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 64 页

10月20日周二第 1261–1280 条
  1. arXiv · 机器人与计算机视觉82

    基于代码空间的策略搜索:面向多智能体路径规划的研究

    该论文提出了一种利用自主编码智能体直接在代码空间进行策略搜索的新范式,结合了自动化优化与可解释性。研究通过两个案例验证了该方法的有效性:在 2024 年机器人竞速联赛的复杂地图中。

    推荐理由:原文展示了由代码智能体驱动的搜索工作流,在两个复杂多智能体场景中均超越了人工设计与专有方案。

  2. arXiv · 机器人与计算机视觉84

    CondenseVLA:用于高效多帧 VLA 的可学习历史压缩

    论文提出 CondenseVLA,一种具备可学习解码端历史压缩模块的多帧 VLA 策略,旨在解决单纯扩大时间窗口带来的计算冗余与采样僵化问题。该方法利用 VLM 骨干网络缓存的每帧特征,通过可学习查询和多头交叉注意力将观测历史蒸馏为固定数量的 slot token,并辅以正则化项抑制槽位重叠与相关性。

    推荐理由:该工作提出可学习的历史压缩模块,在保持计算效率的同时提升多帧视觉上下文对动作解码的利用效果。

  3. arXiv · 机器人与计算机视觉82

    MIRA:一种用于可控报告的多模态插图深度研究智能体

    MIRA 是一种专为可控报告生成的多模态插图深度研究智能体,解决了现有系统在推理中低估搜索轨迹中的图像以及生成时缺乏对报告粒度、多模态组合和证据锚定控制的问题。该工作通过 MIRA-Harness 将用户要求转化为生成合同并连接证据收集、提交、反馈修订与交付四个阶段,利用 Qwen3.6-35B-A3B 基础模型在七个代表性基准上取得最先进性能,能够产出与用户需求对齐且具备可追溯图文证据的报告。

    推荐理由:MIRA 模型通过多模态证据整合与生成合同机制,在开源智能体基准上实现最先进性能,并支持用户可控的图文报告生成。

  4. arXiv · 机器人与计算机视觉82

    LEAP:通过最优线性跳跃加速 ODE 基础扩散采样

    针对扩散模型训练中通用 ODE 数值方法因时间离散化粗糙导致性能下降的问题,本文提出基于轨迹几何理论的最优线性跳跃(LEAP)方法。该方法利用低维度和跨轨迹一致性,在局部轨迹子空间构建监督最小二乘优化问题,无需模型评估即可精确逼近未来状态。

    推荐理由:提出基于最优线性跳跃的采样加速方法,无需模型评估即可在多种模态下提升扩散模型生成效率。

  5. arXiv · 机器人与计算机视觉78

    VLDA:将全量未来预测重构为紧凑的动作可执行过渡建模

    论文提出 Vision-Language-Delta-Action (VLDA) 范式,旨在解决现有视觉语言动作模型直接学习观测到动作映射的学习负担过重问题。该方法通过引入紧凑的 Delta 变量作为世界状态变化的接口,利用局部过渡滤波器抑制静态重建偏差,并结合全局过渡锚点与动作流形引导进行优化。

    推荐理由:VLDA 提出用紧凑的 Delta 变量替代直接动作预测,通过 LoongForge 框架验证了其在长程一致性与泛化上的优势。

  6. arXiv · 机器人与计算机视觉78

    AeroIntent:一种用于无人机任务意图识别的同步多模态基准

    针对现有数据集在评估无人机任务级意图方面的不足,该工作发布了 AeroIntent 仿真基准,包含由 22 条轨迹程序生成的 990 个雷达、RGB、红外和深度观测序列。基于此基准提出的 AeroMIR 推理器在严格的轨迹不重叠协议下,平均准确率达 71.56%,优于最强基线 7.79 个点。该基准与模型为多模态无人机意图识别提供了可复现的基础。

    推荐理由:该工作发布了一个包含多模态序列的无人机任务意图识别基准,并提出了融合雷达轨迹与视觉证据的结构化推理器。

  7. arXiv · 机器人与计算机视觉83

    ActionRoPE:以动作为坐标实现平面相机游戏世界模型的时空一致控制

    针对平面相机游戏(如俯视和等距视角)中动作控制依赖特征条件导致空间不一致的问题,本文提出 ActionRoPE 这一无参数动作接口,将动作驱动的光学位移直接转换为世界坐标旋转位置,使同一世界位置的 token 地址随时间保持不变。

