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 59 页

10月21日周三第 1161–1180 条
  1. arXiv · 机器人与计算机视觉82

    Flow Control:通过简单实时输入引导视觉语言动作模型

    论文介绍了一种名为 Flow Control 的方法,用于实时引导视觉语言动作(VLA)模型的动作输出。该方法将用户输入的键盘指令写入 VLA 流匹配动作专家的初始条件,无需重新训练或微调即可实现高保真且符合原分布的引导。

    推荐理由:提出无需微调的流控制方法,利用通用输入实时引导 VLA 动作,提升任务成功率与完成速度。

  2. arXiv · 机器人与计算机视觉82

    端到端自动驾驶规划器的测试时轨迹优化方法 TOAD

    论文提出 TOAD 方法,将端到端规划器的评分器转化为学习到的轨迹级奖励函数,并在测试时使用交叉熵方法搜索最大化该奖励的轨迹。该方法无需重训即可作为即插即用模块集成到现有规划器中。实验显示,TOAD 在七种基线规划器上均提升了 NAVSIM-v1、NAVSIM-v2 及闭环 HUGSIM 基准的表现。代码已公开。

    推荐理由:TOAD 将评分器转化为测试时奖励函数,利用交叉熵方法优化轨迹,无需重训即可提升七种基线规划器的 NAVSIM 与 HUGSIM 基准表现。

  3. arXiv · 机器人与计算机视觉84

    DRAPE:面向多模态持续指令微调的动态跨模态提示生成

    针对多模态大模型在多任务场景下的持续学习问题,现有方法存在实例级适应性不足和灾难性遗忘的局限。本文提出 DRAPE 框架,通过从文本指令推导查询并交叉关注视觉特征来合成实例特定的软提示,同时利用空空间梯度投影和基于 CLIP 的原型路由机制缓解遗忘。实验表明该方法在持续学习基准上达到最先进水平,代码已开源。

    推荐理由:提出 DRAPE 框架,通过实例级跨模态提示生成与梯度投影缓解遗忘,在 MCIT 基准上达到 SOTA。

  4. arXiv · 机器人与计算机视觉78

    HERMES++:面向三维场景理解与生成的统一自动驾驶世界模型

    针对现有方法侧重未来生成而忽视三维理解、大语言模型缺乏几何演化预测能力的差距,该研究提出 HERMES++ 统一驾驶世界模型。通过鸟瞰图表示整合多视角信息、LLM 增强世界查询促进知识迁移、当前到未来链接桥接时间差以及联合几何优化确保结构完整性,该方法在多个基准测试中表现优于专用方法,同时实现未来点云预测与三维场景理解任务的高性能。论文已被 IEEE TPAMI 接收,代码与模型将公开。

    推荐理由:该工作提出统一框架融合三维场景理解与未来几何预测,填补语义解释与物理模拟间的差距。

  5. arXiv · 机器人与计算机视觉82

    Kamino:一种支持运动学闭环的高性能 GPU 物理仿真求解器

    论文介绍了 Kamino,这是一个基于 NVIDIA Warp 和 Newton 框架实现的 GPU 物理求解器,旨在解决复杂机械系统中强耦合的运动学与动力学约束问题。

    推荐理由:该工作提出基于 GPU 的刚性多体物理求解器 Kamino,原生支持运动学闭环与异构机器人批量仿真,为强化学习策略训练提供了高保真环境。

  6. arXiv · 机器人与计算机视觉82

    TrajTok:学习轨迹 Token 提升视频理解能力

    针对视频模型中 Patch 分词冗余且效率低的问题,论文提出 TrajTok 模块,通过端到端联合训练实现动态粒度视频分词,无需依赖外部分割与追踪管道。该模块包含统一的分段器,能在单次前向传播中直接生成物体轨迹,优先适配下游任务而非追求像素级精度。

    推荐理由:提出 TrajTok 模块,通过端到端联合训练实现动态粒度视频分词,在长视频推理与检索基准上优于现有方法。

  7. arXiv · 机器人与计算机视觉78

    PISA:分段稀疏注意力更明智——用于高效扩散 Transformer

    论文提出 PISA,一种无需训练的 Piecewise Sparse Attention 方法,旨在解决扩散 Transformer 的二次复杂度瓶颈。该方法发现非关键块注意力分数具有分布稳定性,采用“关键块精确计算、其余块通过块级泰勒展开近似”的策略,而非直接丢弃信息。

