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 84 页

10月8日周四第 1661–1680 条
  1. arXiv · 机器人与计算机视觉83

    Point It, Strike It:面向变形线性物体的方向条件动态操控研究

    该论文研究了针对变形线性物体(如绳索)的动态操控问题,提出在指定终点位置及到达方向的目标设定下,通过单摆动作完成打击任务。作者扩展了 DeformX 仿真器至 DeformX2.0,引入 GPU 加速与气动模型以提升效率;提出 TRACE 方法生成带方向约束的打击数据,并训练条件流匹配策略;最后提出 RECAP 残差校准策略以适配真机参数。

    推荐理由:提出 DeformX2.0 仿真器与 TRACE、RECAP 策略,实现变形绳索打击任务从仿真到真机的跨域迁移。

  2. arXiv · 机器人与计算机视觉83

    TERRA:通过学习可迁移的潜在动作进行机器人策略控制

    论文提出 TERRA 方法,利用紧凑的时间效应表示和关系对齐机制,学习能从视觉过渡中推断出的可迁移潜在动作代码。该方法通过效果锚定传输(EAT)解决潜在动作在不同初始状态下意义一致性问题,在冻结线性读取器下比 UniVLA 更准确且抗干扰更强。

    推荐理由:提出通过时间效应表示与关系对齐学习可迁移潜在动作,在 LIBERO 基准上平均成功率达 93.4%,优于 UniVLA。

  3. arXiv · 机器人与计算机视觉82

    ResGAC:一种用于全身人形机器人精确末端执行器跟踪的控制器

    针对人形机器人全身运动中的末端执行器精确跟踪难题,该研究提出 ResGAC 控制器,结合几何导纳控制与残差强化学习以补偿未建模动力学并协调运动平衡。实验在 Unitree G1 真机上验证,在四项站立末端跟踪基准测试中均优于 SONIC 等基线;在站立插孔任务中成功率达 90%(SONIC 为 50%),且有效抑制了骨盆运动向期望末端的传播。

    推荐理由:该工作提出结合几何导纳控制与残差强化学习的 ResGAC 控制器,在 Unitree G1 真机上验证了优于基线的末端跟踪性能。

  4. arXiv · 机器人与计算机视觉82

    COOL:基于好奇心的物体归属学习用于个性化机器人辅助

    论文提出了 COOL 框架,旨在让机器人在日常环境中从观察中自主学习物体归属关系并维持长期空间记忆。该框架利用基于代理的好奇心驱动数据收集策略,引导机器人前往最具信息量的位置以更新陈旧观测。离线实验、消融研究和现实世界评估表明,COOL 能够从真实交互中推断出归属关系,并利用这些知识进行条件化的导航和任务执行。

    推荐理由:论文提出 COOL 框架,通过好奇心驱动的数据收集学习物体归属关系并维持长期空间记忆。

  5. arXiv · 机器人与计算机视觉82

    无需不安全数据即可通过最优性与反事实正则化学习未知约束

    该工作引入 Counterfactual KKT (CF-KKT) 框架,旨在从满足约束的专家行为中推断未知约束。方法首先利用局部学习的可微动力学模型在演示上施加基于 KKT 的最优性条件;其次生成奖励改进的反事实行为以揭示潜在偏好并合成不可行数据。该方法结合了 CIOC 的数据效率与安全性优势及 ICRL 的灵活性,在高维机器人控制任务中展现了优于离线 ICRL 基线的安全性与数据效率。

    推荐理由:提出 CF-KKT 框架,利用局部最优演示与可微动力学模型在无风险探索下恢复未知约束。

  6. arXiv · 机器人与计算机视觉83

    VLM 为何会漏掉小物体以及何时缩放是安全的

    该研究提出基于视觉 token 数量与覆盖内容的理论框架,解释了 VLM 在大图像中漏检小物体的原因及缩放操作的代价。实验表明,局部分解策略在满足特定重叠条件下不会降低召回率,且在某些场景下能提升效果。材料为预印本论文,未涉及真实机器人部署或产品发布。

    推荐理由:理论界定了大图像中漏检小物体的根本限制,并证明局部分解策略在特定条件下可无损提升召回率。

  7. arXiv · 机器人与计算机视觉78

    Robo-COP:通过部署实现机器人编排器与策略的协同进化

    针对 VLA 策略在真实部署中泛化不足且受限于固定编排器的瓶颈问题,论文提出 Robo-COP 框架,使编排器与策略在部署过程中协同进化。该方法从自身执行中筛选技能演示,仅在能解决重复性失败时微调策略,并在新策略提升原有技能表现后才采纳。

