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 74 页

10月16日周五第 1461–1480 条
  1. arXiv · 机器人与计算机视觉82

    无需重训的类人机器人行为基础模型测试时计算优化方法

    针对现有类人机器人行为基础模型在执行运动时存在指令执行偏差的问题,该方法提出了一种无需重新训练即可通过测试时计算来改善执行的策略。首先引入测试时命令优化技术,利用闭环仿真对基础模型和机器人动力学进行基于采样的优化,从而调整输入命令以生成更接近期望轨迹的执行结果;在 AMASS 数据集上的三个基础模型实验中,该方法将平均全身位置误差降低了 79% 至 84%。

    推荐理由:提出无需重训即可通过测试时计算优化命令以缩小执行偏差,并在仿真与真机上验证了提升全身定位精度的有效性。

  2. arXiv · 机器人与计算机视觉78

    RealityBench:基于仿真环境的 VLM 人类体力工作文档化能力评测基准

    RealityBench 是一个在 Blender 中构建的包含十一类物理工作环境(如屋顶太阳能安装、车辆维修)的评测基准,旨在评估视觉语言模型记录人类体力工作的能力。

    推荐理由:该研究在 Blender 中构建了十一类物理工作场景,对 26 个 VLM 模型进行文档化能力评测,揭示了其在读取测量值和判断空间关系上的短板。

  3. arXiv · 机器人与计算机视觉78

    FoLD:基于力的灵巧化关节物体操作学习框架

    针对手形差异和接触动力学导致的人类动作迁移失败问题,该研究提出 FoLD 框架,通过计算补偿力场生成力先验来指导残差策略适应任务接触需求。实验在公开基准测试中一致优于最先进基线,并在真实灵巧机器人平台上成功验证了人类操作技能向机器执行的转移。

    推荐理由:FoLD 框架通过显式力引导将人类演示迁移至灵巧机器人,在公开基准测试中优于现有基线并在真实平台上验证成功。

  4. arXiv · 机器人与计算机视觉78

    Colon3R:基于单目结肠镜视频的跨域三维重建方法

    针对单目结肠镜三维重建中弱纹理、强反光及组织非刚性运动等挑战,该研究提出 Colon3R 框架。该方法基于预训练 VGGT 模型,利用标注的虚拟与仿真数据中的相机、深度和点云几何先验,通过教师网络生成的跨视图监督信号直接迁移至无标注的真实内窥镜视频,无需目标域几何标注。

    推荐理由:该工作提出跨域半监督框架,将标注的虚拟与仿真数据几何先验迁移至无标注的真实内窥镜视频,解决弱纹理与非刚性形变难题。

  5. arXiv · 机器人与计算机视觉78

    TrAct:通过视觉轨迹连接机器人控制与视觉预测

    论文提出 TrAct 框架,利用视觉轨迹作为机器人控制与视觉预测之间的通用接口。该框架包含联合预测动作与轨迹的 VLAT 模型、基于轨迹的世界模型 TWM 以及用于评分的奖励模型 VLAC。

    推荐理由:提出 TrAct 框架,利用视觉轨迹作为控制与预测的中间接口,在仿真和真实操作任务上显著提升了成功率。

  6. arXiv · 机器人与计算机视觉83

    Equilibrium Forcing:一种无需噪声条件调制的自适应视频生成方法

    该论文提出了 Equilibrium Forcing (EqF) 框架,旨在解决标准自回归视频生成算法依赖刚性训练目标和静态采样计划的问题。EqF 通过解耦去噪场学习与采样过程,实现了无需噪声水平条件的模块化设计与闭环推理,从而在挑战性基准上提升了视频质量与一致性。材料为 NeurIPS 2026 已发表的研究成果,详细分析了移除噪声条件如何赋予数据依赖的推理特性以超越标准方法。

    推荐理由:提出无需噪声条件调制的视频生成框架,通过解耦学习与采样实现闭环推理以提升质量。

  7. arXiv · 机器人与计算机视觉78

    FACT:面向失败的因果世界 - 动作模型训练

    FACT 是一种因果世界 - 动作模型,通过以执行动作为条件预测未来视频和任务进度,将失败演示转化为有效的未来目标而非丢弃。该方法使进度预测器能感知成功与失败结果,并可选用于推理时打分采样动作候选。仿真与双手动操作实验表明,FACT 优于现有基线,随失败数据纳入训练而提升,且降低了坏动作下的未来幻觉。

