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 88 页

10月7日周三第 1741–1760 条
  1. arXiv · 机器人与计算机视觉78

    风险敏感的人群导航:自适应椭球形共形预测

    针对分布偏移下的人群导航安全难题,本文提出一种基于自适应椭球形共形预测的风险感知框架。该方法将结构化预测不确定性转化为条件在险价值信号以调节拉格朗日安全惩罚,在分布外设置下相比最先进基线提升了 5.68-7.44 个百分点的成功率并降低了 5.44-6.64 个百分点的碰撞率。

    推荐理由:该方法利用各向异性椭圆体处理分布偏移下的不确定性,在仿真与物理机器人上均验证了提升成功率并降低碰撞率的有效性。

  2. arXiv · 机器人与计算机视觉82

    追踪并非永恒:视频世界模型对隐藏物体的保留机制研究

    论文研究了视频世界模型在无法直接观测物体时的信息保持能力。实验发现冻结的 V-JEPA 2 预测器仅能部分保留静止物体,无法保留容器内移动物体,且移动物体痕迹在 0.3 秒内消失;而编码器本身可解码封闭容器内容达 3.5 秒。

    推荐理由:该文通过冻结 V-JEPA 2 预测器与编码器表征对比,揭示了视频世界模型对隐藏物体的保持能力差异及训练引入先验的可行性。

  3. arXiv · 机器人与计算机视觉78

    SharedKV-BT:面向行为树智能体的节点本地类型化决策

    针对自回归模型在行为树决策中存在的延迟问题,该研究提出 SharedKV-BT 方法,利用共享 KV 缓存并行评分候选动作并分离执行系统。实验显示,该方法在机器人操作、移动导航和计算机使用任务上,推理速度比提示匹配自回归解码快 2.36-4.15 倍;在操作任务中,节点本地 Shared-KV 将联合决策准确率从 75% 提升至 94%,闭环成功率从 0% 提升至 60%。

    推荐理由:该工作提出 SharedKV-BT,通过节点本地类型化决策与并行评分,在机器人操作等任务上显著提升了行为树智能体的推理速度与闭环成功率。

  4. arXiv · 机器人与计算机视觉82

    PlaySuite:面向交互式视觉智能的大规模评测基准

    PlaySuite 是一个基于超过 5000 款开源视频游戏的交互式视觉智能评测基准,涵盖 Pygame、Unity 等多种引擎。研究构建了统一的闭环交互框架与 Video-LLM-as-a-judge 协议以支持异构游戏评估。对十四种近期开放模型的测试显示,尽管推理能力强,但模型在空间定位、动作执行和自我修正方面存在持续失败,揭示了感知与行动之间的差距。

    推荐理由:PlaySuite 发布大规模游戏评测基准,揭示当前模型在动态环境中的感知 - 行动差距。

  5. arXiv · 机器人与计算机视觉78

    AIM:自适应交互建模网络用于真实到仿真的软体模拟

    针对可变形物体操作中的空间邻域误差累积及场景适配问题,论文提出 AIM 自适应交互建模框架。该框架利用运动历史与几何信息动态调整粒子关系,并通过几何条件化的全局通信协调整体响应。

    推荐理由:提出 AIM 框架,通过局部全局交互建模提升软体仿真精度与跨场景迁移能力。

  6. arXiv · 机器人与计算机视觉78

    MoonGS:基于鲁棒深度特征的月球表面高质量高斯泼溅表示

    针对月球地形稀疏图像重叠不足、纹理弱及数据量有限等挑战,论文提出 MoonGS,这是首个专为月球场景设计的无优化前馈 3D Gaussian Splatting 框架。

    推荐理由:提出首个面向月球场景的无优化前馈 3D Gaussian Splatting 框架,在稀疏图像与弱纹理条件下实现高保真重建。

  7. arXiv · 机器人与计算机视觉78

    Demo: 视觉语言模型引导的电磁数字孪生在线校准

    该论文演示了一种由视觉语言模型(VLM)引导的电磁数字孪生在线校准框架,使用宇树 G1 机器人和 NVIDIA Sionna。系统通过两次 VLM 调用:首先利用 ITU-R P.2040 标准将可见材料映射为电导率先验以辅助 Sionna 基于累积接收信号强度(RSS)进行梯度下降;其次利用剩余 RSS 校准误差和图像覆盖度在线规划下一测量点。