    推荐理由:提出 Robo-COP 框架,通过编排器与策略协同进化解决泛化瓶颈,仿真成功率提升约9个百分点。

  8. arXiv · 机器人与计算机视觉84

    多物体多目标投掷的快速规划方法

    论文提出了一种针对物流和仓储自动化的多物体多目标投掷(MOMT)快速规划框架。该方法离线构建可行集模型,在线通过状态匹配与过滤在 5 ms 内生成投掷序列。实验基于配备多指手的 7-DoF 机械臂,仿真显示双物体协同投掷比独立规划快 46%,实物实验确认快 29%。

    推荐理由:该预印本提出了首个多物体多目标投掷统一规划框架,在仿真与实物上验证了通过单次挥臂提升吞吐率的可行性。

  9. arXiv · 机器人与计算机视觉78

    StableGrasp:从单张图像重建物理稳定的手部抓握

    论文提出了 StableGrasp 方法,这是一个基于可微仿真优化的框架,旨在解决仅凭 RGB 图像重建物理稳定人手抓握的难题。该方法将视觉手姿与决定抓取力的控制目标显式分离,通过在可微仿真器中最小化抓取的动能来联合优化几何与控制,同时正则化以保持视觉一致性和几何合理性。

    推荐理由:提出基于可微仿真的优化框架,将视觉手姿与力学控制目标解耦,显著提升了单图重建握持的物理稳定性。

  10. arXiv · 机器人与计算机视觉78

    基于 R-CNN 的国际象棋棋局识别研究

    该论文提出一种基于 R-CNN 的框架,用于仅从单张三维棋盘图像中识别国际象棋棋局位置与朝向。方法包含独立的棋子识别组件(改进 Faster R-CNN)和棋盘几何估计组件(利用 Mask R-CNN 预测八边形边界关键点以计算单应性矩阵)。

    推荐理由:提出基于 R-CNN 的框架,通过独立组件结合棋盘几何估计与棋子识别,在合成数据集上将平均精度从 61.59% 提升至 90.14%,并能恢复约 76.61% 的测试棋局。

  11. arXiv · 机器人与计算机视觉78

    CureWM:诊断与修复机器人世界模型的失败不敏感性

    论文指出当前机器人世界模型存在对动作变化敏感度弱、在已验证失败场景下仍给出成功预测的问题。作者提出 CureWM 方法,通过从成功演示构建替代动作并在仿真或硬件上验证其结果,利用这些受控对比数据微调现有模型。实验显示,该方法显著降低了模型的过度乐观倾向并提升了成败区分能力。代码已在 GitHub 开源。

    推荐理由:针对机器人世界模型对失败不敏感的问题,提出通过构建替代动作并在仿真或硬件上验证结果后进行微调的修复方法。

  12. arXiv · 机器人与计算机视觉82

    FlashNeRD:面向高性能的富接触神经机器人动力学

    论文 FlashNeRD 针对现有神经机器人动力学模型速度慢、仅支持预定义点接触及缺乏双向耦合的问题,提出并行流式架构与通用编码器。实验表明其推理速度比优化版 NeRD 快 55 倍,策略学习(如 ANYmal 运动)加速 3.8 倍,且能完成固定接触模型无法处理的平台攀爬任务。

    推荐理由:FlashNeRD 提出并行流式架构解决 NeRD 速度瓶颈与接触限制,实验显示策略学习加速显著且能处理复杂操作。

  13. arXiv · 机器人与计算机视觉78

    Depth-to-RGB:用于几何引导合成的冻结深度估计器复用框架

    本文提出了 Depth-to-RGB 框架,旨在解决基于参考的对象合成中场景几何隐含的问题。该方法利用成对完成场景的编码器特征监督,对冻结的深度估计器进行条件修正,并通过固定渲染器将校正后的表示映射为预期场景深度。

