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 76 页

10月16日周五第 1501–1520 条
  1. arXiv · 机器人与计算机视觉78

    cuVSLAM 稀疏光束法平差中的自适应视觉 -IMU 加权方法

    该研究针对 cuVSLAM 中视觉与 IMU 残差融合权重固定、无法运行时自适应的问题,引入标量因子 alpha 调整视觉信息矩阵权重。实验发现性能呈现两个经验区域:IMU-TRUST(alpha=1,2)和 VISION-TRUST(alpha=10,20),中间值 alpha=5 为过渡区。

    推荐理由:提出轻量级视觉质量估计器,通过自适应调整 cuVSLAM 中视觉与 IMU 的权重分配,在 EuRoC MAV 和 TUM-VI Room 数据集上显著降低轨迹误差。

  2. arXiv · 机器人与计算机视觉78

    Atomic-WAM:面向世界动作模型的执行 grounded 原子运动推理

    论文介绍 Atomic-WAM,这是一个理解后执行的框架,旨在解决任务级指令对物理交互定义不足的问题。该方法利用视觉语言推理器描述局部运动以引导世界动作模型预测视频和动作片段,并通过自动标注流程从多视角 DROID 演示中获取接触丰富的监督信号。

    推荐理由:提出 Atomic-WAM 框架,通过原子运动描述连接任务推理与动作生成,在 RoboLab 上实现执行 grounded 的奖励优化。

  3. arXiv · 机器人与计算机视觉78

    HM3D-M3:多智能体多模态多目标导航新基准发布

    论文提出了 HM3D-M3 基准,旨在解决现有研究将多智能体、多模态与多目标导航割裂的问题。该基准在一个光真实室内场景中,让 K 个机器人团队从分布位置出发,搜索由类别名、实例图片或口语描述指定的 M 个无序目标。

    推荐理由:该基准填补了多智能体、多模态与多目标导航同时存在的空白,提供了千集验证数据及两个基线方法。

  4. arXiv · 机器人与计算机视觉78

    VisualWorldBench:面向 MLLM 的视觉世界知识细粒度多任务评测基准

    针对现有视觉基准类别覆盖窄、任务构建不严的问题,作者提出了 VisualWorldBench。该基准基于包含 21,291 个叶节点的层级分类体系,涵盖 8 个视觉领域,构建了 32,541 个评估实例。

    推荐理由:该基准通过细粒度分类与多任务设计,揭示了现有模型在视觉世界知识上的能力缺口。

  5. arXiv · 机器人与计算机视觉78

    FoveaVLA:用注视动作替代 VLA 中的腕部相机

    论文 FoveaVLA 提出一种视觉语言动作模型,通过预测交互区域的注视动作来替代腕部相机,从而在保持全局视野的同时恢复操作所需的细节。该模型基于 pi_0.5 构建,支持单目或双目外部立体相机输入,并在 DROID 上后训练。

    推荐理由:该工作提出用预测的注视区域裁剪替代腕部相机,在单目和双目配置下均提升了真实世界任务成功率。

  6. arXiv · 机器人与计算机视觉78

    GeoCloak:一种通过边缘线索操作实现语义保留的地理位置隐私代理框架

    针对大视觉语言模型(LVLM)从单张图片推断用户位置带来的隐私风险,本文提出 GeoCloak 代理框架。该框架利用地理定位线索与视觉信息的不对称性,作为感知线索的规划器分析图像,识别关键地理线索并执行针对性的语义编辑以直接抑制这些边缘线索,同时自主配置对抗扰动进一步压制残留特征。

    推荐理由:提出 GeoCloak 框架,利用边缘线索操作在保持语义的同时显著降低图像地理定位精度。

  7. arXiv · 机器人与计算机视觉78

    为何 3D 重建在冰下 AUV 视频中失效及其预测方法

    针对冰下 AUV(Icefin)视频进行 3D 结构重建不准确的问题,本文测试了四种模型:经典特征匹配 SfM、可微光度泼溅、体素深度融合和无姿态前馈基础模型。结果显示四者均失败且表现各异,但一致归因于小相机基线与场景深度的比率。作者据此提出了一种检测系统,可在几分钟内标记此类失效,避免浪费计算资源。

