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 62 页

10月20日周二第 1221–1240 条
  1. arXiv · 机器人与计算机视觉82

    VISTA:面向视觉自回归生成的测试时组合式对齐方法

    该论文介绍 VISTA 框架,这是首个针对下一代自回归图像生成中组合约束的基于梯度的测试时优化方案。该方法构建于 Infinity 模型之上,通过冻结 Transformer 优化中间表示,无需参数更新或训练即可稳定跨尺度优化并接入任意可微交叉注意力约束。

    推荐理由:提出首个基于梯度的测试时对齐框架,在不更新参数下提升视觉自回归模型的属性绑定与空间关系能力。

  2. arXiv · 机器人与计算机视觉82

    RoboEdit:将人类操作视频转化为可扩展的机器人经验

    针对收集机器人手物交互数据成本高且具身特定的问题,本文提出 RoboEdit 人机视频编辑套件,可将人类操作视频转化为动作一致、物理合理且手部状态对齐的机器人视频。

    推荐理由:提出 RoboEdit 工具链与数据集,将海量人类操作视频转化为物理合理的机器人训练数据。

  3. arXiv · 机器人与计算机视觉82

    TRACT:面向富接触操作的时序路由动作块与时间相位权威

    该研究针对机器人模仿学习中的时序相位错配问题,提出了 TRACT 方法,将相位结构化动作块分解为当前接受相位与未来视界内的单一边界。通过任务局部图约束时间相位权威,并引入因果响应赤字积分器处理接触执行中的补偿与恢复。

    推荐理由:论文提出 TRACT 方法解决机器人模仿学习中时序相位错配问题,在六款真实机器人上实现全序列成功与零停滞。

  4. arXiv · 机器人与计算机视觉82

    具身智能体接管控制:最小接口零样本代理媲美工业级策略

    论文研究了通用模型如何通过最小接口直接引导感知、行动、验证和自纠正的决策循环,提出‘具身代理控制’概念。研究评估了十四款前沿多模态模型在六个导航及问答基准上的表现,发现最佳代理在部分子集上超越已发表分数并接近人类测试者水平。

    推荐理由:该研究评估了十四款前沿多模态模型在导航与问答任务中的表现,发现最小接口代理能接近人类水平,但受限于身体感知与空间理解。

  5. arXiv · 机器人与计算机视觉78

    GROW$^2$: Grounding Which and Where for Robot Tool Use

    论文提出 GROW$^2$ 方法,利用物体部件作为自然抽象,将机器人工具使用的开放世界语义 grounding 分层为语义与几何两个层级:语义层借助 VLM 常识推理解析指令并选择合适工具及关键部位;几何层通过视觉基础模型从单张 RGB-D 图像定位精确的 3D 区域。

    推荐理由:该方法利用 VLM 语义推理与视觉基础模型的几何定位分层解决开放世界工具使用问题,在仿真与真实机器人实验中均优于基线。

  6. arXiv · 机器人与计算机视觉82

    Ultra Flash:将实时流式视频生成扩展至高分辨率

    Ultra Flash 是一种级联流式框架,旨在解决现有自回归视频扩散模型局限于低分辨率的问题。该研究在单 GPU 上实现了约 30 FPS 的 1K 分辨率和约 18 FPS 的 2K 分辨率实时生成。

    推荐理由:Ultra Flash 提出级联流式框架,在单卡 GPU 上实现 1K/2K 分辨率实时视频生成,兼顾画质与效率。

  7. arXiv · 机器人与计算机视觉82

    GRAIL:基于世界模型生成人形机器人移动与操作策略

    GRAIL 是一种数字生成管线,通过结合 3D 资产和仿真就绪场景构建视频世界模型,无需重建物理环境即可合成交互数据。该方法利用已知的几何参数减少深度模糊,恢复度量级的人机物交互轨迹,并训练任务通用的跟踪器以适配人形机器人。仅使用 GRAIL 生成的数据,团队在 Unitree G1 上实现了多样化物体拾取 84% 的成功率和爬楼梯 90% 的成功率。