    推荐理由:提出 ActionRoPE 接口将动作转化为世界坐标,配合 CNS 调度策略,显著降低平面相机游戏世界的重访漂移并提升控制保真度。

  8. arXiv · 机器人与计算机视觉78

    OV-PEAR:面向未知工业物体的观测验证位姿尺度估计与重建

    论文提出了 OV-PEAR 框架,用于解决未知工业物体的 6D 位姿、尺度及操作就绪 3D 模型构建问题。该框架通过三阶段流程实现物体分割、外观感知视图检索与显式尺度搜索,并将多视角 RGB-D 证据反投影至物体规范坐标系以验证体素占用率,从而抑制幻觉并生成可信模型。

    推荐理由:针对未知工业物体,提出基于多视角观测验证的位姿尺度估计与重建框架,在真实机器人装配任务中实现高成功率。

  9. arXiv · 机器人与计算机视觉78

    无需学习目标:经典梯度作为 2D 高斯初始化的监督

    针对基于学习的图像高斯初始化成本高的问题,本文调查是否可用经典图像梯度替代 Instant GaussianImage 中的伪 PPM 目标。框架包含两条路径:免训练解析初始化结合概率提升与网格采样,平均 0.32 秒生成参数;神经网络初始化在 DIV2K 上利用在线 Sobel 监督训练,无需离线优化即可扩展至万图规模。

    推荐理由:提出用经典梯度替代昂贵的图像优化监督,提供免训练解析初始化与在线监督神经网络方案。

  10. arXiv · 机器人与计算机视觉78

    UniJev:在多模态系统一中分离准确率与校准的决策模型

    该论文介绍 UniJev 框架,通过共享头在文本、图像和视频上进行联合监督训练。研究发现监督决策模型能提升所有模态的准确率,而现有强化学习校准算法对视觉校准效果不一致且改变不大。

    推荐理由:提出 UniJev 框架与 Cora 方法,在联合训练中分离准确率校准并降低图像视频 ECE。

  11. arXiv · 机器人与计算机视觉78

    DeMoE:面向单步扩散蒸馏的功能跨层专家路由方法

    Zile Huang 等人提出 DeMoE 架构,通过持久共享专家配合条件路由残差来解决单步扩散蒸馏中的内部容量分配问题。在 FLUX.2-4B 单步生成任务中,该方法 GenEval 得分为 0.8220,激活图像 FFN 宽度仅 80.5%,性能超越稠密基线并匹配 50 步教师模型。材料为 arXiv 预印本,代码已开源。

    推荐理由:该文提出 DeMoE 架构,在单步蒸馏设置下实现优于稠密基线的生成质量与效率。

  12. arXiv · 机器人与计算机视觉82

    Learning from Fleet Experience: Collective Experience Learning Across 96 Robots

    论文介绍集体经验学习(CEL)范式,通过失败引导的经验检索微调(FERT),利用部署机器人的执行失败上下文从车队共享的成功经验中检索相关轨迹片段作为监督信号更新策略,无需额外收集专家演示或修正动作。

    推荐理由:提出利用车队失败案例检索成功轨迹进行策略更新的集体经验学习范式,在 96 台机器人上实现多任务成功率显著提升。

  13. arXiv · 机器人与计算机视觉78

    SpaRV:基于稀疏辐射体的可扩展几何一致 LiDAR-视觉建图与渲染

    论文提出 SpaRV(Sparse Radiance Voxels),一种通过可微射线步进渲染的稀疏辐射体地图方法,旨在解决机器人仿真、导航和检测中对照片级真实且几何准确的地图需求。

    推荐理由:提出 SpaRV 方法,利用稀疏辐射体与可微射线步进实现 LiDAR 与图像联合映射渲染,解决大场景几何一致性与显存限制问题。

  14. arXiv · 机器人与计算机视觉78

    InteractAgent:基于记忆增强反思的代理式人机场景交互系统

    论文提出了 InteractAgent,这是一个用于长程人机场景交互的多模态大模型系统。该系统采用单一大模型同时担任规划者与评估者,并冻结一个运动大模型作为执行器,形成闭环控制架构。

