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 61 页

10月21日周三第 1201–1220 条
  1. arXiv · 机器人与计算机视觉78

    PanoGraphGS:用高斯泼溅统一全景分割与分层3D场景图

    论文提出 PanoGraphGS 框架,将全景 3D 高斯表示学习与分层 3D 场景图构建相结合,在共享几何上学习语义与实例特征以支持跨视角一致预测。该方法恢复包含关系的空间层级结构,并在 Replica 和 NaviGS 数据集上实现对象节点识别准确率提升超 50 个百分点及领先的 2D 全景分割性能。

    推荐理由:该工作提出统一框架融合全景分割与分层场景图,并开源新数据集,在对象节点识别与2D全景分割上均优于基线。

  2. arXiv · 机器人与计算机视觉82

    NeoWorld-3:从像素到由代码定义的物理世界

    arXiv 论文介绍了 NeoWorld-3,这是一个基于编码智能体的框架,能从视觉观测重建可交互的三维世界。其核心 NeoSDK 提供底层几何、部件组合、可微参数优化及物理验证引擎;NeoMCP 则将这些能力封装为结构化 API,供视觉语言智能体进行代码编辑与迭代优化。

    推荐理由:该工作提出 NeoWorld-3,通过可执行代码重建具备物理交互性的三维世界,并在双臂机器人上实现零样本操作闭环。

  3. arXiv · 机器人与计算机视觉82

    CovNav:基于共形预测的物体目标导航自适应推理方法

    论文提出 CovNav 框架,解决具身智能体在未见环境中寻找目标时大语言模型的效率与精度权衡问题。该方法将空间查询转化为结构化二元决策,利用局部小模型快速判断并引入共形预测量化不确定性,仅对模糊查询调用慢速思维链推理。

    推荐理由:该工作提出无需训练的框架,利用共形预测引导大模型在具身任务中自适应切换快慢推理模式。

  4. arXiv · 机器人与计算机视觉78

    单目头显相机几乎足够:无需电子的 UMI 手套由单一移动相机标定与观测

    该研究提出用佩戴在采集者头上的单目自眼相机($122)替代手腕相机、姿态追踪器及多路数据流,配合贴有标签的无电子手套($22)和纸砖标记。实验显示该方法对机器人编码器标定的中位误差为 6.5mm 和 1.6 度,帧覆盖率 93%-100%;基于此训练的策略验证损失仅比编码器策略高 3%。

    推荐理由:单目头显相机替代手腕设备,配合无电子手套实现低成本高精度抓取,演示了从遥操作到自主执行的迁移效果。

  5. arXiv · 机器人与计算机视觉78

    Sensitivity-Orthogonal Residual Learning for Adaptive Sideslip and Cornering Stiffness Estimation

    该论文提出一种基于正交残差学习的自适应侧偏和转向刚度估计方法,旨在解决轮胎变化时模型校正与滤波器创新竞争的问题。研究通过传播预测测量的刚度敏感性并构建与之正交的校正器,在整车仿真中使侧滑误差降低 12.7% 至 22.0%,并在真实车辆数据上验证了其对名义刚度偏移的鲁棒性。材料为预印本论文,已提交至 Vehicle System Dynamics。

    推荐理由:提出正交残差学习框架,在保持侧偏刚度估计能力的同时抑制模型修正干扰。

  6. arXiv · 机器人与计算机视觉78

    Cross-Visibility-Gap Identity Persistence for 4D Scene Graphs:一种基于历史节点恢复的 4D 场景图身份持久化方法

    论文提出 CVG-SGM 方法,通过几何加权的跨节点交互与共享节点 GRU 记忆机制,解决物体在遮挡载体内消失后重新出现时的身份重连问题。该方法在单载体单身份受控设置下达到 1.000 的重连准确率,优于无记忆和无写入基线;在真实 RGB-D/SAM2 特征级数据上正确重连了全部 36 个保留检测样本。

    推荐理由:论文提出利用历史节点恢复机制解决物体在遮挡载体内消失后的身份重连问题,在受控实验与真实数据上均优于无记忆基线。

  7. arXiv · 机器人与计算机视觉78

    HATCH:用于可验证操作的硬件认证任务链

    针对机器人操作领域能力宣称难以验证且现有排行榜封闭或可操纵的问题,本文提出 HATCH 基准。该基准是一个公开指定、物理可复现、传感器评分且无法排练的机器人密室系统。任务涵盖五个技能类别的三个难度等级,并通过传感器确认形成长周期评估链。成功由仪器而非人工判断,评分与具体载体无关,物体摆放随机化。提交需包含未剪辑视频、日志和种子文件。相关规范、构建指南及评分标准已开源。

