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 90 页

10月6日周二第 1781–1800 条
  1. arXiv · 机器人与计算机视觉82

    Point-MF:一种用于单图像点云重建的稳定一步均值流框架

    该论文提出了 Point-MF,这是一个无需训练点云自编码器的条件均值流框架,旨在从单张 RGB 图像恢复包含遮挡区域的完整物体几何。该方法直接在点云空间预测区间平均速度场,并通过引入去噪空间锚点(DSA)辅助损失来稳定大跳跃的均值流更新。

    推荐理由:提出 Point-MF 框架,实现单步均值流几何重建,在 ShapeNet-R2N2 等数据集上优于基线且推理延迟低于迭代扩散模型。

  2. arXiv · 机器人与计算机视觉83

    行为树的三元逻辑编码及其在控制合成中的应用

    该论文针对行为树验证限于离线后验分析的局限,利用三值信号时序逻辑(引入未知态)重构形式化模型。作者提出了混合整数线性编码方法,允许通过混合整数优化为线性动力学系统生成可构造的正确性控制策略,并演示了其在最优控制问题中的效用。

    推荐理由:提出基于三值信号时序逻辑的行为树混合整数线性编码,为线性动力学系统提供可构造的正确性控制策略。

  3. arXiv · 机器人与计算机视觉78

    面向分布变化的规划:结合有界极值搜索的强化学习机器人控制

    针对接触丰富任务中因目标、接触条件或动力学变化导致策略失效的问题,本文提出一种结合深度确定性策略梯度与有界极值搜索的混合控制器。RL 策略负责快速操作,有界 ES 确保在偏离训练分布时系统的鲁棒性。研究证明了机械臂在有限时间内收敛到物体及随后以有限时间收敛至有界速度移动目标的理论性质,并给出了收敛时间的解析公式与增益调节方法。

    推荐理由:提出结合强化学习与有界极值搜索的混合控制器,在目标变化或摩擦分布偏移下实现有限时间收敛。

  4. arXiv · 机器人与计算机视觉78

    Live Interactive Training:一种在推理时从人类修正中在线学习的视频分割框架

    针对交互式视频分割需要大量人工干预的问题,本文提出 Live Interactive Training (LIT) 框架,让模型在推理阶段即可从用户反馈中学习。

    推荐理由:提出 Live Interactive Training 框架,利用轻量级 LoRA 在线学习用户修正,在视频分割任务中将总修正次数平均减少 18-34%。

  5. arXiv · 机器人与计算机视觉82

    $M^2$-Occ:面向自动驾驶的残缺输入下稳健 3D 语义占用预测

    论文介绍$M^2$-Occ框架,旨在解决多摄像头输入缺失导致的几何结构丢失与语义不连贯问题。方法包含利用邻域重叠进行特征空间重建的多视角掩码重建模块,以及存储类级语义原型的特征记忆模块以修正模糊体素。

    推荐理由:该工作针对多摄像头缺失场景提出$M^2$-Occ框架,通过特征重建与语义原型检索提升鲁棒性。

  6. arXiv · 机器人与计算机视觉82

    DynaTokens:用于连续视频语言理解的动态 Token 控制方法

    针对多模态大模型在连续视频问答中面临的任务干扰与提示词存储难题,该研究提出 DynaTokens,一种基于 Transformer 的动态 Token 生成器。

    推荐理由:该工作提出基于 Transformer 的动态 Token 生成器,通过元学习正则化缓解持续视频问答中的任务干扰与遗忘问题。

  7. arXiv · 机器人与计算机视觉80

    从表征互补到双重系统:协同 VLM 与纯视觉骨干网络实现端到端自动驾驶

    该论文研究了视觉语言动作(VLA)驱动中,经过策略学习后的视觉语言模型(VLM)与纯视觉编码器在表征上的差异及其对规划的影响。研究对比了 InternVL3、Qwen3VL 等 VLM 家族与 ResNet、ViT、EVA-CLIP 等标准纯视觉编码器,发现两者在简单几何主导场景中各有优势,且存在行为上显著不同的制动和路径选择倾向。