    推荐理由:该文提出 InteractAgent,利用冻结运动大模型与多模态大模型构建闭环规划执行反射机制,在 UniHSI 基准上验证了长程交互任务的成功率提升。

  15. arXiv · 机器人与计算机视觉78

    向量量化世界模型:面向机器人操作的潜在反馈运动规划

    针对长序列操作因累积误差和搜索复杂度高的难题,本文提出向量量化世界模型(VQ-WM),将离散长程搜索与连续视觉反馈控制相结合。该方法利用首达时间估计器作为准度量以对齐控制器能力,在汉诺塔物理操作中仅凭短轨迹数据即实现 100% 成功率,并能泛化执行训练集未见的长序列解法;同时在涵盖操作与移动的多项仿真基准上,性能优于最强世界模型。

    推荐理由:提出结合离散长程搜索与连续视觉反馈的潜在反馈运动规划框架,在汉诺塔任务中实现仅用短轨迹数据即达 100% 成功率。

  16. arXiv · 机器人与计算机视觉78

    Dream What I Can:基于稀疏视觉规划的长视界机器人操作

    论文介绍 DreamCan,一种分层策略,通过稀疏视觉规划将视频模型落地于机器人操作。高层规划器从预训练视频模型适配而来,生成平衡可达性与任务效用的稀疏子目标;低层视觉运动策略负责执行。

    推荐理由:DreamCan 利用预训练视频模型生成稀疏视觉子目标,在 LIBERO-Long 任务上达到 91.2% 成功率,并验证了其在真实双手机器人操作中的有效性。

  17. arXiv · 机器人与计算机视觉85

    目标图像即控制目标:用于机器人操作的基于空间的 grounded 目标图像合成研究

    该研究指出通用图像编辑指标无法预测机器人操作的成功率,在 CALVIN 和 SIMPLER-Bridge 基准上验证了大型专有编辑器在多步任务中表现不如小型微调开源模型。

    推荐理由:论文证明编辑画质与机器人控制成功率无关,提出基于空间掩码的 SGE-Goal 框架将开源基座模型转化为最强目标生成器。

  18. arXiv · 机器人与计算机视觉82

    CorrCLIPv2:利用无标签图像进行开放词汇语义分割

    论文提出了名为 CorrCLIPv2 的统一免训练对象中心框架,旨在解决对比语言 - 图像预训练(CLIP)在开放词汇分割任务中受噪声类间补丁交互影响的问题。该方法通过解耦类间交互、利用自监督模型的空间相干特征计算注意力分数以减轻掩码不准确性,并设计细化机制同时增强空间细节与语义表示。

    推荐理由:该工作提出无需训练的 CorrCLIPv2 框架,利用无标签图像构建记忆库并集成多 CLIP 模型,在多个基准上实现开放词汇分割的新最先进水平。

  19. arXiv · 机器人与计算机视觉82

    CorrFlow:一种自修正的流匹配框架

    该论文介绍 CorrFlow,一个通过轻量级修正器复用流匹配中间信息的自修正框架。在直化流插值下,该方法利用基模型预测误差与速度残差的关系,学习预测残差修正并加到采样更新前,无需额外评估基模型。理论分析表明特征复用优于原始输入仿射预测器,且修正训练比继续训练基模型更能降低风险。实验显示在类条件图像生成、文生视频和图生视频中均提升了视觉质量与物理一致性。

    推荐理由:提出 CorrFlow 框架,利用轻量级修正器复用流匹配中间表示以改善生成质量与物理一致性。

  20. arXiv · 机器人与计算机视觉82

    从视图到世界:面向视觉语言模型的 3D 世界主动探索框架

    针对现有视觉语言模型在三维空间推理中受限于被动视角的问题,本文提出 View-to-World (V2W) 框架。该框架通过重建包含几何、相机姿态和语义的显式 3D 世界,使 VLM 能通过多轮交互主动获取空间证据进行推理。实验表明,该方法在不需训练的情况下显著优于基线,且经强化学习优化探索策略后达到最先进水平。

    推荐理由:提出无需训练的主动探索框架,将 VLM 从被动感知升级为基于 3D 世界的主动推理。