    推荐理由:提出 HATCH 机器人密室基准,通过硬件验证的任务链与传感器评分解决操作能力宣称不可验证问题。

  8. arXiv · 机器人与计算机视觉78

    LoRASpace:一种用于静态与动态多 LoRA 组合的池级共享基底

    论文提出 LoRASpace,这是一种免训练方法,利用奇异值分解找到保留 99% 因子能量的最小子空间。该方法支持两种推理模式:静态合并模式(以合并成本换取质量)和动态路由模式(根据输入选择)。在扩散模型池中,动态模式比复合推理快 6 倍以上,因为只需运行一次主干网络前向传播。代码已开源。

    推荐理由:提出免训练方法 LoRASpace,通过池级共享子空间实现多 LoRA 静态合并或动态路由,在扩散模型池中显著降低推理延迟。

  9. arXiv · 机器人与计算机视觉85

    拒绝提问、行动服从:机器人控制环路的运行时安全检查

    该研究指出前沿模型在通过代理 harness 控制机器人时存在安全隐患,即便面对常识性危险(如将刀放入玩具篮)也会尝试执行且从不引用风险。作者提出一种可选的运行时安全检查方法:在执行首次动作前,利用相同相机帧询问模型是否会执行指令。

    推荐理由:作者提出一种运行时安全检查机制,通过在动作执行前询问模型是否应执行指令来拦截有害操作。

  10. arXiv · 机器人与计算机视觉78

    面向 VLA 模型的故障归因:评估去除视觉噪声的收益

    针对视觉语言动作(VLA)模型对视觉干扰敏感但难以判断去除干扰是否有益的问题,提出一种无需成对策略回滚的因子化风险模型。该方法通过潜在干预从当前图像和任务指令中估计去除收益,在 OpenVLA 与 pi_0.5 仿真及 Franka 机器人上验证了优于单体模型和视觉语言模型基线的效果,误差约为前沿 VLM 的三分之一,并支持在线故障监控。

    推荐理由:提出一种无需成对数据即可估计去除图像噪声收益的因子化风险模型,在仿真与硬件上优于基线。

  11. 量子位82

    RSI 关键拼图:MemT 1.0 原生记忆模型发布

    量子位报道了 MemTensor 开源的 MemT 1.0 系列模型(Nano 与 Flash),该模型将经验编码为内部动态状态,通过专门的记忆分支参与计算。在 SWE-bench Verified 任务中,MemT-1.0-Nano 平均成功率为 69.73%,优于无经验基线;在迷宫探索和信息更新场景中展现了更好的长期记忆复用能力。

    推荐理由:MemT 1.0 系列将记忆编码为内部动态状态,在 SWE-bench 等基准上表现接近文本经验且推理成本更低。

  12. Hugging Face Daily Papers82

    Learning the 4D World through Point Trajectory Forecasting

    论文介绍 Video-Point Model (VPM),这是一个基于多视角视频历史和语言指令的世界模型,能够联合预测任意视角的未来视频和场景中持久点的 3D 轨迹。

    推荐理由:该工作提出 Video-Point Model,通过点轨迹监督联合预测多视角视频与 3D 运动,并扩展至机器人控制。

  13. Hugging Face Daily Papers78

    Foundation4D:面向自动驾驶的统一感知与重建模型

    NVIDIA 团队在 arXiv 发布 Foundation4D,这是一个统一的前馈模型,用于从多摄像头驾驶视频中估计几何、进行 3D 检测、生成语义占用和 Gaussian 重建。

    推荐理由:该预印本提出统一几何估计与重建模型,并开源基准数据集,为无激光雷达场景提供深度与语义占用先验。

10月20日周二
  1. arXiv · 机器人与计算机视觉82

    无梯度噪声优化用于生成模型的奖励对齐

    针对现有扩散和流模型的奖励对齐方法依赖多步随机轨迹且难以扩展至确定性生成器的局限,本文提出 ZeNO(Zeroth-order Noise Optimization)框架。