    推荐理由:GRAIL 利用全虚拟的数字生成管线合成人形机器人操作数据,在 Unitree G1 上实现了高成功率的任务部署。

  8. arXiv · 机器人与计算机视觉82

    提升视觉基础模型视线跟随中的视线推理能力

    论文指出当前视觉基础模型(VFMs)虽提升了场景理解,但在视线推理方面贡献有限,导致依赖语义显著物体而非真实视线线索。为此提出一种新训练机制:通过头条件局部 LoRA 实现局部适应以保留场景 token 学习并优化头部 token 学习,同时引入出锥惩罚将视线线索注入头部 token 并与场景 token 对齐。

    推荐理由:针对现有视觉基础模型在视线跟随任务中场景理解强但视线推理弱的局限,提出头条件局部 LoRA 与出锥惩罚机制以增强推理能力。

  9. arXiv · 机器人与计算机视觉82

    Mono-Hydra++:基于多任务学习的单目实时三维室内场景图构建

    Mono-Hydra++ 是一种面向敏捷机器人的单目 RGB 加 IMU 流水线,用于室内度量 - 语义映射和分层三维场景图构建。系统结合 DINOv3 基的多任务模型 M2H-MX 与深度视觉惯性里程计前端,在 Go-SLAM ScanNet 子集上比最强 RGB-D 基线平均轨迹误差低 1.6%,在校准的 7-Scenes 数据集上将平均 ATE 提升 29.8%。

    推荐理由:该工作提出仅凭单目 RGB+IMU 实现实时三维场景图构建,在资源受限平台上替代深度传感器,代码与模型权重已开放。

  10. arXiv · 机器人与计算机视觉82

    Visual Text Compression as Measure Transport:基于测度传输的视觉文本压缩方法

    论文将视觉文本压缩(VTC)建模为测度传输问题,提出无需下游标签的路由准则与聚焦重编码机制,在 Qwen3-4B 上显著降低 token 消耗并提升任务得分。材料仅给出 arXiv 预印本链接,未报告真实机器人部署结果或同行评审状态。

    推荐理由:该文将视觉文本压缩建模为测度传输问题,提出无需下游标签的路由准则与聚焦重编码机制,在 Qwen3-4B 上显著降低 token 消耗并提升任务得分。

  11. arXiv · 机器人与计算机视觉84

    Think before Go:面向图像目标导航的分层推理方法

    该研究针对现有端到端导航策略在远距离或跨房间场景中易迷失的问题,提出分层推理导航框架。该方法利用视觉语言模型生成高层短视域规划(如通过门还是走走廊),再由在线强化学习策略执行低层动作,并引入游荡抑制惩罚减少无效探索。实验表明该方法在仿真与真实环境中均优于现有方法。

    推荐理由:提出分层推理导航框架,将长程任务拆解为高层规划与低层执行,并引入游荡抑制惩罚以解决远距离目标定位难题。

  12. arXiv · 机器人与计算机视觉78

    Any 3D Scene is Worth 1K Tokens:基于3D接地表示的大规模场景生成

    该论文提出在由强大2D基础模型(如DINOv2、SigLIP2等)导出的高维隐式3D潜空间内直接进行场景生成,以解决传统2D多视图方法存在的表征冗余和空间一致性受限问题。

    推荐理由:原文提出在基于2D基础模型的3D隐式潜空间直接进行场景生成,实验验证了该方法在效率与空间一致性上的优势。

  13. arXiv · 机器人与计算机视觉82

    因果场景叙述:用于视觉语言动作驾驶的推理时文本重构

    针对自动驾驶中视觉语言动作模型接收到的离散文本指令难以关联环境约束的问题,该研究提出了因果场景叙述方法,通过在推理阶段进行意图与约束对齐、量化 grounding 及结构化分离来优化输入。

    推荐理由:该研究提出在推理阶段重构 VLA 文本输入的方法,在多城镇 CARLA 测试中显著提升了路线完成率,并验证了其对感知噪声的鲁棒性。

  14. arXiv · 机器人与计算机视觉82

    OccSim:首个无需 HD 地图与日志布局的千米级长视界占用世界模型仿真器

    该论文提出 OccSim,这是首个不依赖预记录驾驶日志或 HD 地图等空间先验的 3D 占用世界模型驱动仿真器。系统仅需初始帧和自车动作序列即可稳定生成超过 3000 个连续帧(较此前最先进方法提升 80 倍),并融合成跨度超 9 公里的地图,定性测试甚至可滚动至 11 万帧以上。

