义表示,构建对象级相似图并传播概率标签信息。该方法为未标注对象分配软标签,量化了偶然性与认知不确定性。

    推荐理由:提出基于开放词汇检测器与图传播的半监督框架,在仅用1%标注成本下实现COCO数据集40.5% AP,接近全人工标注水平。

  9. arXiv · 机器人与计算机视觉82

    UniRAP:面向统一的部分级物理交互推理与可行动感知

    该论文提出了 UniRAP 统一模型,旨在解决将高层语义映射到部分级物理交互的难题。模型通过统一接口令牌机制整合视觉输入、文本指令和可选提示词,并引入统一动作解码器(UAD)联合执行目标检测、部分级功能分割及四自由度交互姿态估计。

    推荐理由:该工作提出统一模型 UniRAP,在部分级物理交互推理与可执行感知任务上达到最先进水平。

  10. arXiv · 机器人与计算机视觉78

    针对视觉语言动作策略的后验认识论不确定性方法

    论文提出一种名为 Post-hoc Epistemic Uncertainty 的方法,通过为单策略模型附加无需梯度更新的核方差头来估计认识论不确定性。该方法在 SmolVLA 上验证了其在任务相关性、主动学习演示获取及向更强监督者转介方面的有效性,且推理速度比双策略集成快约 50 倍。

    推荐理由:提出无需训练即可附加的单策略后验不确定性头,在 LIBERO-10 上媲美双策略集成效果并大幅降低计算成本。

  11. arXiv · 机器人与计算机视觉78

    迈向物理 AI 的递归自我改进:从行为优化到过程进化的评估原则

    该论文探讨如何将数字代理中的递归自我改进(RSI)机制迁移至物理世界,重点分析在部分观测、昂贵试错及不可逆后果下实现系统自优化的条件。作者梳理了现有研究在操作任务中支持的行为改进与流程优化成果,指出当前物理领域尚未完全隔离出由递归带来的增益。文章据此提出评估原则并指明未来研究方向,旨在建立机器人在反复试验中安全提升自身改进能力的理论框架。

    推荐理由:文章提出将递归自我改进机制引入物理世界的评估原则与研究路径,为机器人能力与生成过程的协同进化提供理论框架。

  12. arXiv · 机器人与计算机视觉78

    OpenEarth-OVS44:面向开放词汇分割的多模态遥感数据集发布

    针对现有遥感数据类别覆盖有限、分类体系粗糙的问题,作者发布了 OpenEarth-OVS44 多模态基准数据集。该数据集包含来自法国、日本和美国 40 个城市的 290,587 个专家验证片段,涵盖 2,832 张 RGB 图像及 1,341 对严格配准的亚米级分辨率 RGB-SAR 影像,并构建了统一的 44 类(9 基类)分类体系。

    推荐理由:该数据集提供多模态遥感分割基准与统一分类体系,支持跨域泛化能力评估。

  13. arXiv · 机器人与计算机视觉78

    Generalized CycleGRPO:首个统一强化学习框架用于细粒度多模态理解与定位

    该论文提出了 Generalized CycleGRPO,这是首个将区域理解与定位耦合在空间、时间及时空域的统一强化学习框架。模型利用重建重叠度作为可验证奖励来优化描述生成,并通过个体定位奖励改进逆映射。

    推荐理由:提出首个统一强化学习框架,通过区域理解与定位的循环一致性实现细粒度多模态自评估。

  14. arXiv · 机器人与计算机视觉78

    Make it Walk:基于计算的乐高步行器设计方法

    本文提出了首个能够设计支持多种步态的稳定乐高步行器的计算解决方案。该方法首先通过专门设计的齿轮连杆机构控制每条腿的足部运动轨迹,利用一对 3D 打印的非圆形齿轮与乐高机械结构配合;其次由独立电机驱动每条腿,并通过简单且适应性强的控制算法同步多条腿的运动时机。