    推荐理由:FACT 方法让因果世界模型能利用失败演示监督动作后果,减少坏动作下的未来幻觉。

  8. arXiv · 机器人与计算机视觉78

    多模态地面移动中的运动预测:神经符号引导下的快慢决策

    针对现有运动预测方法缺乏对现实世界法规与行为约束显式编码的问题,该研究提出了一种名为 TraCS 的神经符号框架。TraCS 利用代理代码生成管道连接自然语言交通法规描述与概率运动预测,并采用反应式数据流推理引擎动态更新合规景观。

    推荐理由:该工作提出神经符号框架 TraCS,在 Argoverse 2 基准上验证了将交通法规逻辑融入运动预测的有效性。

  9. arXiv · 机器人与计算机视觉78

    CoPark:通过自博弈学习反应式自主泊车

    论文提出 CoPark 方法,解决高精度泊车与多智能体安全交互的目标冲突。该方法结合预计算离线动作先验与残差策略头,利用伙伴威胁信号动态分配纵向与横向控制权重,并在闭环层修正离散化误差。

    推荐理由:提出基于残差策略的自博弈强化学习方法,在多个停车场基准上实现高几何精度泊车并涌现交互行为。

  10. arXiv · 机器人与计算机视觉85

    LEGS:通过具身高斯泼溅世界微调免遥操作 VLA 策略以实现人形机器人移动操作

    LEGS 是一种混合仿真器,将网格前景(机器人、物体)叠加到由手持拍摄重建的逼真 3D 高斯泼溅背景上。该系统利用程序化运动原语生成器在无人工遥操作的情况下合成带标签演示,并通过两阶段色彩校准对齐渲染与部署相机。

    推荐理由:提出 LEGS 混合仿真器,利用程序化生成与高斯泼溅背景替代遥操作数据,在 Unitree G1 上实现无需人工演示的策略训练。

  11. arXiv · 机器人与计算机视觉82

    SnapFlow:通过渐进式自蒸馏实现流匹配 VLA 的一步动作生成

    论文介绍 SnapFlow 方法,旨在解决流匹配视觉语言动作模型(如π0.5)因多步积分导致的高延迟问题。该方法混合局部流匹配监督与捷径样本,利用模型自身的两步欧拉终点作为目标,并添加零初始化投影层,无需独立教师网络或评论器即可实现一步生成。

    推荐理由:该工作提出无需额外教师网络或评论器的自蒸馏方法,将流匹配 VLA 的推理步数从十步降至一步。

  12. arXiv · 机器人与计算机视觉80

    CASHEW:通过迭代轨迹聚合稳定多模态推理

    论文介绍 CASHEW 框架及变体 CASHEW-RL,旨在解决视觉语言模型在多步推理中表现不稳定的问题。该方法通过在推理时迭代聚合多个候选轨迹并引入视觉验证作为锚点来增强稳定性;CASHEW-RL 则通过组序列策略优化将聚合行为内化到单一模型中。实验显示,在 Qwen3-VL-4B 和 Qwen3-VL-8B 上分别实现了平均提升 4.1/5.3 个和 2.6/3.0 个百分点的准确率。

    推荐理由:针对多模态推理不稳定的问题,提出通过迭代聚合候选轨迹来稳定输出的方法,并在 Qwen3-VL 系列模型上验证了显著的性能提升。

  13. arXiv · 机器人与计算机视觉78

    Schrödinger's Navigator:面向零样本物体导航的未来集合想象方法

    该论文提出了 Schrödinger's Navigator,一种信念感知的零样本物体导航框架。该方法在推理时利用轨迹条件化的 3D 世界模型对多个潜在未来进行想象,维持场景实现的叠加态而非单一地图映射。

    推荐理由:提出信念感知的导航框架,利用轨迹条件化的 3D 世界模型想象多未来以解决遮挡场景下的零样本目标导航问题。

  14. arXiv · 机器人与计算机视觉78

    面向开放-ended 视觉科学发现的稀疏自编码器方法

    Jacob Beattie 等人提出一种基于稀疏自编码器的方法论,旨在从视觉基础模型中挖掘候选特征以支持开放式的科学发现,无需针对特定概念的监督。

    推荐理由:该论文提出利用稀疏自编码器对视觉基础模型进行无监督特征挖掘,在三个数据集上验证了发现已知概念及潜在诊断特征的能力。

  15. arXiv · 机器人与计算机视觉82

    剪枝会破坏 VLA 模型但可被恢复:GLUESTICK 方法研究

    论文发现对视觉语言动作(VLA)模型进行剪枝会导致严重的性能下降和安全违规增加。基于光谱分析揭示的权重结构特性,作者提出 GLUESTICK 方法,通过在稠密与剪枝模型间插值计算一次性校正项,在推理阶段恢复被剪枝层的性能。该方法无需额外训练且对剪枝算法无关,能在保留稀疏性优势的同时,将成功率恢复至接近原始水平并提升推理速度。

