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 60 页

10月21日周三第 1181–1200 条
  1. arXiv · 机器人与计算机视觉78

    Learning from Automatic 3D Gaussian Splatting Edits for Online Bayesian Scene Change Detection

    该论文提出了一种基于广义贝叶斯证据融合的在线场景变化检测方法。方法通过离线学习自动对参考 3DGS 模型进行的编辑来生成带标签的训练视图,从而无需人工标注即可训练场景特定的证据模型和估计像素先验统计量。

    推荐理由:该方法通过离线学习自动编辑的 3DGS 模型来生成监督信号,解决了在线场景变化检测中先验未知和数值推断成本高的问题。

  2. arXiv · 机器人与计算机视觉78

    SuperMimic:利用单一可微世界模型扩展人形机器人全身控制

    论文提出 SuperMimic 方法,通过拟合标准刚体仿真器的日志过渡数据构建单一可微世界模型,与跟踪策略在单循环中联合训练并利用时间反传播获取解析梯度。该方法在单 GPU 上 3 小时即超越基线(128 GPU 训练 7 天),将 GPU 工时降低超 1000 倍,并在 129,514 个基准动作中仅失败 25 次;经过 9.8 小时双 GPU 训练后实现零失败。

    推荐理由:该工作提出用可微世界模型统一处理全身运动跟踪,将训练时间从 7 天降至 3 小时且失败率大幅降低。

  3. arXiv · 机器人与计算机视觉85

    CLOSER:一种用于具身对象 - 目标导航的证据感知主动视觉验证方法

    针对对象 - 目标导航任务中检测器易误判及候选体被遮挡的问题,该研究提出 CLOSER 框架。该方法微调开源 VLM 对多视角候选体进行目标、非目标或不确定标注,利用嵌入多样性门控选择互补视角并融合概率;若仍不确定则驱动智能体仅凭掩码和深度信息接近候选体直至决策明确。

    推荐理由:该工作提出证据感知的主动验证框架,通过微调开源 VLM 与扩散策略结合,在不重新训练现有导航系统的前提下提升目标导航成功率。

  4. arXiv · 机器人与计算机视觉78

    FRDV:一种用于可扩展人形机器人学习的快速动作重定向流程

    针对大规模人形运动捕捉数据在迁移到不同机器人时面临的挑战,论文提出了 FRDV 框架。该框架包含快速约束运动学重定向阶段和额外的动力学验证管道,利用自定义求解器实现高达每秒 9156 帧的处理速度,约为 GMR 和 ProtoMotions 的 136 倍。

    推荐理由:提出 FRDV 框架,结合快速运动学重定向与动力学验证,显著提升人形机器人动作迁移效率并减少物理冲突。

  5. arXiv · 机器人与计算机视觉82

    物理 AI 用于物流:NVIDIA Sim-to-Real 生态对增强型 COMPASS 导航的基准测试

    该预印本系统评估了 NVIDIA Cosmos 在工业移动机器人导航中的 Sim-to-Real 增益,显示其将成功率从 65.3% 提升至 91.7%,为相关团队提供了可复现的基准数据。

    推荐理由:该预印本系统评估了 NVIDIA Cosmos 在工业移动机器人导航中的 Sim-to-Real 增益,显示其将成功率从 65.3% 提升至 91.7%,为相关团队提供了可复现的基准数据。

  6. arXiv · 机器人与计算机视觉78

    TaskWAM:通过任务状态引导世界动作模型避免阶段混淆

    论文针对世界动作模型在长程操作中易出现‘阶段混淆’的问题,提出了 TaskWAM 框架。该框架利用 Mode Tokens 表征细粒度任务需求,结合 State Tokens 追踪执行进度,形成结构化任务状态以引导生成预期的未来轨迹。研究构建了 StageBench 基准并在仿真与真实世界中验证了该方法能有效减少混淆且具备跨异构机器人架构的即插即用能力。

