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 85 页

10月8日周四第 1681–1700 条
  1. Hugging Face Daily Papers78

    Sensor-Language-Action 模型:连接感知与行动的统一框架及 OpenSLA 发布

    论文介绍 Sensor-Language-Action (SLA) 建模框架,将多模态传感器观测、自然语言与动作在统一模型中连接,利用语言作为语义接口实现异构动作的表示、预测与解释。

    推荐理由:该工作提出统一传感器、语言与动作的建模框架,并构建大规模基准验证其在临床预测等真实任务中的性能。

10月7日周三
  1. Hugging Face Daily Papers82

    DAEDALUS:从自生成任务启动代理记忆的方法

    针对大语言模型代理缺乏环境操作知识且易重复犯错的问题,该研究提出 DAEDALUS 方法,通过配对探索者与求解者代理,在无先验知识和验证器情况下自生成可解任务并提炼启发式规则存入记忆库。实验显示该方法在 AppWorld、τ²-bench 和 AutomationBench 等基准上相比无记忆基线平均成功率提升最高达 15.9 个百分点,且推理成本低于多数训练任务方法。研究代码与工件已开源。

    推荐理由:该方法通过自生成任务构建无需先验知识的代理记忆,在多个基准上显著提升了成功率并降低了推理成本。

  2. Hugging Face Daily Papers78

    NeMo-DCR:面向万亿参数规模智能体强化学习的位精确差分压缩重拟合方法

    论文提出 NeMo-DCR(Delta-Compressed Refit)方案,解决智能体强化学习中全量权重同步耗时过长的问题。该方法仅传输变化量且保证接收端比特位完全一致,利用仿射映射投影变化和可压缩 XOR 掩码处理残差,结合对象存储流式传输替代跨集群集体通信。

    推荐理由:提出 NeMo-DCR 方案,通过位精确差分压缩将万亿参数模型跨集群重拟合时间从 87.5 分钟降至 150 秒。

  3. Hugging Face Daily Papers78

    从证据到行动:工具使用智能体的失败模式分析

    论文提出 SafeActBench 基准(656 个案例),研究工具使用智能体在从决策到执行的链条中,常因调查不完整或过早行动导致失败。即使获得必要证据,单步执行可靠但多步工作流仍暴露未解决的前置条件与执行不全问题。材料引入溯源绑定的证据账本与确定性轨迹评估器来追踪信息建立、动作发生及下游依赖满足情况。

    推荐理由:SafeActBench 基准揭示工具使用智能体在决策与执行间存在证据链断裂,静态评估强但交互执行弱。

  4. arXiv · 机器人与计算机视觉82

    Vision Is Not Overhead:面向视觉语言模型的无损推测解码单步分块起草技术

    arXiv 论文提出 GLANCE 方法,解决视觉语言模型(VLM)中自强化循环导致推测解码受阻的问题。该方法通过单次前向传播完成整个块的草稿生成与验证,无需压缩或隐藏图像信息,在保持输出一致的前提下显著提升推理速度。实验显示,GLANCE 在生产引擎中比自回归解码快至 3.05 倍,平均超越 EAGLE3-VL 头并在地面任务上提升约 11%。代码已开源。

    推荐理由:提出 GLANCE 方法,通过单次前向传播完成块级草稿生成与验证,在保持输出一致的前提下显著提升 VLM 推理速度。

  5. arXiv · 机器人与计算机视觉82

    FineART:面向双臂操作的细粒度标注数据集与视觉语言动作模型

    作者开源了 FineART 数据集和 FineART-VLA 模型,旨在解决现有数据缺乏长程多步骤双臂任务支持的问题。该数据集包含 40,543 集(共 1,718 小时)跨越 151 个任务的轨迹及 533,913 个子任务标注。

    推荐理由:作者开源了包含超 4 万集双臂任务的数据集与 VLA 模型,通过细粒度子任务标注将长程任务成功率从 16% 提升至 76%,并支持零样本泛化。

  6. arXiv · 机器人与计算机视觉80

    HARMONY:面向单目图像的场景合成分层智能体推理框架

    论文 HARMONY 针对单目图像重建中语义理解与几何对齐的矛盾,提出结合智能体推理与视觉几何基础模型的层级框架。该方法先通过相机标定建立语义空间帧,利用 VLM 推理恢复房间布局及物体放置顺序,按墙体、家具到装饰品的层级进行深度优先遍历放置,并通过点云估计进行几何细化以对齐渲染图像。实验表明其在合成与真实世界图像上均优于基线,且相比 GPT-6 Astra 在物体排列和场景细节保留方面表现更优。

