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 72 页

10月16日周五第 1421–1440 条
  1. arXiv · 机器人与计算机视觉78

    CarryOn:一种用于个性化与可靠机器人辅助的双环框架

    针对通用视觉语言动作模型缺乏个性化与可靠执行的问题,本文提出了 CarryOn 双环框架以增强冻结的 VLA 策略。规划环通过持续结合用户偏好与场景上下文实现个性化任务选择;执行环主动监督策略 rollout 并屏蔽危险接触,在失败时调用可复用的控制恢复技能。实验表明,该系统将已安全微调 VLA 的安全违规率从 52.6% 降至 6.1%,并将故障恢复成功率从 13% 提升至 80%。

    推荐理由:该工作提出双环架构,在真实机器人与仿真环境中显著降低安全违规率并提升故障恢复成功率。

  2. arXiv · 机器人与计算机视觉83

    面向自适应 VLA 动作分块执行的策略对齐预测验证方法

    针对视觉语言动作模型生成动作序列时如何决定执行步长的关键问题,本文提出一种策略对齐的预测验证器(PAV)。该方法不利用未来预测来生成新动作,而是在 VLA 的内部任务条件表示空间中评估候选前缀与成功延续的兼容性。

    推荐理由:提出一种基于策略对齐的预测验证器,在 VLA 内部表示空间评估动作前缀兼容性以指导执行步长。

  3. arXiv · 机器人与计算机视觉82

    LTM:基于潜在转换的视觉语言动作模型内上下文记忆方法

    论文提出 Latent Transition Memory (LTM),将历史交互存储为连续观测间的紧凑潜在转换,实例化于π0.5模型(LTM-π)时利用冻结潜在动作编码器和轻量级适配器实现增量推理。

    推荐理由:该方法在冻结动作编码器下实现增量推理,无需外部推理模型即可提升多步任务成功率与真实机器人计数能力。

  4. arXiv · 机器人与计算机视觉78

    何时应生成低光照处理管线?一种基于可审计风险控制的选择性生成增强方法

    论文提出 VetoNet,将选择性生成增强建模为决策问题,通过测量冻结基础专家对的互补优势并仅凭部署可用信号预测区域覆盖效用。框架引入分布无关的有害预算证书,仅在感知(LPIPS)风险预算允许时才批准切换,否则保守地否决。实验表明该方法能根据证据强度与可靠性自适应路由行为,在专家互补性可预测时获得统计显著的提升,并在证据弱或跨域偏移时拒绝切换。

    推荐理由:提出 VetoNet 框架,利用分布无关的风险预算证书实现低光照增强中的可审计区域路由与有害切换控制。

  5. arXiv · 机器人与计算机视觉78

    AdaLoop:利用视觉编码器进行思考

    该论文提出 AdaLoop 框架,解决现有视觉语言模型将视觉编码器视为静态特征提取器的局限。该方法根据问题自适应调整视觉计算深度并复用编码器的变换,同时冻结预训练权重。

    推荐理由:提出 AdaLoop 框架,通过冻结预训练权重实现问题感知的视觉迭代计算,在 VisRO 数据集上超越微调与单次推理基线。

  6. arXiv · 机器人与计算机视觉78

    ZoomCap:基于证据路由的视觉缩放以实现可恢复的视觉信息转移

    论文提出 ZoomCap 框架,将细粒度描述定义为在有限观测预算下获取缺失证据并转化为可复用监督的过程。该方法利用草稿描述路由条件知识检索、OCR 敏感阅读及自适应视觉缩放,仅对最复杂区域分配深层裁剪,并从几何关系推导空间信息。

    推荐理由:提出 ZoomCap 框架与 FactCycle 评估器,以有限观测预算实现细粒度描述生成与证据路由,在持续预训练中显著优于强基线。

  7. arXiv · 机器人与计算机视觉78

    LICOA:面向移动空间增强现实的指令条件光学动作学习

    该研究提出 LICOA 框架,将投影光定义为具身动作,通过差速底盘与双自由度转向镜实现大范围移动与局部光束控制。作者构建了包含 150 个任务、7,500 个渲染集成的仿真语料库,并在真实环境中进行了 480 次闭环执行测试。

