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 92 页

10月6日周二第 1821–1840 条
  1. arXiv · 机器人与计算机视觉82

    Encoded but Not in Control:揭示视觉语言机器人策略中的 grounding gap

    该论文通过场景保持的指令干预实验,发现 VLA 和世界动作模型(WAM)在仿真与实机中虽能成功执行任务,却常忽略用户指令而选择场景偏好的原始目标。线性探针显示指令被编码但难以控制动作生成,注意力分析证实了视觉 grounding 不匹配问题。研究提出了一套诊断框架,为衡量策略是否真正遵循意图变化提供了具体标准。

    推荐理由:研究揭示 VLA 与 WAM 存在指令编码与控制脱节,提出基于场景干预的诊断框架以评估真实意图遵循能力。

  2. arXiv · 机器人与计算机视觉78

    MoCAR:面向连续轨迹预测的运动码坐标感知自回归方法

    论文提出 MoCAR,一种解码器仅架构,将轨迹预测重构为坐标感知的连续潜空间中的下一运动码预测任务。该方法从端点归一化的轨迹段学习连续运动码空间,利用历史码作为教师强制前缀,在时间、地图、智能体及模式交互下自回归生成未来码,并在潜在记忆中持久化预测码以更新局部场景上下文。

    推荐理由:提出将轨迹预测转化为坐标感知连续潜空间中的下一码预测,在 Argoverse 基准上实现零样本迁移与转弯场景改进。

  3. arXiv · 机器人与计算机视觉78

    I-BFM:基于奖励条件的人形机器人鲁棒交互行为基础模型

    论文介绍 I-BFM,据称是首个针对人形机器人与物体交互的行为基础模型(BFM)。该模型利用前向 - 后向表示和无监督强化学习,学习人形、物体及其接触点之间的耦合动力学共享表征。

    推荐理由:该工作提出首个面向人形机器人与物体交互的行为基础模型,通过无监督强化学习实现单一策略对多种任务的闭环控制。

  4. arXiv · 机器人与计算机视觉84

    Conditional Trajectory Peaks:单次通过多模态策略框架

    论文提出了 Conditional Trajectory Peaks (CTP) 框架,旨在解决多模态模仿学习中同一观测下需生成多样化可执行未来及重规划周期行为一致性的问题。

    推荐理由:该工作提出单次通过多模态策略框架,在多个基准及真实双臂实验中验证了其在覆盖度、成功率与推理延迟上的综合优势。

  5. arXiv · 机器人与计算机视觉82

    自适应均值流:面向高响应闭环控制的机器人策略新方法

    针对扩散与流基机器人策略因迭代去噪导致预测延迟、阻碍高频闭环控制的问题,本文提出自适应均值流(AMF)方法。该方法利用加速的流匹配技术最小化延迟,并通过结合上一时刻轨迹的噪声版本来确保预测平滑性与一致性,在模拟及真实机器人任务中显著优于基线。代码已开源。

    推荐理由:提出自适应均值流方法解决扩散策略延迟问题,实现高响应闭环控制。

  6. arXiv · 机器人与计算机视觉78

    VLAs 是否理解并适应所操作的物体?还是仅仅重放已学行为?

    本文探讨了视觉语言动作模型(VLA)的泛化能力是源于对物体物理属性的全局理解以适配未见场景,还是仅靠偶然鲁棒性重放已学行为。研究通过线性探测和表征相似性分析发现,在七种主流 VLA 中,质量、易碎性等物理属性比语义类别等属性更难解码;机器人预训练反而削弱了语言流中对物理属性的线性编码。

    推荐理由:该研究通过线性探测与表征相似性分析,发现主流视觉语言动作模型对物体质量等物理属性的编码较弱,且在任务中难以据此调整运动策略。

  7. arXiv · 机器人与计算机视觉78

    MagServo:基于学习隐式特征的不确定性强韧分层磁致动

    论文 MagServo 提出了一种分层学习框架,利用掩码重建学习不确定性强韧的磁特征表示,并在无需解析模型或显式雅可比监督的情况下捕捉机器人运动与磁状态间的交互动力学。

    推荐理由:该工作提出基于学习隐式特征的磁致动框架,在无需解析模型的情况下实现了亚毫米级精度与强鲁棒性。

  8. arXiv · 机器人与计算机视觉78

    Casual Flash Lighting for Gaussian Splat Inverse Rendering 论文发布

    针对仅靠静态光照进行几何、材质和光照恢复存在歧义的问题,该研究提出了一种结合室内随手捕捉的静态与闪光照明方案。通过哈希编码 MLP 构建基于高斯泼溅(2DGS)的漫射场,该方法在无需暗室或专用硬件的情况下,有效约束反照率和双向反射分布函数,并利用静态光照监督材质分解。实验显示,该方法在五个合成场景和三个真实室内场景中,优于六个近期基线,在重渲染任务中 PSNR 提升 4.17 dB。

    推荐理由:该方法利用静态与闪光照明协同,在无需暗室条件下实现高保真反渲染。

  9. arXiv · 机器人与计算机视觉82

    欠驱动双足机器人无碰撞运动的分层强化学习研究

    针对欠驱动双足平台难以在不破坏平衡的情况下避障的问题,论文提出一种分层强化学习框架:高层策略输出全身速度指令,低层策略通过 PD 控制跟踪关节目标,两者联合训练。