    推荐理由:该工作提出首个无需 HD 地图或日志布局的 3D 占用世界模型仿真器,生成长度提升 80 倍并支持超千米范围合成数据。

  15. arXiv · 机器人与计算机视觉78

    并非所有特征都同等重要:VLA 模型的机理研究与 Action Atlas 平台发布

    该研究通过可解释性管线揭示了 VLA 模型对指令的绝对坐标绑定机制,并开放了包含 520+ SAEs 与 UR10e 遥操作数据的 Action Atlas 平台。

    推荐理由:该研究通过可解释性管线揭示了 VLA 模型对指令的绝对坐标绑定机制,并开放了包含 520+ SAEs 与 UR10e 遥操作数据的 Action Atlas 平台。

  16. arXiv · 机器人与计算机视觉78

    DeReCo:解耦表示与协调学习以实现对象自适应去中心化多机器人协同抓取与搬运

    针对多机器人协同抓取与搬运中对象依赖的表示学习与非平稳性下的协调学习耦合问题,论文提出 DeReCo 框架。该框架采用两阶段训练策略:先在特权信息下学习协调策略,再基于局部观测重构对象依赖表示并重新训练协调策略以实现去中心化执行。

    推荐理由:提出 DeReCo 框架解耦表示与协调学习,在仿真和真实机器人实验中验证了跨物体泛化能力。

  17. arXiv · 机器人与计算机视觉85

    ULTRA:面向人形机器人全身自主运动操作的统一多模态控制框架

    针对现有方法依赖预定义动作参考且难以扩展技能库的局限,该研究提出 ULTRA 统一框架。其核心包含物理驱动神经重定向算法,用于将大规模动捕数据迁移至人形机器人并保持接触交互的物理合理性;以及支持从精确动捕状态到嘈杂自中心视觉输入的通用多模态控制器。

    推荐理由:该工作提出 ULTRA 框架,通过物理驱动重定向与统一多模态控制器,实现从稀疏感知到全身自主 loco-manipulation。

  18. arXiv · 机器人与计算机视觉80

    在线世界建模实现真实世界的观察逆强化学习

    当前机器人学习受限于手工设计奖励、仿真建模或动作监督。本文提出首个仅凭任务观察(如视频)即可学习的逆强化学习方法 IRLfO,并展示了首个在真实世界中从零开始学习视觉操作及跨任务正迁移的演示。MPAIL2 模型在不到 40 分钟内从零基础学习到抓取放置任务达到 82% 成功率,而同等交互和演示预算下的强化学习与行为克隆方法分别仅达 0% 和 12%。

    推荐理由:该工作提出首个基于在线世界模型的视觉操作逆强化学习方法,在真实世界中实现从观察学习抓取放置任务。

  19. arXiv · 机器人与计算机视觉82

    KungfuAthleteBot:基于视频学习的具身智能高动态运动与统一鲁棒性恢复框架

    KungfuAthleteBot 是一个针对人形机器人的统一框架,旨在解决从视频学习高动态动作时存在的漂移、信息缺失及鲁棒性不足问题。该工作联合专业武术家构建了高质量数据集,引入物理引导的抛物线轨迹修正以消除高度漂移和抖动,并设计了三阶段课程学习策略。

    推荐理由:该工作提出统一框架,通过物理引导轨迹修正与免教师训练范式,实现了人形机器人从视频学习高动态动作及快速跌倒恢复。

  20. arXiv · 机器人与计算机视觉82

    BFM-Zero:一种用于人形机器人控制的基于无监督强化学习的可提示行为基础模型

    论文提出 BFM-Zero 框架,旨在统一人形机器人的多样化控制任务。该框架利用无监督强化学习和前向 - 后向(FB)模型构建共享隐空间,将动作、目标与奖励嵌入其中,支持在不重新训练的情况下通过提示进行下游任务适配。实验在宇树 G1 真机上进行,验证了其在零样本运动追踪、目标到达及奖励优化等任务上的有效性,并展示了从仿真到现实的迁移能力。

    推荐理由:提出 BFM-Zero 框架,利用无监督强化学习与前向 - 后向模型构建可提示的共享隐空间,在宇树 G1 真机上实现零样本运动追踪与目标到达。