    推荐理由:构建了移动空间增强现实平台与指令条件光动作模型,在真实环境中验证了将投影光作为具身动作的可行性。

  8. arXiv · 机器人与计算机视觉82

    CLIS-MPPI:一种解决执行延迟的闭环模型预测路径积分控制方法

    论文提出 CLIS-MPPI 算法,通过建模规划延迟分布、从采样初始状态进行展开优化及执行阶段局部反馈修正,解决了传统 MPPI 在真实机器人系统中因执行延迟导致的状态失配问题。实验在 UR5e 机械臂窄通道避障任务中验证,该方法在 5 次运行中保持零碰撞(标准 MPPI 发生 2 次),并将平均任务完成时间从 25.4s 降至 24.4s,同时显著降低了关节位置与速度误差。

    推荐理由:针对执行延迟导致的仿真与现实状态失配问题,提出闭环初始状态采样方法,在真实机械臂实验中显著降低碰撞率并提升运动平滑度。

  9. arXiv · 机器人与计算机视觉78

    基于视觉引导的闭环自主导航光驱动 Janus 微机器人

    该研究开发了一套用于光驱动的立方体状赤铁矿/TiO2 Janus 微机器人的视觉引导闭环导航框架。系统集成了定制训练的 YOLOv11 目标检测模型进行实时视觉定位,并结合离散化路点磁导向技术,实现了复杂规定轨迹的精确导航,测试路径几何中超过 90% 的轨迹偏差低于 6 微米。

    推荐理由:原文提出了一种结合视觉定位与磁导向的微米级机器人闭环导航框架,实现了复杂轨迹跟踪、动态避障及自主运输任务。

  10. arXiv · 机器人与计算机视觉78

    DLOSAC:基于 Delaunay 引导的局部优化的联合时空图像几何估计

    针对噪声匹配点下的可靠图像几何估计问题,现有 RANSAC 范式多为残差中心且分阶段处理,难以平衡分布优化与几何细化。本文提出 DLOSAC 框架,构建候选内点的 Delaunay 三角剖分以编码邻域拓扑,引入基于边的几何一致性度量及源自三角形面积和边属性的空间分布描述符,结合传统点级约束提升参数质量。该方法在涵盖三种几何估计任务的六个公开真实世界数据集上取得最先进性能。

    推荐理由:提出 DLOSAC 框架,通过 Delaunay 三角剖分联合优化几何一致性与空间分布,在六个公开数据集上实现最先进性能。

  11. arXiv · 机器人与计算机视觉78

    何时请求帮助:双系统视觉语言动作模型中慢模块调度的决策理论与测量标准

    针对双系统视觉语言动作模型(VLA)中慢模块调用缺乏统一目标与成本度量的问题,作者提出将调用形式化为校准后的决策问题,定义了价值干预(VoI)作为核心度量。研究通过 LIBERO 基准上的十四条闭环臂测试及真实部署轨迹分析,验证了自适应触发机制的阈值预测能力,并发现语言重写通道在特定条件下无法转化为成功,而撤销失败重写的执行器是唯一无净负面影响的干预手段。

    推荐理由:该文提出慢模块调度的决策理论框架与价值干预度量标准,通过闭环实验验证了自适应触发机制在特定条件下的增益边界。

  12. arXiv · 机器人与计算机视觉78

    WSN 下行人轨迹预测的分层包络对抗域适应方法

    针对行人轨迹预测中社交耦合类型单一及域偏移处理不足的问题,本文提出了分层包络对抗域适应模型(HEADA-LTCTPM)。该方法构建了包络样本并将其扩展为图结构,同时集成了局部与全局的对抗域适应策略以动态适配不同场景下的耦合关系。

    推荐理由:提出分层包络对抗域适应方法,解决行人轨迹预测中的社交耦合单一与域偏移问题。

  13. arXiv · 机器人与计算机视觉78

    RoboCloth:一种用于神经反射率重建的大规模真实布料材料数据集

    论文介绍了 RoboCloth 数据集,包含 500 种在机器人控制的柔性相机和光照配置下采集的真实布料材料。每个材料拍摄约 580 帧高动态范围图像,覆盖宽视角与光半球,并通过运动恢复结构优化相机位姿以对齐机器人坐标系,提供稀疏表面几何和结构化反射率观测。

