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 82 页

10月9日周五第 1621–1640 条
  1. arXiv · 机器人与计算机视觉82

    信息解耦轨迹设计用于仿真到现实系统辨识

    针对采样式系统辨识中轨迹无法区分不同参数效应导致估计不可靠的问题,作者提出了基于舒尔补得分的信息解耦轨迹设计框架(IDTD)。该方法通过归一化分数、选择最优轨迹片段并聚合对数分数的方式,确保每个区间暴露的参数子集贡献明确。

    推荐理由:提出信息解耦轨迹设计框架,在多种仿真与真实机器人上降低参数识别误差并提升策略迁移效果。

  2. arXiv · 机器人与计算机视觉83

    Less from More:基于稠密参考的稀疏视频推理强化方法 SAVER

    该论文提出 SAVER 框架,挑战了“更多时间观测即更可靠”的假设,主张在有限证据下学习可靠推理。SAVER 采用从稠密到稀疏的后训练策略,利用稠密视图作为训练时的参考来优化稀疏帧推理,结合定位奖励和可靠性门控参考奖励。

    推荐理由:SAVER 框架通过强化学习利用稠密视频作为参考,在仅用少量帧的情况下实现可靠的稀疏推理,且无需问答标注。

  3. arXiv · 机器人与计算机视觉83

    SPLIT-RL:基于主张级优势的阶段性感知 - 语言推理训练方法

    针对视觉语言推理中感知与推理能力混淆的问题,本文提出 SPLIT-RL 分阶段后训练框架,将视觉推理与语言推理拆解为独立优化阶段并引入主张级优势计算。在 Qwen3-VL 和 InternVL3.5 等模型上,该方法相比标准 GRPO 平均提升准确率 1.4 至 6.1 个百分点,且能同时改善感知与推理能力。

    推荐理由:提出分阶段训练策略,通过原子级视觉主张优化感知与推理能力。

  4. arXiv · 机器人与计算机视觉83

    OmniHOI:基于单目视频的灵巧手物交互研究

    论文介绍 OmniHOI 流程,旨在从单目 RGB 视频中重建手物交互的忠实轨迹并迁移至灵巧机械手。该方法在各阶段利用图像证据、接触几何和动力学约束物理一致性,直接优化对应表示以修正误差。

    推荐理由:该工作提出 OmniHOI 流程,利用单目视频重建手物交互轨迹并转移至多自由度机械手,在仿真与真实机器人上均优于现有方法。

  5. arXiv · 机器人与计算机视觉83

    Cross-Embodiment Robot Foundation World Models with Latent Actions 论文发布

    该研究针对机器人本体多样性导致的世界模型难以跨形态泛化的问题,提出了基于潜在动作条件的机器人世界模型(LAC-WM)。该方法在统一的潜在动作空间内运行,相比显式动作条件模型(EAC-WM),能显著提升下游灵巧操作任务及 LIBERO 基准的性能。

    推荐理由:提出基于潜在动作空间的机器人世界模型,在跨形态泛化与下游任务性能上优于显式动作条件模型。

  6. arXiv · 机器人与计算机视觉87

    NavGPT-3:利用上下文构建分层导航运行时

    论文介绍 NavGPT-3,这是一个连接高层语言模型推理与底层物理控制策略的运行时系统。其核心包含基于长视界强化学习的语言模型(NavGPT VLA)和 OS 类调度器,支持线程化运行、工具调用及中断切换以应对突发环境变化。

    推荐理由:该工作提出 NavGPT-3 运行时架构,通过分层调度连接语言推理与低延迟动作策略,首次实现自主体在导航任务中达到人类水平表现。

  7. arXiv · 机器人与计算机视觉82

    Masked Generative Motion Planning with Geometry-Guided Token Search

    论文介绍 Masked Generative Motion Planning (MGMP),该方法利用几何引导的令牌搜索将轨迹生成从局部连续优化扩展至离散结构修复,在 Kuka 和 Ring Maze 任务上分别实现 82% 和 96% 的成功率。