    推荐理由:提出无需反向传播的噪声空间优化框架,解决扩散与流模型在不可微生成器上的奖励对齐难题。

  2. arXiv · 机器人与计算机视觉82

    SELECT:一种利用兄弟互斥反事实构建语义擦除边界的框架

    针对文本到图像扩散模型的概念擦除问题,现有方法依赖预定义语义锚点但缺乏对其选择影响的深入理解。本文通过因果溯源发现概念分散度与锚点敏感性及擦除鲁棒性的关系,提出 SELECT 框架,利用语义相近且属性互斥的兄弟概念构建反事实重定向端点和局部保留集,在抑制目标概念的同时减少副作用和概念重现。实验表明该方法在对象、名人、艺术家风格及 NSFW 等擦除任务上优于固定通用锚点。

    推荐理由:通过因果溯源揭示锚点选择对概念擦除的影响,提出基于互斥概念的框架以平衡抑制与保留。

  3. arXiv · 机器人与计算机视觉82

    UniW(A)M:一种用于世界与世界 - 动作模型的统一混合专家框架

    论文提出 UniW(A)M,这是一种基于扩散 Transformer 的混合专家世界模型框架,旨在统一动作条件化的世界建模与多种世界 - 动作模型变体。共享专家捕捉通用动力学,原子能力专家跨接口复用,部署时通过插件自适应接口路由器(PAIR)选择合适接口以平衡任务成功率和执行效率,同时保持骨干网络冻结。

    推荐理由:该工作提出统一混合专家框架,在真实操作任务中成功率提升 11.6%,并实现跨接口能力复用。

  4. arXiv · 机器人与计算机视觉82

    LynxScenes:面向户外轮足机器人的大规模现实世界基准数据集与评测套件

    arXiv 预印本介绍 LynxScenes,这是一个基于 LYNX M20 轮足机器人采集的大规模户外现实世界数据集与基准。数据包含约 10 万段 30 秒导航片段(总时长 833.6 小时、里程 3,294.7 公里)及 300 万帧标注,涵盖四路鱼眼相机、双激光雷达、IMU、里程计与机器人状态。

    推荐理由:该基准提供轮足机器人户外导航、感知与世界模型的密集标注数据及评估工具,可帮助研究者验证现有方法在真实场景下的不足。

  5. arXiv · 机器人与计算机视觉82

    Humanoid Badminton:基于有限人类动作数据的动态羽毛球击打技能学习

    针对高速球类运动对人形机器人提出的时间关键决策、精准击打及全身协调挑战,本文提出一种三阶段分层强化学习框架以解决可用羽毛球参考数据稀缺且不完美的难题。首先通过任务随机化动作增强将稀疏标注的击打事件扩展为可执行的连续潜在技能空间;其次由高层规划器根据观察到的球的状态在线组合这些技能;最后利用上下文条件对抗正则化器鼓励更自然的技能使用同时保持回球性能。

    推荐理由:提出三阶段分层强化学习框架,利用有限人类数据实现人形机器人在真实世界与人类进行包含跳跃救球的多技能多回合对抗。

  6. arXiv · 机器人与计算机视觉82

    多模态 Transformer 中的虚拟编码器:无需专用感知编码器的任务可用表征学习

    该论文提出‘虚拟编码器’概念,指出多模态语言模型即便不接收连续特征或离散视觉 token 的专用感知编码器输入,也能在共享 Transformer 的前中期层内部化缺失的计算,构建出任务可用的感知表征。研究通过线性探测、与感知编码器的相似度分析及因果分析验证了这一结构的存在,表明感知处理与语言处理的边界不必重合于同一架构模块,为理解多模态模型如何处理感知提供了新视角。

    推荐理由:研究发现多模态大模型可在无专用感知编码器时,在共享 Transformer 内部层构建虚拟编码器结构。

  7. arXiv · 机器人与计算机视觉82

    GraFT:一种基于三维场景图的免训练多模态大语言模型空间推理框架

    论文 GraFT 针对当前多模态大语言模型在几何测量、视角转换及细粒度外观定位上的不足,提出无需微调的解决方案。该方法通过紧凑的三维场景图(3DSG)向冻结模型提供三维结构信息,具体形式包括符号工具计算的值、鸟瞰图图像以及由几何选定的以自我为中心的画面。

    推荐理由:GraFT 提出无需微调的框架,通过图结构为冻结模型补充三维信息,在 ScanQA 和 VSI-Bench 上显著优于基线。