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 68 页

10月19日周一第 1341–1360 条
  1. arXiv · 机器人与计算机视觉78

    NestedVLA:学习整合与生成视觉语言动作模型技能

    针对 VLA 模型在多任务环境中技能整合困难的问题,该研究提出 NestedVLA 框架,利用嵌套超网络根据目标任务合成自适应的动作专家参数,并与冻结的基础 VLA 组合,同时保留特定任务的压缩 VLM 残差。

    推荐理由:提出 NestedVLA 框架,通过超网络生成任务自适应参数实现技能合并,在 MetaWorld、ManiSkill 和 CALVIN 基准上表现优于模型合并基线。

  2. arXiv · 机器人与计算机视觉78

    Agentic Image Generation in the Wild:野外场景下的智能体图像生成研究与开源

    论文针对现实请求中实体信息稀缺且搜索结果混乱的‘野外’场景,构建了 Savanna 基准测试集。作者提出 Locate-Corroborate-Isolate 范式,即通过文本搜索锁定目标身份、多源交叉验证候选图片并裁剪干净参考图。

    推荐理由:作者构建了野外图像生成基准并提出了 Locate-Corroborate-Isolate 范式,开源了模型与训练数据。

  3. arXiv · 机器人与计算机视觉78

    Expand-and-Prune:面向端到端自动驾驶的测试时候选空间自适应方法

    针对稀疏规划器候选集有限且固定预算无法应对预测不确定性的问题,提出 Expand-and-Prune 框架。该方法利用语义驾驶意图和时序传播预测扩展原生候选集,并基于中间轨迹分数的不确定性进行自适应剪枝。

    推荐理由:提出无需更新参数的测试时候选集自适应框架,在四个基准上提升规划性能并显著改善分布外场景表现。

  4. arXiv · 机器人与计算机视觉82

    基于稀疏未定位图像的帧一致前馈 3D Gaussian Splatting 方法

    本文提出一种无需额外训练的框架,将冻结的姿态估计器 VGGT 与重建骨干网络 TokenGS 结合,解决坐标系不一致与平移尺度失配问题。在包含 107 个场景的测试中,该方法在全视角及仅四张稀疏视图条件下均能达到接近 COLMAP 参考的质量(22.47 PSNR),实现了完全无需 COLMAP 的姿态自由重建流程。

    推荐理由:该工作通过坐标系对齐与尺度修正,证明冻结的 VGGT 与 TokenGS 组合在稀疏视图下即可达到全视角质量,无需额外训练。

  5. arXiv · 机器人与计算机视觉78

    PASS:一种用于 CAT III 完整性算法开发的可信精密进近仿真系统

    针对固定翼飞机进近着陆阶段对可靠定位及完整性(trustworthy outputs)的需求,本文提出 PASS 系统。该系统在统一时空框架下集成可配置机场环境、规定轨迹、惯性模拟、标定立体图像及连续跑道相对真值,支持可控传感器误差与环境变化以生成用于算法开发的测试数据。

    推荐理由:该工作提出可控的进近仿真系统 PASS,支持 CAT III 完整性算法开发,并引入 SRST 指标量化仿真与现实的差距。

  6. arXiv · 机器人与计算机视觉83

    VLA-Fabric:面向可组合多臂 VLA 智能体的交互学习

    针对多臂协同操作需求,本文提出 VLA-Fabric,在保留各臂局部感知与动作所有权的同时,通过策略间显式交互实现协调。研究系统分析了交互发生位置、同伴信息聚合方式及学习机制,并在不同架构中验证了该原则的通用性。在仿真与物理实验中,由三支或四支手臂组成的团队在所有四项物理任务上,全量交互模式相比独立训练策略将成功率提升了 16% 至 40%。

    推荐理由:该文提出 VLA-Fabric,通过策略间显式交互提升多臂协作成功率,物理实验显示效果优于独立训练。

  7. arXiv · 机器人与计算机视觉78

    混合离散连续规划中的优良符号由什么决定?