    推荐理由:该研究通过对比 VLM 与纯视觉骨干网络,揭示了两者在规划任务中的互补性,并提出混合与双系统架构以提升端到端驾驶性能。

  8. arXiv · 机器人与计算机视觉78

    Zoom-IQA:基于可靠区域感知的图像质量评估模型

    论文介绍 Zoom-IQA,一种基于视觉语言模型的图像质量评估方法,旨在解决现有方法缺乏解释或推理不可靠的问题。该模型通过监督微调在 Grounded-Rationale-IQA 数据集上学习关键区域定位,并利用强化学习与 KL-Coverage 正则化器进行动态策略探索以防止多样性坍塌。实验表明该方法提升了评估的鲁棒性、可解释性和泛化能力,并验证了其在图像恢复等下游任务中的有效性。

    推荐理由:该工作提出 Zoom-IQA,通过两阶段训练让 VLM 在图像质量评估中显式模拟不确定性感知与区域推理,提升解释性与鲁棒性。

  9. arXiv · 机器人与计算机视觉78

    具身智能时代基于物理仿真的机器人导航与操作综述

    这篇论文是接受于 ACM Computing Surveys 的综述,系统分析了物理仿真器如何解决具身智能中导航和操作任务的 sim-to-real gap。文章重点考察了以往研究较少关注的仿真属性、针对导航与操作任务的功能特性以及硬件要求。此外,作者整理了一份包含基准数据集、评估指标、仿真平台和方法的资源清单,旨在帮助研究人员在考虑硬件约束的前提下选择合适的工具。

    推荐理由:该综述聚焦物理仿真在导航与操作任务中的 sim-to-real gap,分析硬件需求并提供基准数据集与工具选型资源。

  10. arXiv · 机器人与计算机视觉82

    Robotic Long-Horizon Manipulation with Progressive In-Context Code Generation and Episodic Feedback

    论文提出了 DAHLIA 框架,将长时程机器人操作视为集体验证任务规划问题。该方法利用渐进式组织的上下文示例与思维链推理引导大语言模型合成可执行代码计划;同时基于视觉语言模型的报告器仅在每轮执行后评估结果并提供结构化反馈以重规划,从而在部分可观测性下提升鲁棒性。

    推荐理由:该工作提出 DAHLIA 框架,利用渐进式上下文代码生成与集体验证机制解决长序列任务规划问题。

  11. arXiv · 机器人与计算机视觉82

    MoFlow:基于隐式最大似然估计蒸馏的一步流匹配人类轨迹预测

    该论文针对人类轨迹预测问题,提出了名为 MoFlow 的条件流匹配模型及一种仅依赖教师模型样本的 IMLE 蒸馏方法。实验表明,该方法在 SportVU、ETH-UCY 和 SDD 等真实数据集上达到了最先进水平,能生成物理和社会合理的多样化轨迹,且学生模型采样速度比教师模型快 100 倍。代码、模型和数据已公开。

    推荐理由:提出 MoFlow 模型与 IMLE 蒸馏方法,在真实数据集上实现高性能且仅需教师样本的蒸馏。

  12. arXiv · 机器人与计算机视觉82

    H-JEPA:面向视觉规划的端到端分层世界模型学习

    论文介绍 H-JEPA,一种用于长程规划的端到端分层世界模型方法。该架构包含多个动作条件化的 JEPA 层级,每层在独立潜空间预测不同时间尺度的未来:顶层优化目标进度,下层将高层预测作为子目标。

    推荐理由:提出分层 JEPA 架构,在仿真与真实机器人视频中通过时间尺度分解提升长程规划成功率并降低计算开销。

  13. arXiv · 机器人与计算机视觉78

    EpicWorldModel:面向部分可观测环境的探索驱动规划框架

    EpicWorldModel 是一个用于训练具有内在不确定性的潜在世界模型的框架。该研究针对传统确定性 JEPA 在部分可观测场景(如遮挡)下失效的问题,提出联合训练预测器与潜在表示空间,利用流匹配目标直接预测多个潜在未来状态。