    推荐理由:提出无需训练的 PISA 方法,通过分段泰勒展开近似非关键块注意力,在 Wan2.1、Hunyuan-Video 及 FLUX 上实现加速并保持最高生成质量。

  8. arXiv · 机器人与计算机视觉78

    ChartEvo:一种用于长尾图表推理的递归自进化智能体框架

    该论文提出了 ChartEvo 框架,旨在解决多模态大语言模型在长尾图表类型上性能不均的问题。通过经验驱动的层级自改进机制,框架联合演化可复用的图表专用技能与可执行工具,并学习局部工具调用链以组合能力与控制推理开销。实验显示,在 ChartBench 和 ChartX 数据集的长尾图表任务中,该方法相比基线模型 Qwen3.7-Plus 分别提升了 45.6% 和 32.5% 的准确率。

    推荐理由:针对长尾图表推理任务,提出递归自进化框架以联合优化技能与工具调用链。

  9. arXiv · 机器人与计算机视觉78

    GALA:一种用于可控物体布置的几何感知语言模型

    针对现有方法依赖简化表示而忽视细节几何的问题,该工作提出 GALA 模型,通过显式点云感知实现细粒度支撑与包含约束推理。模型采用两阶段训练策略对齐几何与文本模态,并在多源场景数据集上显著优于基线。此外,团队开发了基于模型的文本驱动场景生成智能体管线,相关数据集与代码将开源。

    推荐理由:该工作提出融合点云感知的几何语言模型,解决细粒度放置约束推理难题,并开源多场景数据集与计划 - 放置 - 验证智能体管线。

  10. arXiv · 机器人与计算机视觉78

    成对学习提升深度神经网络的数据效率

    针对小样本回归中深层网络易坍缩至低方差预测的问题,作者引入成对比较框架,将回归重构为聚合相对排名。该方法在不增加监督的情况下,利用 UTKFace 数据集(2.3 万图像)生成了超过十亿次训练比较。

    推荐理由:提出成对比较框架将回归转化为聚合相对排名,在少量标签下提升数据效率与模型性能。

  11. arXiv · 机器人与计算机视觉83

    Latent Projection for Latent Planning:一种基于潜空间投影的规划方法

    该论文提出了一种名为 Latent Projection 的方法,旨在解决世界模型中潜变量包含无信号噪声的问题。作者利用 SIGReg 正则化将潜边际驱动为标准高斯分布的特性,假设潜序列为 Gauss-Markov 过程,通过拟合状态动力学矩阵 A 同时获得协方差结构。

    推荐理由:该方法利用世界模型训练中的正则化结构,以零额外成本拟合状态动力学矩阵来剪除潜空间噪声,在导航任务中将成功率提升最高 54.7 个百分点。

  12. arXiv · 机器人与计算机视觉84

    Joints, Camera, Action!:为任意骨架协同生成 3D 运动与视频

    arXiv 论文提出一种模型,直接为任意提供的骨架(rig)协同生成视频和 3D 运动,并注册相机以将动作置于 3D 场景中。该方法将 3D 运动建模独立于视频模型,支持非人形骨架,利用少量交叉注意力层连接预训练视频模型。

    推荐理由:提出联合生成视频与任意骨架 3D 运动的新方法,支持非人形资产动画化及场景配准。

  13. arXiv · 机器人与计算机视觉83

    AEON:统一视频与 3D 世界模型的框架

    论文提出 AEON 框架,旨在弥合基于视频生成模型(如 Sora)缺乏 3D 一致性与基于 3D 生成模型(如 Marble)缺乏真实感之间的差距。该框架在文本或图像条件的视频潜在空间内运行,生成可渲染的 4D 图形原语——具体为 4D Gaussian Splatting (4DGS) 作为显式世界表示。

    推荐理由:提出 AEON 框架统一视频与 3D 世界模型,通过 4DGS 显式表示实现几何一致性与真实外观的兼顾。

  14. arXiv · 机器人与计算机视觉82

    通过混合灵巧模仿学习可适应的灵巧技能

    针对现有强化学习与运动追踪方法在泛化性与自然性上的权衡问题,论文提出 AdaDex 框架。该框架核心为 Hybrid Dexterous Mimicking,通过在密集运动追踪环境与稀疏奖励泛化环境并行训练共享策略,将数秒的人类动作转化为具备功能抓取、物体重定向及投掷等能力的灵巧技能。实验表明该方法在仿真与真实世界中均优于基线,并实现了跨模拟器迁移。