    推荐理由:针对剪枝导致 VLA 模型性能骤降与安全违规的问题,提出无需额外训练的 GLUESTICK 后处理恢复方法。

  16. arXiv · 机器人与计算机视觉82

    Enabling Validation for Robust Few-Shot Recognition 论文发布

    针对少样本识别中因缺乏验证数据导致模型过拟合的问题,本文提出一种多目标优化验证策略,在提升 ID 任务性能的同时保持对检索 OOD 数据的泛化能力。作者将验证问题形式化为 Pareto 前沿上的操作点选择,并集成到分阶段微调流程 VEST 中。实验表明该方法在五个基准测试的 ID 和 OOD 数据上均优于现有方法。

    推荐理由:提出将检索数据作为验证集的多目标优化策略,解决少样本微调中的过拟合与泛化难题。

  17. arXiv · 机器人与计算机视觉78

    Video Depth Anything:超长视频一致深度估计新模型

    针对单目深度估计在视频中存在的时序不一致问题,该研究提出 Video Depth Anything 模型。基于 Depth Anything V2 架构替换为高效时空头,通过约束时间梯度设计一致性损失,无需额外几何先验即可实现超长视频(数分钟)的高质量一致深度估计。采用关键帧策略支持长视频推理,在多个基准测试中达到零样本状态最先进水平,最小模型可实现实时性能。

    推荐理由:该工作提出 Video Depth Anything,在超长视频上实现高质量一致深度估计,且无需额外几何先验或牺牲效率。

  18. arXiv · 机器人与计算机视觉82

    PrismaCoder:通过分解式评分标准合成推动开放多模态代码智能边界

    论文针对多模态代码智能领域数据质量与生成管线受限的问题,提出 PrismaForge 分层数据管道,利用分解式评分标准同时作为过滤与奖励机制来构建高质量数据集。基于此构建了 PrismaCoder-2M 最大规模开放数据集,并训练发布 PrismaCoder-9B 和 PrismaCoder-35B 模型,在开源领域大幅领先现有水平且媲美主流闭源系统。代码与数据已公开。

    推荐理由:提出基于分解式评分标准的数据合成管道,构建最大规模开放数据集并训练出领先开源界的代码智能模型。

  19. arXiv · 机器人与计算机视觉78

    AdaRSI:面向具身智能体的按需递归自我改进框架

    预训练视觉语言动作模型(VLAs)常在不熟悉的长周期任务中途失效,现有递归自我改进方法要么无法补充缺失的运动能力,要么在持续失败时盲目重训执行器。本文提出 AdaRSI 框架,由编码智能体先提升技能与工具集,再对保存状态下的失败子步骤进行重试以归因错误来源,仅微调仍不可靠的子步骤并复用过往经验。

    推荐理由:提出 AdaRSI 框架,通过按需微调子步骤解决预训练 VLA 在长任务中的失效问题,在无人类演示下将 RoboCasa365 未见复合任务成功率从 4.6% 提升至 13.8%,且仅消耗 28% GPU 时间。

  20. arXiv · 机器人与计算机视觉82

    视觉语言模型像有偏见的贝叶斯观察者一样整合冲突证据

    Josh Barua 等人提出一种基于贝叶斯视角的两参数线索组合模型,用于解释视觉语言模型(VLM)如何处理文本与图像之间的冲突证据。该研究将模态偏好建模为条件独立证据的整合过程,并引入模态特异性偏差项。实验表明,该模型无需重新拟合即可准确预测 VLM 在不同输入退化条件下的行为,并能泛化到新的不可靠性形式,成功统一了关于文本主导与视觉主导的现有报告。

    推荐理由:该工作提出两参数线索组合模型,从贝叶斯视角解释 VLM 如何整合冲突证据并预测模态偏好。