    推荐理由:作者测试了四种重建模型在冰下视频上的失败模式,并提出了一种可在几分钟内检测此类失效的检测系统。

  8. arXiv · 机器人与计算机视觉78

    互补未来 Token 剪枝用于世界动作模型

    针对预训练的世界动作模型(WAMs)在处理密集未来帧 Token 时产生的高推理延迟问题,本文提出了 CF-Prune 这一无需训练的剪枝框架。该方法利用指令与动作注意力机制识别任务相关 Token,并通过基于熵的相位识别机制保留高精度计算阶段以缓解性能下降。

    推荐理由:提出无需训练的剪枝框架,在保持任务成功率的同时显著降低推理延迟。

  9. arXiv · 机器人与计算机视觉85

    SAM3RL:基于强化学习的视觉目标跟踪记忆控制

    该论文提出了 SAM3RL,一种针对 Segment Anything Model 3 的扩展,通过强化学习训练轻量级控制器来优化视频对象分割中的记忆管理策略。

    推荐理由:提出用强化学习训练轻量级控制器优化 SAM3/SAM2 的记忆管理,在多项基准上超越手工规则且无运行时开销。

  10. arXiv · 机器人与计算机视觉82

    MUCO:一种面向组合式长程任务的操纵单元结构化框架

    论文介绍 MUCO 框架,通过定义具有局部目标、触发条件和判定标准的操纵单元(MU),实现无需联合训练即可在多个任务间复用策略的能力。系统基于冻结的能力注册表匹配模型,利用视觉验证结果控制状态转移与回退机制,并在 RLBench、RoboTwin 2.0 及五个真实世界任务中评估了其在成功率、错误抑制和跨任务复用方面的表现。材料为 arXiv 预印本版本,未提及同行评审或具体部署许可。

    推荐理由:该工作提出将长程任务拆解为可复用单元并动态编排的策略,在仿真与真实世界任务中验证了跨任务复用能力。

  11. arXiv · 机器人与计算机视觉78

    视觉语言动作模型中世界建模的关键因素研究

    论文提出将世界模型集成到视觉语言动作模型(VLAs)以增强策略对未来动态的预测能力。研究通过统一框架系统评估了四种范式:隐式未来对齐、显式未来查询、MoT 未来专家和外部分布预测器,并在域内/外、长视界及真实场景下进行了测试。

    推荐理由:该研究通过统一框架系统评估了四种世界模型集成范式,发现解耦的 MoT Future Expert 在跨域鲁棒性上表现优异,且 2D 语义表示具有通用增益。

  12. arXiv · 机器人与计算机视觉82

    基于不确定性的自博弈用于鲁棒多智能体驾驶策略研究

    针对运动规划中泛化性不足的挑战,本文提出一种不确定性驱动的自博弈方案。一半智能体奖励增加邻居的认知不确定性以探索弱点,另一半学习安全驾驶。该方法利用认知不确定性作为难度代理,自动生成挑战性子集,无需人工设计场景。

    推荐理由:提出不确定性驱动的自博弈方案,利用认知不确定性作为难度代理实现自动课程学习,在 nuplan 和 Argoverse 2 上零样本迁移效果优于标准自博弈。

  13. arXiv · 机器人与计算机视觉78

    ACRO:一种用于视觉语言动作策略的演员 - 评论家滚动编排层

    本文介绍 ACRO,这是一个为固定视觉语言动作(VLA)策略设计的演员 - 评论家滚动编排层,旨在决定何时继续尝试以及何时进行干预以提升成功率。该方法利用从策略滚动中学习的评论家评估成功前景以选择干预时机和重入目标,并通过轨迹回缩将机器人快速返回至该目标,使 VLA 能从新观测重新开始执行。