    推荐理由:提出 MGMP 方法,将生成式规划扩展至结构修复,在 Kuka 和 Ring Maze 任务上显著超越最强基线。

  8. arXiv · 机器人与计算机视觉85

    TacHair:一种用于机器人头发梳理的触觉接触分布引导在线修正方法

    针对变形物体(如头发)在末端执行器上漂移导致局部交互困难的挑战,该研究提出了 TacHair 框架,将高分辨率触觉观测表示为空间头发接触分布。该方法结合视觉 - 触觉模仿策略生成名义动作,并通过独立训练的残差模块进行局部接触偏差修正,实现了任务推进与接触恢复的分离。

    推荐理由:该工作提出基于触觉接触分布的在线修正框架,在真实机器人实验中显著提升了头发梳理任务的成功率与接触保持能力。

  9. arXiv · 机器人与计算机视觉85

    SLVR:基于类人推理流的结构化潜变量视觉推理

    论文提出 SLVR 框架,旨在解决多模态大模型过度依赖语言先验的问题。该方法将显式思维链与潜变量推理结合,通过掩码答案文本并对比视觉干扰项进行训练,随后对规划、定位、证据选择和整合四个阶段分别施加监督信号。基于 Qwen2.5-VL-7B 的 SLVR 在 MMVP 和 BLINK Relation 等基准上取得显著提升,证明了结构化潜变量监督能在避免推理开销的同时增强细粒度视觉推理能力。

    推荐理由:提出 SLVR 框架,通过结构化潜变量监督实现规划、定位与证据选择分离,在 Qwen2.5-VL-7B 上提升多模态推理基准表现。

  10. Hugging Face Daily Papers79

    DreamTrue:具备反事实后训练的忠实动作机器人世界模型

    论文提出了 DreamTrue,这是一个支持跨具身、多视角的机器人世界模型,旨在实现高保真的视频预测与物理合理性。针对现有数据集校准不精确及失败交互覆盖不足的问题,该方法将动作轨迹渲染为图像空间条件并进行离线几何校准,同时引入反事实后训练以扩展交互范围。

    推荐理由:该工作提出通过几何校准与反事实后训练提升多视角机器人世界模型的行动保真度,在 AgiBot 挑战赛中表现领先。

  11. Hugging Face Daily Papers76

    RSI-Anything:基于世界模型的递归自我改进通用框架

    论文介绍了 RSI-Anything,这是一个构建于 JEPA-Anything 之上的通用框架,利用预测世界模型指导行动与学习数据选择。在代码修复任务中,固定编码器的情况下,通过预测选择和世界模型适配将成功率从静态验证器的 26.3% 提升至 31.2%;GUI 评估显示任务完成率更高且平均动作减少 39.4%;实验室规划分数在五轮策略迭代后翻倍。

    推荐理由:该框架利用预测世界模型指导行动与数据选择,在代码修复、GUI 操作及实验室规划等跨领域任务中显著提升了成功率并减少了平均动作数。

  12. Hugging Face Daily Papers82

    InstantFusion:一种用于异构图像生成器的共享潜在接口

    InstantFusion 是一种轻量级共享潜在接口,旨在连接不同图像生成器的去噪轨迹。该方法引入模型特定的潜在自编码器(LAEs),将中间状态投影到共享潜在空间并解码至目标生成器空间,通过对齐同图匹配噪声水平的中间状态及同步局部去噪速度来约束该空间。

    推荐理由:提出轻量级共享潜在接口,实现异构图像生成器间的去噪轨迹无缝切换与跨架构蒸馏。

  13. Hugging Face Daily Papers83

    面向物理驱动的连杆式 3D 资产生成:多智能体流水线与基准

    本文提出 Artisan 系统,通过引入多智能体流水线与物理仿真反馈,将 3D 资产生成的目标从外观复现转向运动与功能捕捉,支持无碰撞运动、重力下稳定性及准确的质材属性。