    推荐理由:该数据集包含由机器人控制的柔性相机与光照采集的 500 种真实布料,支持神经反射率重建训练。

  14. arXiv · 机器人与计算机视觉78

    CtRoFlow:通过条件 3D 流匹配实现单目相机到机器人位姿估计

    该论文提出 RoPE-Flow 框架,利用 Keypoint-centered Feature Extractor、Graph-guided Condition Generator 及 Bone Length Loss 等方法,解决从单目图像恢复 3D 结构特征以估计机器人位姿的挑战。

    推荐理由:提出基于条件 3D 流匹配的端到端框架,解决单目相机到机器人位姿估计难题。

  15. arXiv · 机器人与计算机视觉78

    EigDiff:通过特征样本扩散显著降低扩散模型训练数据集规模

    论文提出 EigDiff 方法,旨在解决扩散模型训练成本高且依赖大规模数据集的问题。该方法利用预训练 CLIP 模型的潜空间进行主成分分析(PCA),计算特征向量作为参考点,进而筛选出包含特征样本和多样化图像的具有代表性的子集用于训练。实验表明,EigDiff 可将训练数据量减少最多 14 倍,同时选择代表性子集的速度提升 1607 倍,且模型性能仅有微小差异。

    推荐理由:提出利用预训练 CLIP 潜空间的主成分分析筛选代表性子集,可将扩散模型训练数据量减少至原来的 14 分之一。

  16. arXiv · 机器人与计算机视觉78

    MoCaP:基于被动人类视频的零样本移动操作框架

    该论文提出了 MoCaP 框架,旨在将被动记录的人类日常活动视频转化为机器人端到端的移动操作策略指导。系统从视频中提取空间记忆与物体交互准备线索,以辅助导航并搜索可操作的配置。

    推荐理由:提出利用被动人类视频提取空间记忆与先验,通过闭环代码策略解决移动操作任务。

  17. arXiv · 机器人与计算机视觉78

    DeSpatial:空间智能体推理的难点在于 3D 本身

    该论文指出空间智能体在利用重建和分割工具时面临预测不一致和物体身份碎片化的瓶颈。作者提出 DeSpatial 框架,将空间理解明确分解为感知与推理两部分。其共享的 3D 感知工具包含联合分割深度共优化模块以消除单帧内的投影伪影,以及跨视角实例融合模块以整合多视角观测中的空间不连续片段。

    推荐理由:提出将空间理解分解为感知与推理的新框架,通过联合分割深度优化解决多视角实例融合难题。

  18. arXiv · 机器人与计算机视觉78

    SOMA:利用四足机器人进行物体堆叠的全身非抓持操作

    针对缺乏专用机械臂的四足机器人在不可预测环境中执行重型物理操作的挑战,本文提出了 SOMA 框架。该框架通过分层强化学习实现全身非抓持的多物体堆叠操作,整合了显式的机器人底座高度控制以解锁全三维推搡策略。

    推荐理由:提出基于四足机器人的全身非抓持堆叠操作框架,在仿真中实现高成功率并验证了零样本仿真到现实迁移。

  19. arXiv · 机器人与计算机视觉78

    Line-Augmented cuVSLAM:低纹理环境下的鲁棒视觉里程计

    arXiv 论文提出一种名为 Line-Augmented cuVSLAM 的 CUDA 加速视觉 SLAM 系统,通过引入线特征(Plücker 坐标参数化)来增强在缺乏点特征的仓库等低纹理环境中的定位能力。

    推荐理由:该工作提出线特征增强的 cuVSLAM,在低纹理仓库环境中将轨迹误差降低约 38.5%。

  20. arXiv · 机器人与计算机视觉82

    TGrasp6D:基于任务信息的视觉语言先验与位姿优化实现零样本任务导向 6DoF 抓取

    论文提出 TGrasp6D 方法,利用视觉语言模型推理任务语义先验并结合 6DoF 位姿优化进行碰撞避免,在 TaskGrasp 数据集上达到 94% 的零样本抓取成功率(基线为 74%),并在 Franka Research 3 机器人上验证了真实世界泛化能力。

    推荐理由:提出 TGrasp6D 方法,利用视觉语言先验与位姿优化实现零样本任务导向抓取,在 TaskGrasp 数据集上成功率达 94%。