    推荐理由:提出 AdaDex 框架,利用混合模仿策略将少量人类动作转化为可泛化的灵巧技能,并在仿真与真实世界验证了跨平台迁移能力。

  15. arXiv · 机器人与计算机视觉84

    UniWALM:面向具身机器人控制的统一世界动作语言模型

    论文介绍 UniWALM,一种将视频、动作与语言统一在单一混合 Transformer 骨干中的世界 - 动作 - 语言模型。该架构通过同步去噪解码子任务与文本记忆,无需外部规划器或记忆库即可实现语言作为记忆的闭环。

    推荐理由:UniWALM 在统一架构下实现语言记忆闭环,无需预训练语言或推理模型即可提升操作成功率。

  16. arXiv · 机器人与计算机视觉83

    KoalaGS:基于复杂度感知的连续层级细节高斯泼溅方法

    该论文提出 KoalaGS 方法,利用输入视图计算的图像复杂度先验来指导高斯泼溅训练中的点云重定位与降级策略。研究发现在低算力预算下,简单区域的高斯数量过多会拖累渲染质量,该方法通过偏置重定向至重建较差区域并平滑过渡层级细节,在三个数据集上实现了更优的渐进式流送效果与结构保持能力。

    推荐理由:该方法利用图像复杂度先验优化高斯泼溅的层级细节,在降低算力预算时保持场景结构并提升低容量下的渲染质量。

  17. arXiv · 机器人与计算机视觉85

    AgenticRoboRL:将代码智能体后训练引入具身机器人规划

    AgenticRoboRL 是一个针对机器人规划器的后训练框架,结合监督微调与多轮强化学习,通过适配不同执行机制(如 VLA 技能调用与控制代码生成)提升规划能力。在 LIBERO-PRO 基准上,该方法使 9B 参数规划器在无外部记忆条件下的成功率从 18.1% 提升至 71.0%,接近带外部记忆的 Codex (GPT-5.5) 的 72.1% 水平。作者将开源该框架及训练好的规划器检查点。

    推荐理由:该框架通过微调与强化学习结合,在不依赖外部记忆的情况下将 9B 参数规划器成功率从 18.1% 提升至 71.0%,接近带外部记忆的基线水平。

  18. arXiv · 机器人与计算机视觉83

    Can a Display Be Used for Rapid LiDAR-Camera Extrinsic Calibration?

    ScreenCalib 方法利用普通可编程显示屏上的 AprilTag 标记和屏幕物理边界,实现激光雷达与相机的外参标定。该方法通过标签引导提取、几何假设生成及场景边缘消歧义解决显示几何带来的关联模糊问题。

    推荐理由:提出用普通显示屏替代专用标定板进行激光雷达与相机外参校准,通过多姿态共识降低误差。

  19. arXiv · 机器人与计算机视觉82

    VLM-Guided Contact Retargeting and Generative Partner Modeling for Humanoid-Human Interaction

    论文提出 REACT 框架,旨在从人机演示中学习可部署的人形机器人交互策略。该方法利用视觉语言模型(VLM)进行语义接触建模与重定向,将人类伙伴的遮挡状态转化为生成式预测目标以弥补感知缺失。研究在仿真及宇树 G1 真机平台上验证了该框架在五种高接触密度交互任务中的有效性,证明其能仅凭机载传感器完成操作。

    推荐理由:提出 REACT 框架,利用 VLM 进行接触重定向与生成式伙伴建模,解决人形机器人与人类交互中的严重遮挡问题。

  20. arXiv · 机器人与计算机视觉78

    SenseAlign:通过语言理解视觉与触觉的测试时适应方法

    SenseAlign 是一种针对触觉 - 视觉 - 语言模型的测试时适应方法,旨在解决部署中因环境变化或硬件差异导致的模态不可靠问题。该方法利用候选类别的文本嵌入比较累积观测以评估模态可靠性,并通过特征修正分离预测类别与替代选项。所有编码器保持冻结,仅使用无标签历史数据即可在自然偏移和受控腐蚀下恢复识别性能。

    推荐理由:提出在测试时利用文本嵌入进行模态对齐与特征修正,以应对光照或传感器变化导致的性能下降。