    该论文从求解器视角定义符号有用性,引入求解器充分符号化概念并提出反例引导的符号发明算法。研究将原理扩展至神经网路参数化的优化目标,证明可从连续优化景观中诱导此类符号。实验表明所得符号在降低求解成本、保持解质量的同时提升了可解释性与可控性,并解释了部分人工定义符号的有效性。

    推荐理由:提出求解器充分符号化概念与反例引导算法,在仿真及真实机器人任务中降低求解成本并提升可解释性。

  8. arXiv · 机器人与计算机视觉78

    硬件即正则化:通过可调式被动顺应性引导臂增强模仿学习的数据一致性

    针对低成本被动引导臂缺乏恢复力导致关节空间轨迹不一致的问题,研究团队提出一种包含可调机械离合器和 3D 打印螺旋弹簧的低成本被动关节模块。该模块产生的被动恢复力等效于关节空间的 L2 正则化(即“硬件即正则化”),在缩短完成时间的同时保持运动平滑性。

    推荐理由:提出利用低成本被动关节模块作为物理先验,在模仿学习中提升轨迹一致性与下游任务成功率。

  9. arXiv · 机器人与计算机视觉78

    Sink-Sparse Hybrid Attention 用于 T2I/T2V Diffusion Transformers 的高效推理

    论文提出 Sink-Sparse Hybrid Attention,这是一种无需训练的注意力替换方法,通过复用静态 sink masks 并补充轻量级 pooled-KV 分支来加速扩散 Transformer 的推理。

    推荐理由:该方法提供无需微调的推理加速方案,在保持生成质量的同时实现约1.5倍端到端速度提升。

  10. arXiv · 机器人与计算机视觉78

    STRIDE:自动驾驶边缘案例中的时空推理评估基准

    STRIDE 是一个面向自动驾驶长尾安全场景的物体中心基准,涵盖空间感知、时间记忆与轨迹预测等六类任务。该基准在十二个模型上测试发现,即使表现最好的 GPT-6-Astra 在多选题准确率也仅为 43.4%,且描述场景的能力无法转化为准确的安全判断,模型更难以重构物体运动而非回忆过去位置。

    推荐理由:该基准通过多任务评估揭示现有模型在时空推理上的短板,指出描述能力与安全判断能力的脱节。

  11. arXiv · 机器人与计算机视觉78

    Direct Conditional Parameterization for N-Dimensional Splatting

    论文提出直接条件参数化(direct conditional parameterization)方法,将 N 维 Splatting 的协方差推导替换为显式参数,在五个基准测试中质量持平或更优且推理速度提升。

    推荐理由:提出直接条件参数化方法,将 N 维 Splatting 的协方差推导替换为显式参数,在五个基准测试中质量持平或更优且推理速度提升。

  12. arXiv · 机器人与计算机视觉78

    OmniXRef:一种用于多模态多参考视频编辑的统一框架

    论文介绍 OmniXRef 统一框架,允许用户组合可变数量的文本、图像和视频参考来控制源视频的多样化属性。研究设计了统一的输入设计与 R^2-RoPE 以支持更多参考的泛化,构建 OmniXRef-Data 合成数据并采用课程学习提升复杂度与分辨率。

    推荐理由:提出 OmniXRef 框架,支持文本、图像及视频多模态参考的统一编辑,并构建了对应基准与合成数据。

  13. arXiv · 机器人与计算机视觉78

    HilbertGen-3D:一种用于拓扑感知的三维生成的希尔伯特 - 多重分形条件化方法

    论文介绍 HilbertGen-3D,这是一种基于希尔伯特 - 多重分形条件化(HMC)的拓扑感知条件扩散框架。该方法计算多尺度体素度量,通过三维希尔伯特曲线序列化以暴露结构化空间依赖关系,并估计广义分形维度,将其编码为全局嵌入和多尺度令牌注入去噪器。

    推荐理由:提出基于希尔伯特 - 多重分形条件的拓扑感知扩散框架,在 ShapeNet 数据集上显著提升了生成质量与多样性。

  14. arXiv · 机器人与计算机视觉83

    EgoP$^{2}$C:一种用于第一人称视频空间推理的内化计划 - 感知 - 合成框架

    该论文提出 EgoP$^{2}$C 框架,旨在解决现有视觉语言模型在处理第一人称视频复杂空间推理任务时证据获取与多步组合困难的问题。研究通过训练专用的规划与感知教师模型,并在混合专家学生模型中进行监督微调,实现了无需外部工具的内化自适应工作流。