    推荐理由:该工作演示了利用视觉语言模型引导电磁数字孪生在线校准的框架,在真实室内场景中实现了低误差的材料电导率估计与路径规划。

  8. arXiv · 机器人与计算机视觉78

    LEAP:让特权几何监督有效服务于视觉运动学习

    该论文提出 LEAP(Latent Encoding with Aligned Privileged Geometry)框架,旨在解决利用额外几何信息指导 RGB 视觉运动策略学习时存在的本体感觉捷径、主导视角依赖及重建目标无关等局限。

    推荐理由:LEAP 框架通过引入辅助解码器与腕部视角丢弃策略,解决了特权几何监督的三大局限,在 RoboTwin 等基准上显著优于 Diffusion Policy 和 ACT。

  9. arXiv · 机器人与计算机视觉78

    Hierarchy-GBP:通过抽象与恢复加速因子图推理

    论文提出 Hierarchy-GBP(H-GBP)框架,旨在解决高斯信念传播(GBP)在处理大规模空间智能任务时的效率瓶颈。该方法采用两阶段迭代策略:首先利用粗粒度图近似快速修正全局误差并投影回原图,随后使用 GBP 细化局部误差。

    推荐理由:提出分层高斯信念传播框架,通过粗粒度近似加速全局误差修正,在大规模位姿图优化中收敛速度显著快于标准算法。

  10. arXiv · 机器人与计算机视觉78

    多层级物体导航的模块化策略学习:用于诊断研究的分解框架

    针对多层级场景中长视界决策导致的稀疏奖励问题,本文提出一种基于模块化框架的诊断性研究。设计分层分解策略将全局策略解耦为楼层内探索策略和楼层间切换策略,并通过蒸馏视觉语言模型的探索逻辑来初始化轻量级楼层内策略。理论分析表明在理想假设下该分解策略与单一全局策略等价。实验结果显示感知性能和爬梯稳定性是多层级导航的主要瓶颈。

    推荐理由:该文提出分层分解框架,通过蒸馏视觉语言模型初始化策略,诊断多层级导航中的感知与爬梯稳定性瓶颈。

  11. arXiv · 机器人与计算机视觉78

    SWAP:面向视觉语言动作模型的逐步策略路由方法

    针对单一 VLA 模型在不同任务状态和环境下的性能局限,本文提出了 SWAP 框架,将策略路由建模为离线强化学习问题以动态选择最优策略。该方法在真实世界的 DROID 操作任务和 LIBERO 仿真实验中均优于固定策略及基线路由方法,真实任务成功率绝对提升最高达 33%,同时减少了成功轨迹中的机器人动作步长。

    推荐理由:该工作提出动态组合多个 VLA 策略的框架,在真实操作任务中成功率提升最高达 33%。

  12. Hugging Face Daily Papers82

    VeriFine:面向具身推理的自我改进可扩展验证框架

    VeriFine 是一个代理驾驭框架,旨在解决具身推理中因固定评估器限制而导致的自我改进瓶颈。该框架通过策略与评估器的协同进化实现可扩展验证:利用评分标准诊断失败并构建自适应课程;在进展停滞时,选择性地查询人类指导以校准评估器,使其收敛于物理推理目标。实验表明,该方法能在强化学习和监督微调中持续提升策略与评估能力。

    推荐理由:提出 VeriFine 框架,通过策略与评估器的协同进化解决具身推理中的自我改进瓶颈。

  13. Hugging Face Daily Papers82

    单图构建罗马:一种面向室内外的 3D 场景生成方法

    论文提出一种从单张图像生成完整 3D 场景网格的方法,解决了现有预训练模型主要局限于孤立物体和室内场景的问题。该方法通过自适应分块处理远近结构差异、建立显式 2D-3D 对应关系以感知自由空间与未观测区域,并合成约 4000 个室外场景扩充数据。