    推荐理由:提出 TaskWAM 框架解决长程操作中的阶段混淆问题,并通过 StageBench 基准验证了其在异构机器人架构上的通用性。

  7. arXiv · 机器人与计算机视觉78

    RACE:一种基于参照抽象与组合证据的多模态搜索学习框架

    针对多模态搜索代理训练中视觉线索被文本捷径弱化的问题,本文提出 RACE 框架,利用图像构建从目标到答案的任务依赖。该框架通过参照抽象(RA)将身份揭示性文本替换为视觉或关系引用,并通过组合证据(CE)将多实体事实链接为需要综合所有贡献才能回答的问题。

    推荐理由:提出 RACE 框架,通过图像条件任务合成提升多模态搜索代理的视觉 grounding 能力。

  8. arXiv · 机器人与计算机视觉78

    面向弹性关节臂的强化迭代学习控制:模型不确定性下的跨轨迹泛化保证

    论文提出强化迭代学习控制(RILC)框架,旨在解决顺从机器人轨迹跟踪中非线性动力学与建模不确定性的挑战。该方法通过耦合传统迭代学习控制器与强化学习策略,在保留被动顺从性的同时实现快速适应和理论收敛保证。

    推荐理由:提出强化迭代学习控制框架,结合传统方法与强化学习优势,在仿真与欠驱动弹性关节机器人实验中验证了跨轨迹泛化能力。

  9. arXiv · 机器人与计算机视觉78

    Towards Consistent Geospatial Representations: Aligning One Encoder to Many Foundation Models

    Arthur Ouaknine 和 David Rolnick 提出 GeoMixture 框架,旨在解决地理空间基础模型(GFMs)因预训练目标和模态差异导致的表示不一致问题。

    推荐理由:提出 GeoMixture 框架,通过多表示对齐将单一编码器适配多个地理空间基础模型,在九个基准数据集上实现跨任务一致性。

  10. arXiv · 机器人与计算机视觉78

    SplatFlux:基于视频潜变量的前馈式 4D 高斯重建与生成框架

    该论文提出 SplatFlux,这是一个将视频潜变量解码为 4D 高斯(4DGS)的前馈框架,旨在统一处理视频基 4D 重建和条件式 4D 生成。核心观察在于利用预训练视频潜空间表示观测视频与生成内容。

    推荐理由:该工作提出 SplatFlux,利用预训练视频潜空间统一处理重建与生成任务,并通过静态动态解耦策略实现无需标注的 4D 场景构建。

  11. arXiv · 机器人与计算机视觉78

    Safe Multi-Robot Collaboration With Uniform Exclusion Using Trust

    arXiv 论文提出一种用于多机器人协作的安全通信包装器算法,该算法利用各机器人上的异常检测器生成的信任值流,通过 Safe Anytime-Valid Inference 方法筛选出可信链路。

    推荐理由:提出一种基于信任值的通信包装器算法,能在存在恶意链路的情况下以高概率排除受损连接并快速恢复对合法链路的信任。

  12. arXiv · 机器人与计算机视觉82

    感知却不停车:推理驱动 VLA 中的感知 - 行动绑定差距研究

    该论文指出,尽管增强的视觉语言动作(VLA)驾驶模型能感知危险并推理安全,但轨迹生成仍受自身速度历史主导,导致无法及时制动。作者通过在冻结的流匹配采样器中注入条件化能量,在不修改权重的情况下成功修复了 Alpamayo-1.5 模型的制动失效,将障碍物侵入率从 58.1% 降至 14.5%,并在闭环测试中消除了碰撞。

    推荐理由:原文揭示了感知与行动解耦问题,并通过注入条件能量在无需重训的情况下修复了 Alpamayo-1.5 模型的制动失效。

  13. arXiv · 机器人与计算机视觉85

    PointForward V2:面向前馈式驾驶重建的点对齐交互方法

    论文 PointForward V2 针对动态驾驶场景的前馈式重建任务,提出利用紧凑的场景结构化寄存器来中介稀疏 3D 查询间的交互,以替代直接的全局注意力机制。