    推荐理由:该工作提出利用冻结深度估计器进行几何引导的合成,在开放集与类别无关数据上均优于现有开源及闭源基线。

  14. arXiv · 机器人与计算机视觉83

    Workhorse:基于人类数据的鲁棒全身人形机器人位姿规划与操作研究

    论文提出 Workhorse 框架,通过无机器人参与的人类演示数据,分别训练预测躯干、手腕和脚部五连杆目标的视觉规划器及强化学习全身跟踪器。系统在真实 Unitree G1 上展示了分拣盒子、踢球、接住抛掷物以及翻越行李箱的能力,并在有人推搡或拿走物体时保持恢复能力。仿真实验显示,该系统在演示室副本中完成分拣任务的成功率分别为 77%(含干扰)和 83%(无干扰)。

    推荐理由:Workhorse 利用人类演示数据训练视觉规划与强化学习策略,在 Unitree G1 上实现抗干扰的全身操作。

  15. arXiv · 机器人与计算机视觉78

    OverLay++:面向复杂重叠场景的密集布局到图像生成数据集

    针对现有布局到图像生成方法在处理复杂重叠交互场景时的不足,本文提出了 OverLay++ 大规模数据集。该数据集包含约 50 万张图像,平均每图 6.6 个物体,标注密度比现有数据集高 1.67 倍,且物体描述长度超过当前数据集的六倍。实验表明,基于该数据集训练的布局生成方法在多个基准测试中均表现出一致的改进和更快的收敛速度,证明了密集、重叠感知及丰富语义监督的重要性。

    推荐理由:OverLay++ 数据集通过高密度重叠物体与长语义描述解决了现有布局生成数据瓶颈,显著提升模型收敛速度与泛化能力。

  16. arXiv · 机器人与计算机视觉78

    MimicX:一种将策略纳入循环的监督细化框架用于视频驱动的人形运动跟踪

    论文提出了 MimicX 框架,旨在解决基于视觉的人形机器人运动在物理执行中出现的持续失败问题。该方法从重建和重定向的运动开始,利用策略执行反馈来定位困难过渡和受影响的身体区域,并联合调整跟踪目标与重置课程以支持策略延续。

    推荐理由:该文提出利用执行反馈优化视频驱动的人形运动跟踪,在四个核心任务上显著降低误差并延长稳健执行时间。

  17. arXiv · 机器人与计算机视觉82

    SAFE:利用低成本声学传感统一检测机器人抓取中的滑移与断裂

    针对机器人抓取易碎物体时的状态感知难题,论文提出了 SAFE 方法,该方法无需视觉或先验材料知识,仅通过两个被动 PVDF 声学传感器和电机本体感知即可实时检测滑移与断裂。

    推荐理由:提出基于低成本声学传感器的滑移与断裂检测方案,在未知材质下实现高准确率闭环控制。

  18. Hugging Face Daily Papers85

    SGF+:通过解耦梯度流提升自回归视频生成的质量与长程一致性

    论文 SGF+ 针对自回归视频生成中当前帧去噪与写入上下文共享参数导致梯度负对齐的问题,提出将两者分离为独立参数并通过因果注意力保持交互。该方法无需辅助损失或额外视频训练数据,在 framewise 和 chunkwise 模式下均优于基线,仅用 5 秒 rollout 即可支持连续生成至 24 小时,验证了角色特定参数化对高质量长程生成的有效性。

    推荐理由:提出参数解耦方法,在仅用 5 秒视频数据训练下实现连续生成长达 24 小时,无需额外微调。

  19. Hugging Face Daily Papers77

    Long-WAM:在实时控制约束下扩展因果世界 - 动作模型的上下文长度

    该论文提出 Long-WAM 框架,旨在解决实时机器人控制中视觉历史过长导致延迟的问题。核心发现是视频基础模型采用自回归(AR)预训练能更有效地利用长历史上下文。

    推荐理由:该工作提出 Long-WAM 框架,通过自回归预训练显著延长因果世界 - 动作模型的上下文窗口,在真实机器人上实现长视界动态操作的高成功率与实时部署。

  20. Hugging Face Daily Papers82

    GRACE:面向生成的感知潜在压缩以加速视频生成

    论文提出 GRACE 框架,通过冻结预训练编码器基座并学习残差潜变量,使高压缩比自动编码器与预训练扩散 Transformer 保持兼容。该方法在优化自编码器的同时微调 DiT 并进行非对称去噪,将 Wan2.1-I2V-14B 的 token 数减少 8 倍、延迟降低 11.1 倍,且在 VBench 上匹配原始生成质量。

    推荐理由:提出 GRACE 框架,在保持 Wan2.1-I2V-14B 生成质量的同时将 token 数降低 8 倍、延迟降低 11.1 倍。