    推荐理由:该方法将物体中心生成器改造为适应室内外场景,通过自适应分块与显式对应关系提升几何精度。

  14. Hugging Face Daily Papers84

    miniTE:诊断并弥合原生 NVFP4 强化学习的执行差距

    该论文提出 miniTE 轻量级框架,结合执行诊断、跨引擎数值对齐及高效原生 W4A4 GEMM 计算,解决大语言模型强化学习中训练与采样引擎间的不一致问题。

    推荐理由:原文介绍了 miniTE 框架,展示了在 Qwen3-30B-A3B 模型上实现原生低比特强化学习稳定训练与高吞吐率的实验结果。

10月6日周二
  1. Hugging Face Daily Papers83

    基座模型可通过从训练数据获取线索进行推理

    该研究探讨了训练数据如何在基座模型的响应起始 token 与后续推理行为之间建立关联。实验表明,固定特定的起始 token 线索(如'. Okay'或'Alright,')可使基座模型在数学和代码任务上的表现接近强化学习(RL)微调版本。

    推荐理由:原文揭示了训练数据中的特定起始 token 可作为推理触发器,通过因果干预验证了其对数学、代码及模型安全行为的控制作用。

  2. arXiv · 机器人与计算机视觉82

    Recovering Off-Policy Supervision for Speculative Decoding

    arXiv 论文《Recovering Off-Policy Supervision for Speculative Decoding》由 Jungseob Lee 等人提交,针对推测解码中离策略 token 导致后续槽位监督失效的问题,提出基于回滚的训练框架。

    推荐理由:针对推测解码中离策略监督失效问题,提出基于回滚的训练框架以恢复全量监督。

  3. arXiv · 机器人与计算机视觉78

    时间步加权:有效基于 ELBO 的流匹配强化学习的隐藏关键

    该论文研究了时间步加权对基于 ELBO 的流匹配强化学习性能的影响,发现有效的加权方案依赖于奖励景观和学习阶段。通过受控图像生成与机器人实验,揭示了跨噪声水平的奖励驱动更新模式及训练过程中的梯度协调动态。研究提出并验证了简单的静态加权、预算化配置选择及动态调度等策略,证明其能超越常规目标选择效果,为流匹配强化学习提供了重要的设计依据与新视角。

    推荐理由:本文揭示了时间步加权在基于 ELBO 的流匹配强化学习中的关键作用,提出其效果取决于奖励景观与学习阶段,并验证了动态调度策略优于常规配置。

  4. arXiv · 机器人与计算机视觉78

    Look-Before-Move:基于叙事的动态 3D 故事世界视觉注意力研究

    论文提出了 Look-Before-Move 框架,将相机规划解耦为观察规范与运动执行,通过语义观察契约、蒙特卡洛视点搜索和语义轨迹接地技术,在动态三维故事世界中实现叙事驱动的视觉注意力。

    推荐理由:该工作提出叙事驱动的视觉注意力框架,在动态三维故事世界中实现先观察后移动的相机规划。

  5. arXiv · 机器人与计算机视觉78

    Flash-WAM:面向世界动作模型的模态感知蒸馏方法

    Flash-WAM 是一种模态感知的步骤蒸馏框架,旨在解决世界动作模型(WAMs)在联合视频与机器人动作生成中因噪声分布不对称导致的传统蒸馏失效问题。该方法为动作流采用线性梯度缩放参数化以匹配低噪声 regime,同时为视频流保留方差以保持高噪声 regime 的稳定性。

    推荐理由:针对多模态蒸馏在联合视频 - 动作生成中的失效问题,提出模态感知的单步蒸馏框架 Flash-WAM。

  6. arXiv · 机器人与计算机视觉82

    通用权重子空间假设:跨任务与架构的共享低维结构发现

    论文通过超过 1200 个模型的谱分析(包括 500 个 Mistral-7B LoRA、500 个 Vision Transformer 和 50 个 LLaMA-8B),首次提供大规模实证证据,证明无论初始化、任务或领域如何,神经网络系统性地收敛到共享的谱子空间。

    推荐理由:大规模实证表明不同架构与任务下的神经网络收敛至共享的低维参数子空间,为模型复用、多任务学习及高效算法设计提供新视角。