    推荐理由:提出结合智能体推理与视觉几何基础模型的层级框架,解决单目图像到复杂室内场景的高保真重建难题。

  7. arXiv · 机器人与计算机视觉84

    PointZero:一种用于学习可迁移 3D 动力学的 3D 点轨迹补全方法

    PointZero 是一种基于 Transformer 的世界模型架构,通过 3D 点轨迹补全这一预训练目标,在不依赖机器人动作标签的情况下学习丰富的 3D 动力学先验。该方法在 PGND 基准测试及多项仿真与真实世界操作任务中表现优于或持平于基线。作者开源了包含 290 万帧合成数据的多样化数据集、模型检查点及完整训练配方。

    推荐理由:该论文提出无需机器人动作标签的预训练目标,在仿真与真实操作任务上均优于基线。

  8. arXiv · 机器人与计算机视觉78

    原子运动坐标:面向语言可引导与力响应操作的几何化方法

    该论文提出原子运动坐标(Atomic Motion Coordinate),通过结合文本指令与前向运动学构建几何化坐标系,并将接触历史注入动作专家块以增强力适应性。

    推荐理由:提出原子运动坐标方法,在离线干预与真实机器人实验中显著提升了语言可引导性与力适应性能。

  9. arXiv · 机器人与计算机视觉82

    VT-MUSE:面向操作的视觉 - 触觉多模态统一序列表征学习

    VT-MUSE 是一种针对视觉 - 触觉操作的多模态统一序列表征学习框架。现有方法常独立编码视觉和触觉观测后再融合,限制了捕捉细粒度跨模态依赖的能力,且大多关注当前时间步而忽视接触的时间演化。

    推荐理由:VT-MUSE 框架通过跨模态时序对齐与掩码一致性学习视觉触觉联合表征,在仿真基准上超越最强基线 11 个百分点,并在真实实验中取得显著改进。

  10. arXiv · 机器人与计算机视觉78

    RIPE++:仅基于正样本对进行强化关键点学习

    该论文针对稀疏关键点提取与匹配任务,提出一种仅需正样本对即可学习的强化学习奖励机制,无需依赖准确的相机姿态、深度监督或负样本对比。方法在 MegaDepth1500 数据集上将 AUC@5 从 56.58 提升至 59.65,并扩展至弱监督的全流程稀疏匹配管道及低纹理医学视频序列。代码与数据已开源,论文获 ECCV 2026 最佳论文奖。

    推荐理由:提出仅利用正样本对的强化学习奖励,在无需负样本或深度监督下实现鲁棒的特征学习与匹配。

  11. arXiv · 机器人与计算机视觉82

    基于运动的 AI 生成视频检测中的数据集偏差与捷径学习研究

    该研究评估了四种最先进的基于运动的 AI 生成视频检测器的鲁棒性,发现其中三种存在显著的预处理和采样偏差,且性能高度依赖特定运动模式的数据集偏差;当移除该偏差时,所有检测器性能均崩溃至随机水平。研究还表明现有频率基检测方法在所有数据集上均保持强性能,建议采用更通用的频率路径并推动无偏数据集的开发。

    推荐理由:研究发现主流运动特征检测器存在严重的数据偏差与捷径学习问题,仅频率基方法表现稳健。

  12. arXiv · 机器人与计算机视觉82

    What Enables In-Context Behavior Prompting for Manipulation?