    推荐理由:提出 Artisan 系统与基准,在保持空间保真度的同时实现最低碰撞率与最高稳定性。

10月8日周四
  1. Hugging Face Daily Papers80

    UniSkill:学习用于演化策略的对齐技能提案

    论文介绍 UniSkill 方法,通过共享策略与环境交互以提出技能库编辑(添加、更新或不编辑),利用对比动作反馈测量替换检索技能后的行动对数似然差距来对齐策略,从而避免为每个提案进行昂贵的额外采样。

    推荐理由:UniSkill 提出利用共享策略与对比反馈对齐技能提案,避免为每个提案进行额外采样,在 ALFWorld 和 WebShop 任务中保持高成功率。

  2. arXiv · 机器人与计算机视觉82

    Visible Touch:一种无需架构修改即可利用接触信息的视觉动作策略渲染方法

    论文提出了 Visible Touch 方法,通过将接触信号直接暴露在与场景相同的空间帧中,使任何基于图像的预训练策略(如 VLA)无需架构修改即可利用触觉信息。

    推荐理由:该研究提出将接触信息融入视觉动作策略的新方法,并开源了低成本磁感应传感器与 CAD 模具流程。

  3. arXiv · 机器人与计算机视觉82

    失败边界学习:面向鲁棒的视觉语言动作模型研究

    论文指出监督微调后的视觉语言动作模型存在结构不对称问题,即缺乏关于成功行为失效边界的信号。为此提出 DLS 方法,基于少量真实演示与仿真协同训练构建真实接地行为先验,通过数字孪生在线策略 rollout 发现失败边界。

    推荐理由:提出 DLS 方法,利用数字孪生与语义进度信号发现并塑造失败边界,提升 VLA 模型在随机初始状态下的鲁棒性。

  4. arXiv · 机器人与计算机视觉82

    VIA:一种用于机器人控制的视觉界面智能体框架

    该论文提出了 VIA(Visual Interface Agent)框架,将机器人控制重构为智能体任务,利用现成的通用智能体通过虚拟工作空间中的鼠标式工具直接驱动机械臂。研究在仿真和真实世界移动操作机器人上实现了零样本的多样化桌面操作与导航任务,且性能随基础模型规模提升而增强,表明现有前沿智能体具备直接迁移至机器人控制的能力。

    推荐理由:提出 VIA 框架,证明通用智能体无需训练即可通过虚拟界面直接控制机器人完成操作与导航任务。

  5. arXiv · 机器人与计算机视觉82

    LightCrafter:基于 PBR 条件化的视频扩散重光照模型

    论文提出 LightCrafter,将视频重光照重构为对 PBR 渲染的代理视频进行翻译,以平衡物理一致性与时序稳定性。作者通过合成数据与真实未配对视频后训练 CogVideoX 以捕捉全局光照等效应,并在现有基准上优于先前的最先进水平。材料包含数据集、评测指标及代码开源计划,属于预印本论文。

    推荐理由:提出 LightCrafter 混合管线,通过 PBR 代理视频结合 CogVideoX 后训练实现可控重光照与长时序一致。

  6. arXiv · 机器人与计算机视觉82

    Resolving Conflicts Where and When They Arise: Reactive Composition of Multi-Goal Behavior

    该研究针对多目标任务中因静态目标表示导致的失败问题,提出了一种扩展 Active InterCONnect 的方法,通过自适应空域投影动态处理冲突梯度。实验表明该方法在导航和推物任务上优于静态势场与扩散策略,并在真实机器人上成功解决了感知不确定性、关节限制及自碰撞等问题,证明了控制方法可替代部分规划功能。

    推荐理由:论文提出自适应空域投影方法解决多目标冲突,在真实机器人上验证了无需规划即可处理感知不确定性与自碰撞的能力。