    推荐理由:该工作提出基于流匹配的目标的随机 JEPA,利用预测方差引导 CEM 规划以解决部分可观测环境下的探索问题。

  14. arXiv · 机器人与计算机视觉78

    OGAM:通过对象接地注意力监控连接系统测试与运行时保障

    针对基准测试指令有限且无法进行穷举部署测试的问题,本文提出 OGAM 方法,利用成功与失败执行间的注意力发散信号实现运行时干预。研究在 OpenVLA、OpenVLA-OFT、UniVLA 和 pi_0.5 等四个策略上验证了该方法:通过成对组合动作模板与对象生成场景接地指令并测试同义改写,发现所有 87 个基准外案例均存在问题行为且无法完成任何可行指令。

    推荐理由:该方法利用对象 grounding 的注意力监控,在无需失败标签训练下即可在线拦截 VLA 策略执行中的异常行为。

  15. arXiv · 机器人与计算机视觉78

    SCION:无需预训练的像素空间联合生成与自监督表征学习

    论文提出 SCION(Self-conditioned Generation on Self-supervised representation),解决对比学习与流匹配目标不匹配的难题,实现在单模型内完成无标签、无预训练模型的自条件生成。

    推荐理由:提出 SCION 模型,实现无需标签或预训练的单步联合生成与自监督表征学习。

  16. arXiv · 机器人与计算机视觉82

    视觉语言模型中的视觉定位安全问题及修复方法

    该研究针对视觉语言模型(VLM)生成结构化输出时的安全对齐不足问题,利用三个涵盖直接伤害、社会偏见和情境安全的基准数据集,对比了问答与视觉定位两种输出模式下的拒绝率差异。

    推荐理由:研究发现 VLM 在 grounding 任务上比问答更容易被诱导执行有害指令,提出了一种结合拒绝与能力数据的微调方案以修复此漏洞。

  17. arXiv · 机器人与计算机视觉78

    面向安全规格的场景组合统计模型检查方法

    针对自动驾驶等关键领域需评估大量复合环境条件的挑战,本文提出一种基于场景的组合统计模型检查(SMC)框架。该方法将复合场景分解为基元、规格分解为子规格,独立验证各基元后利用重要性采样和核密度估计组合统计结果。实证表明该框架能准确回答未见过的复合场景查询,并通过并行化和轨迹重用降低仿真成本。材料为 arXiv 预印本,已接受至 RV 2026 会议。

    推荐理由:提出基于场景的组合统计模型检查框架,通过分解与重用轨迹降低仿真成本。

  18. arXiv · 机器人与计算机视觉78

    通用测试时训练(uTTT):打破层级限制的共享记忆架构

    论文提出通用测试时训练(Universal Test-Time Training, uTTT),主张记忆所有权不应绑定于网络深度,所有层读写同一共享记忆并在时间与深度两个维度上递归。

    推荐理由:提出 uTTT 架构,让所有层读写共享记忆以突破深度限制,在语言建模与新颖视图合成任务上均优于现有私有记忆设计。

  19. arXiv · 机器人与计算机视觉78

    TIRMamba:一种用于百万级以下参数的红外图像超分辨率的热先验调制状态空间网络

    论文提出 TIRMamba 网络解决红外图像超分辨率模型参数量过大难以部署的问题。该网络仅含约 89.6 万至 91 万个参数,通过热先验高速路计算梯度与局部对比度线索,调制双向状态空间主干并门控双尺度细节分支;采用重放策略在灰度 DIV2K 预训练后微调红外与自然图像块。

    推荐理由:提出参数仅约 90 万的红外超分网络,在低资源下匹配主流方法性能并显著降低延迟。

  20. arXiv · 机器人与计算机视觉83

    超越 LLM 服务:表征具身智能视觉语言动作工作负载以指导系统设计与部署

    该研究针对机器人操作中严格的推理截止时间问题,对四种代表性 VLA 模型在边缘 GPU 服务器和车载 SoC 上的运行行为进行了系统表征。实验通过 43,200 次闭环测试发现,动作张量维度决定计算或内存瓶颈,平台平衡可改变瓶颈位置,且 GPU 频率缩放存在依赖平台的能效甜点。

    推荐理由:文章基于 4.3 万闭环实验,量化了边缘端 VLA 模型在 batch-1 控制场景下的瓶颈与能效权衡,为架构、硬件及运行时策略的联合设计提供数据支撑。