    推荐理由:提出首个计算设计框架,通过非圆形齿轮与独立电机协同实现乐高步行机器人的多步态稳定行走。

  15. arXiv · 机器人与计算机视觉78

    基于欧氏距离场的强化学习实现鲁棒避障

    论文提出一种将欧氏距离场(EDF)直接整合进观测空间的强化学习框架,利用其丰富的空间信息简化奖励函数设计,实现了无需人工势场引导的有效避障。该方法在 7 自由度冗余机械臂上验证了从仿真到实体的零样本迁移能力,尽管仅用随机化静态物体训练,策略仍能泛化至未见过的真实环境并稳健地规避动态障碍物。材料为预印本状态,已接受于 IROS 2026。

    推荐理由:该工作将欧氏距离场融入 RL 观测空间,在仿真中训练的策略实现了零样本迁移到真实机械臂,且能应对动态障碍物。

  16. arXiv · 机器人与计算机视觉78

    超越捷径学习:面向人脸伪造检测的分层空间原型正则化

    论文指出通用深度伪造检测器难以适应未见过的操作流水线,且法证表征易受数据集中特定伪影影响而崩溃。为此提出分层空间原型(HSP)正则化方法,通过构建结构化原型子空间显式建模伪造流形,并引入原型正交性与二阶分配平衡以保留潜在因子的几何独立性、提升表征秩利用率。

    推荐理由:针对深度伪造检测中法证表征不稳定的问题,提出分层空间原型正则化方法,在跨数据集与跨操作设置下显著提升泛化性能。

  17. arXiv · 机器人与计算机视觉82

    TIDE:一种用于机器人操作的基于人机回环的在线后训练方法

    论文提出了 TIDE 系统,这是一种无需学习评论家、奖励模型或动作评分器的在线后训练框架。该方法通过源条件监督学习,利用部署过程中收集的人机交互数据和策略生成的轨迹来更新策略。

    推荐理由:该工作提出无需奖励模型或价值函数的在线后训练框架,利用部署中的人机交互数据快速更新策略。

  18. arXiv · 机器人与计算机视觉82

    编码但未使用:界定 VLM 错误的来源

    本文研究视觉语言模型(VLM)产生错误的原因,将其分解为视觉表征失败和视觉利用失败两类。作者提出了基于排名的 VELens 探针,用于追踪目标对象及其属性在模型各层的视觉证据,并估计视觉利用失败率。实验显示,该方法能准确诊断错误来源,发现视觉利用不足是 VLM 的主要瓶颈,建议未来改进方向在于开发更好的机制来定位、路由和使用已编码的视觉信息。

    推荐理由:提出 VELens 探针量化 VLM 错误来源,发现视觉利用不足是主要瓶颈。

  19. arXiv · 机器人与计算机视觉78

    NavBind:诊断导航 VLA 在路线分叉处的指令 - 动作绑定问题

    论文 NavBind 提出一种方法,用于诊断视觉语言动作(VLA)导航模型是否真正遵循指令而非仅依赖视觉线索或历史轨迹。研究构建了包含 3,252 个路线分叉场景的数据集,通过对比不同分支下的动作序列、概率分布及注意力变化,发现高导航成功率并不等同于对指令的忠实执行。材料为预印本,未报告真实机器人部署结果。

    推荐理由:该工作通过构建路线分叉数据集,揭示导航 VLA 模型高成功率可能未忠实遵循指令的现象。

  20. arXiv · 机器人与计算机视觉78

    SMR:从人类语义学习人形机器人的流式运动重定向

    论文提出 SMR,一种基于语义条件的流式神经运动重定向方法。该方法将人类动作转换为机器人感知的任务空间目标,利用在仿真中受接触、动力学和执行器约束的物理专家直接跟踪这些目标,并训练单因果 Transformer 对执行后的状态轨迹进行建模。实验表明,相比直接优化和物理修正基线,该方法在保持语义保真度和物理有效性的同时,实现了更优的闭环控制性能。

    推荐理由:提出 SMR 方法,利用语义条件物理专家在仿真中生成符合动力学约束的运动轨迹,并通过因果 Transformer 实现流式重定向。