    推荐理由:该工作提出将规划、感知与合成流程内化于单一 VLM 的框架,在三个基准测试中显著优于基线模型并降低推理算力。

  15. arXiv · 机器人与计算机视觉82

    Shift-Reliance Alignment:通过模型信任的线索对视觉语言模型进行排名

    针对视觉语言模型在场景暗示但实际不存在的物体问题上易产生幻觉的问题,论文提出 Shift-Reliance Alignment(SRA)指标。该方法通过编辑图像中的线索来测量模型对各线索的依赖程度,结合源域误差与目标域线索误导比例,预测并选择最佳模型。实验显示 SRA 能有效降低在 Objects365 和 OpenImages 上的错误率,且优于仅基于置信度或源域误差的选择方法。

    推荐理由:提出基于模型对线索依赖度的新评估指标 SRA,能更准确预测目标域表现并降低幻觉误差。

  16. arXiv · 机器人与计算机视觉78

    ProactGen:一种通过主动澄清实现视频生成的框架

    针对自然语言描述生成高质量视频时意图匹配耗时的问题,本文提出 ProactGen 框架。该框架利用强化学习训练视觉语言模型作为提问策略,基于生成的视频草稿主动向用户询问关键信息以明确意图。实验表明,ProactGen 在目标对齐方面比直接生成提升至少 1.8 倍,且单轮澄清的时间效率优于最强基线经过四轮迭代的效果。

    推荐理由:提出 ProactGen 框架,利用强化学习训练视觉语言模型主动提问以澄清用户意图,显著降低生成迭代成本并提升与目标的一致性。

  17. arXiv · 机器人与计算机视觉82

    三种激光雷达、二十五个数据集:树种识别中的跨源泛化性研究

    FOR-species20K 是最大规模的公开 LiDAR 树种分类基准,包含 33 个物种及 25 个独立采集的地面、移动和机载激光扫描数据集。作者提出多分辨率多视角 ConvNeXtV2 模型,在官方隐藏测试集上将准确率从 79.5% 提升至 85.0%,但在跨源物种单元留一验证中,未加权平均准确率从 82% 骤降至 36%,树权重准确率从 95% 降至 60%。

    推荐理由:该研究揭示了跨源 LiDAR 树种识别中 leaderboard 分数与真实泛化能力的差距,为构建更稳健的评估指标提供了实证依据。

  18. arXiv · 机器人与计算机视觉78

    Stuck on Shuffle:基于合成文本监督的视觉语言模型属性 - 对象绑定研究

    论文介绍 SABER 基准以评估视觉语言模型在四种模态配对下的属性 - 对象绑定能力,发现现有 CLIP 和 MLLM 嵌入器存在显著绑定失败。作者提出仅用合成文本进行属性绑定监督的微调方法,无需图像监督即可将性能迁移至跨模态和图像检索任务,并在 SABER、否定及实例检索基准上取得 SOTA 结果。

    推荐理由:提出 SABER 基准揭示属性 - 对象绑定缺陷,仅用合成文本监督微调 MLLM 嵌入器即可在跨模态检索中实现 SOTA。

  19. arXiv · 机器人与计算机视觉78

    Micro-Localization:基于地面纹理的亚毫米级移动机器人高精度定位

    该论文提出了一种利用显微光学读取自然地面纹理以实现高精度全局定位的方法,将定位精度提升至数十微米量级。研究通过校准的移动龙门架系统验证了该方法在不同表面纹理上的表现,在 1007 个测试查询中实现了 28-73 微米的平移均方根误差(RMSE),且独立光度配准与特征定位估计的误差约为 9 微米。

    推荐理由:原文展示了利用显微光学实现微米级移动机器人定位的方法,并验证了其在热膨胀等场景下的鲁棒性。

  20. arXiv · 机器人与计算机视觉83

    Scaling Online Exploration for Robot Agents:RAX 框架发布

    论文介绍 RAX(Robot Agent eXploration)开源框架,旨在通过在线探索扩展机器人智能体能力。该框架利用通用代码生成智能体编写控制代码,无需动作演示数据或人工设计的动作基元。研究在仿真和真实机器人上验证了其在单臂、双手、灵巧操作及人形系统上的表现,结果显示在未见环境中泛化性能随探索规模提升,且自主学习能力优于现有基线模型。

    推荐理由:RAX 框架通过在线探索与代码生成实现无演示数据训练,在仿真与真机上均优于基线模型并涌现出主动感知等能力。