    推荐理由:该预印本提出通过紧凑的场景结构化寄存器中介查询交互,解决了点表示独立处理与全局注意力计算量大的问题。

  14. arXiv · 机器人与计算机视觉78

    MoDDiT:扩散 Transformer 中的简单令牌路由

    arXiv 预印本论文提出 MoDDiT 架构,旨在解决扩散 Transformer(DiT)在处理自然图像时未能利用背景稀疏性的问题。该方法通过学习将令牌独立路由至 MLP 和自注意力操作,实现了跨令牌、图像及去噪步的动态计算分配。

    推荐理由:该工作提出 MoDDiT 架构,通过动态路由机制在图像与视频生成中降低计算成本并提升性能。

  15. arXiv · 机器人与计算机视觉82

    基于人类手物交互数据的触觉感知表示学习框架 HuTact

    论文提出了 HuTact 框架,旨在解决灵巧操作中机器人端数据采集成本高的问题。该方法通过预训练将人类手物交互中的动作结构迁移至机器人触觉观测,无需真实触觉信号即可初始化模型。

    推荐理由:该预印本提出利用大规模人类手物交互数据作为先验,显著提升了机器人触觉感知与操作任务的数据效率。

  16. arXiv · 机器人与计算机视觉78

    EventSync:面向历史依赖操作的基于事件的任务记忆更新方法

    针对当前观测不足以确定下一步动作的历史依赖型机器人操作难题,本文提出 EventSync 层级框架。该框架利用视觉语言模型生成子目标,由视觉语言动作模型执行,并引入轻量级事件监测器结合视觉观测与末端轨迹判断子目标完成状态,仅在获得完成证据后记录至历史并触发后续推理。

    推荐理由:提出基于事件驱动的层级框架,通过轻量级监测器解决任务记忆更新时机问题,在 RoboMME 基准上显著超越现有基线。

  17. arXiv · 机器人与计算机视觉82

    基于多视角潜在动作预训练的跨具身机器人视频学习

    针对单视角模型无法解决深度与遮挡问题导致 6D 动作解析模糊的局限,该研究提出一种利用同步多相机视图和交叉注意力机制压缩为潜在动作的模型架构。实验显示,双视角预训练相比单视角将真实 6D 动作的可解码性提升 17%,下游策略成功率提升幅度从 +6.2% 增至 +13.5%。

    推荐理由:该研究提出多视角潜在动作预训练方法,在跨具身迁移和硬件部署上均验证了视频数据对提升机器人操作成功率的有效性。

  18. arXiv · 机器人与计算机视觉82

    World2HOSI:一种用于长程人机物场景交互生成的多专家编排框架

    论文介绍 World2HOSI 框架,旨在解决长程人机物场景交互(HOSI)任务中单一模型能力不足及高质量数据稀缺的问题。该方法通过构建基于解耦背景与物体资产的持久化三维高斯泼溅(3DGS)场景状态,利用编排器规划动作阶段并调用现有专家模型,同时将动作效果写回以维持世界一致性。

    推荐理由:该工作提出多专家编排架构,利用解耦资产与闭环仿真生成高质量长程人机物场景交互数据。

  19. arXiv · 机器人与计算机视觉78

    VEOcc++:面向具身在线语义占用映射与离线优化的持久体素特征图学习

    论文提出 VEOcc++ 统一框架,利用持久稀疏体素特征图连接探索阶段的在线增量映射与后续的全局地图优化。该方法在 EmbodiedOcc-ScanNet 数据集上实现 67.12% IoU 和 58.40% mIoU,刷新在线增量映射 SOTA;离线优化阶段进一步提升至 67.79% IoU 和 59.37% mIoU。研究展示了在移动机器人上的零样本部署能力与大规模室内建图的可扩展性。

    推荐理由:该工作提出统一框架,通过持久稀疏体素特征图连接在线增量映射与离线全局优化,在 EmbodiedOcc-ScanNet 上刷新 SOTA。