    推荐理由:提出 ACRO 层在固定 VLA 策略上通过轨迹回缩与干预决策提升成功率,实验覆盖仿真与真实机器人。

  14. arXiv · 机器人与计算机视觉83

    SPECTRA-VLA:在冻结视觉 - 语言 - 动作接口上的基座微调与超光谱令牌传输

    论文 SPECTRA-VLA 提出一种方法,在不重新训练视觉编码器或动作解码器的情况下,为预训练的视觉 - 语言 - 动作模型提供原生宽度的光谱升级。该方法通过学习到的连续残差丰富每个目标令牌,并利用投影、归一化控制和验证校准的注入来调节变化。

    推荐理由:提出在冻结 VLA 接口上通过连续残差注入提升高光谱识别,无需重训编码器或动作解码器。

  15. arXiv · 机器人与计算机视觉78

    E2DRL:用于四足机器人 3D 避障的端到端可微强化学习

    该论文针对腿式运动控制中硬碰撞约束破坏梯度信号的问题,提出 E2DRL 框架,通过软可微障碍物交互公式与速度条件停止梯度塑造提供训练信号。系统利用 Soft Analytic Policy Optimization 训练的教师在仿真中蒸馏深度基学生策略,并结合地形感知门控模块实现部署。

    推荐理由:提出软可微障碍物交互公式,在四足机器人上实现端到端视觉避障的仿真到现实验证。

  16. arXiv · 机器人与计算机视觉78

    PolyMorph:面向跨形态适应的腿部机器人运动策略学习

    论文提出 PolyMorph 框架,将机器人 URDF 转换为关节连杆模块,结合循环编码器、基于图的 Transformer 和每关节解码器,生成适用于不同腿数和关节配置的单一运动策略。

    推荐理由:PolyMorph 框架通过形态归一化奖励与图 Transformer,实现单策略跨双足、三足及四足机器人的通用迁移。

  17. arXiv · 机器人与计算机视觉78

    多图像 Schema 应用中的失效因素:因子化 Oracle 干预揭示实例信息瓶颈

    该研究针对现代视觉语言模型在多图像上下文下的推理失效问题,设计了一个受控的 Schema 应用任务,要求模型在 16 张图像序列中定位两个目标字符并识别其属性。

    推荐理由:通过引入两种不同的 Oracle 干预,研究发现多图像推理的主要瓶颈在于上游有序实例的恢复而非下游模式使用。

  18. arXiv · 机器人与计算机视觉78

    CORE:基于大模型对比反思的自监督提示优化用于异常合成

    论文 CORE 针对工业异常检测中缺陷样本稀缺的问题,提出一种无需训练且成本高效的提示优化框架,统一支持零样本与单样本异常合成。该方法通过异常上下文定位模块将稀疏用户输入转化为缺陷感知生成上下文,并解耦正常区域保持与异常特异性变化;同时利用自监督对比反思机制自主优化提示词。

    推荐理由:该工作提出无需训练的提示优化框架,统一零样本与单样本异常合成,在 MVTec-AD 和 VisA 数据集上验证了下游检测性能提升。

  19. arXiv · 机器人与计算机视觉78

    RDCompGS:面向图像编解码器的 3D 高斯泼溅压缩率失真优化方法

    针对 3D 高斯泼溅(3DGS)在存储与传输上的资源消耗问题,本文提出 RDCompGS 方法,通过将可微分编码率估计纳入率失真优化过程,解决传统优化忽视不同表示间编码差异的局限。

    推荐理由:提出 RDCompGS 方法,将可微分编码率估计引入 3DGS 优化,在 H.265/HEVC 和 JPEG XL 下分别实现 37.84% 与 49.31% 的码率降低。

  20. arXiv · 机器人与计算机视觉78

    缩小 3D 点云分割中空间与空间填充曲线邻居的差距

    针对基于空间填充曲线的最近邻搜索方法存在的邻近关系差距问题,研究提出了一种损失函数以优化特征相似性。该方法被集成到高性能 3D 点云分割模型中,并在三个数据集上评估,结果显示其在室内和室外点云数据上均优于传统方法。

    推荐理由:提出了一种损失函数以减小空间填充曲线与欧氏空间间的邻近关系差距,在三个数据集上验证了其在室内室外点云分割中的有效性。