    论文提出行为提示范式,引入 DrawAnything 和 LIBERO-Gen 基准测试及 BPP 架构与 iPhUMI 手持接口,发现任务多样性而非演示数量是提升未见任务适应性的关键。在绘图与桌面操作任务中,该方法分别将误差降低 80.7%、成功率提升 20.8%,并开源所有组件以支持可复现研究。

    推荐理由:该研究通过基准测试与架构设计,揭示了任务多样性是行为提示生效的关键驱动因素,并开源了相关组件以支持可复现研究。

  13. arXiv · 机器人与计算机视觉78

    面向长时域开放世界视频的分割研究:Savvy 系统与 OGA 评测套件

    论文提出 Savvy 系统用于长视频中的零样本、半在线、无类别约束对象发现与身份维持,结合模块化掩码发现与证据累积延迟准入机制。同时发布 OGA 评测套件,在粒度差异时奖励连贯的部分级预测并诊断身份混淆问题。

    推荐理由:提出 Savvy 系统解决长视频零样本对象发现与身份维持,并配套 OGA 评测套件以区分粒度差异与时间失效。

  14. arXiv · 机器人与计算机视觉82

    Sensitivity Shaping for Latent Modeling:一种提升生成动力学模型 OOD 检测能力的研究

    该论文针对现有生成动力学模型将学习到的动力学视为固定、依赖事后代理进行分布外(OOD)检测而忽略控制不敏感导致信号抑制的问题,提出支持条件控制敏感性正则化方法。

    推荐理由:针对生成动力学模型对控制不敏感导致的 OOD 检测失效问题,提出支持条件控制敏感性正则化方法,在视觉避障与真实机器人导航实验中提升了异常检测能力。

  15. arXiv · 机器人与计算机视觉82

    双向增量广义混合 A*:一种针对复杂动力学系统的高效任意时间规划方法

    该研究针对非结构化环境中复杂动力学系统的运动规划难题,提出了一种改进的 Bidirectional Incremental Generalized Hybrid A*(Bi-IGHA*)算法。

    推荐理由:论文提出双向增量广义混合 A*算法,通过分层分辨率与冻结顶点机制解决搜索耦合问题,在仿真及真实机器人系统中验证了计算效率提升。

  16. arXiv · 机器人与计算机视觉82

    看见不等于知道:VLM 何时不该回答空间问题(及原因)

    本文介绍 SPATIALUNCERTAIN 框架,评估八个视觉语言模型对遮挡和透视导致的观测不确定性识别能力。研究发现模型行为未随证据可靠性变化而调整,存在投影关系易得但物理三维关系难解码的表征不对称,且提示或微调无法完全解决此类问题。

    推荐理由:该研究揭示了 VLM 在空间推理中忽视观测可靠性的缺陷,指出单纯微调无法解决视角冲突下的判断偏差。

  17. arXiv · 机器人与计算机视觉78

    Con-DSO:学习短视界一致性先验的 RGB-D 直接稀疏里程计框架

    针对动态物体、遮挡和光照变化导致的 RGB-D 直接视觉里程计退化问题,该研究提出 Con-DSO 框架,利用统一的学习不确定性模型解决光密与几何一致性假设被违反的挑战。

    推荐理由:该工作提出一致性感知的不确定性模型,在多个公开基准上显著降低了 RGB-D 直接稀疏里程计的绝对轨迹误差。

  18. arXiv · 机器人与计算机视觉80

    Learning Visual Feature-Based World Models via Residual Latent Action

    该论文提出了一种名为 RLA-WM 的视觉特征世界模型,利用从 DINO 残差中学习的残差潜在动作(RLA)表示来预测未来状态,相比直接回归更清晰且不易幻觉。该方法在仿真和真实数据集上优于最先进的视频扩散模型,速度提升数个数量级。

    推荐理由:提出基于残差潜在动作的世界模型,在仿真与真实数据集上优于现有方法,并展示了提升策略学习的两项机器人技术。

  19. arXiv · 机器人与计算机视觉82

    BAT:通过在线策略切换平衡敏捷性与稳定性的长时程全身人形机器人控制

    针对长时程任务中精确控制与动态全身行为难以兼顾的挑战,本文提出 BAT 框架,利用 OpVQ-VAE(基于运动 token 的泛化预测)和 OpHRL(闭环状态感知预测),通过 Token-Familiarity Router 根据上下文动态切换控制器。该方法在已见长时程动作组合上达到 85.2% 成功率,未见动作保持 71.3%,并在 Unitree G1 人形机器人上实现零样本部署。

    推荐理由:提出 BAT 框架,通过在线策略切换融合耦合与解耦控制器,在 Unitree G1 上实现长时程全身控制的鲁棒性与泛化性。