    推荐理由:论文提出分层强化学习框架解决欠驱动双足机器人的避障运动,在 PyBullet 仿真中实现高成功率并验证了各观测通道与奖励项的贡献。

  10. arXiv · 机器人与计算机视觉78

    面向超声机器人的双速率力 - 图像控制与基于模型的方位角限制

    针对超声机器人在高频率接触力环路与延迟图像反馈耦合下易扰动力的问题,研究推导了考虑扰动的闭式方位角速率上限公式,并在凝胶体模型上验证。相比无约束引导,该控制器将首秒均方根估计力误差降低 0.40 N,收敛时间增加 0.94 s;固定速率上限在接近理论天花板时未显著改变力误差但收敛快 0.32 s,表明模型主要价值在于提供速率设计规则而非在线预测。

    推荐理由:提出基于模型的方向速率限制控制器,在超声机器人操作中降低力误差并加速收敛。

  11. arXiv · 机器人与计算机视觉78

    基于多目标强化学习的四足机器人无传感器堆叠货物运输方法研究

    针对四足机器人在不平坦地形上运输无固定堆叠货物的难题,本文提出 Payload-Adaptive Multi-Objective Reinforcement learning for Transportation (PAMORT) 框架。

    推荐理由:提出 PAMORT 多目标强化学习框架,在仿真与宇树 Go2 真机零样本迁移中实现无传感器堆叠货物稳定运输。

  12. arXiv · 机器人与计算机视觉78

    Level-of-Token Diffusion:基于多分辨率 Token 布局的自适应扩散生成框架

    该论文针对图像和视频扩散模型均匀分配计算资源的低效问题,提出 Level-of-Token (LoT) Diffusion 框架。该方法将场景细节分布知识转化为显式的多分辨率 Token 布局,利用细粒度 Token 处理高细节区域、粗粒度 Token 处理其他区域。

    推荐理由:提出 Level-of-Token Diffusion 框架,通过多分辨率 Token 布局实现自适应生成,在保留预训练先验的同时显著降低计算成本。

  13. arXiv · 机器人与计算机视觉78

    具备可行域扰动信任区域 SQP 的感知动力学自适应走廊非完整运动规划方法

    针对传统优化类泊车规划器仅在采样时刻施加碰撞约束导致车辆角点穿障的问题,提出一种适用于带倒挡车辆的规划器。该方法在每次迭代均满足离散动力学并保证整车矩形避开障碍物:每个时间步生成一个凸走廊以容纳两端车角并通过扫掠余量收缩;利用分离半平面为初始猜测处于碰撞状态时提供避障方向,后续基于速度、曲率和步长生长对齐航向的盒状区域并在接受步骤后重建。

    推荐理由:提出一种基于优化的泊车规划器,在每次迭代均满足离散动力学且保证车辆矩形不穿入障碍物。

  14. arXiv · 机器人与计算机视觉82

    可控道路标线生成:基于文本引导的 BEV 管线与结构化高斯渲染

    该论文提出 Controllable Road Marking Generation 框架,能从可行驶区域掩码、外环标线和文本描述中合成缺失的中心区域标线布局。

    推荐理由:该工作提出可控道路标线生成框架,在 Argoverse~2 和 Waymo 数据集上显著优于基线,为仿真场景构建与地图补全提供新工具。

  15. arXiv · 机器人与计算机视觉82

    Bilinear Flow Policy:面向未见目标的视觉运动模仿学习新框架

    针对条件模仿学习中面对未见目标时多模态行为坍缩的问题,本文提出 Bilinear Flow Policy(BFP)。该方法利用预训练视觉特征和新型锚点选择算法,将未见观测 - 目标对分解为熟悉锚点与残差项,并通过双线性流建模其联合决定的动作分布。

    推荐理由:提出结合归纳检索与双线性流的生成策略,在仿真中实现比基线高 2.63 倍的未见目标成功率。

  16. arXiv · 机器人与计算机视觉78

    未过期计划:一种用于加速扩散策略的免费监控器

    该研究提出了一种无需训练即可加速扩散策略的监控方法,核心在于利用‘未过期’的策略片段作为内部相似性信号,仅在检测到显著偏差时触发重计算。实验在超过 114 种加速器配置和四个策略家族上验证,该方法平均将每次调用的计算量降低 1.55 至 3.09 倍,且在接触丰富的第五类任务中成功维持了预定的性能余量。

    推荐理由:原文提出一种无需训练的扩散策略加速监控器,通过统计偏差而非特征距离来维持闭环成功率。

  17. arXiv · 机器人与计算机视觉82

    HLA-WM:一种用于长视界视频世界模型的无训练混合线性注意力框架

    针对 Gated DeltaNet 在长序列生成中的遗忘问题,该研究提出 HLA-WM 框架,结合粗粒度几何引导检索与细粒度循环线性状态计算,无需额外训练即可提升场景一致性。实验显示,该方法在 60 秒视频基准测试中将 PSNR 提升 0.74 dB、旋转误差降低 28.5%,并将历史状态显存占用减少至全 KV 缓存的 1/12,同时仅损失最多 1.6% 推理吞吐量。

    推荐理由:该工作提出无需训练的混合线性注意力框架,在长视频生成中显著降低显存占用并提升场景一致性。

  18. arXiv · 机器人与计算机视觉78

    FreeSpeed:一种用于生成式机器人策略的免训练速度控制方法

    针对模仿学习策略继承演示速度且测试时修改易导致分布外观测的问题,本文提出 FreeSpeed 模块,无需重新训练即可对预训练策略的动作块进行后处理以调节执行速率。

    推荐理由:提出无需训练的模块,通过动作块的方向不一致性信号自适应调节执行速度,在仿真与真实任务中均保持高成功率。

  19. arXiv · 机器人与计算机视觉78

    T-JEPA:一种用于学习更好遥感表征的时间联合嵌入预测架构

    针对现有遥感基础模型主要依赖预定义成对关系或整体重建上下文的局限,本文提出 T-JEPA 架构以利用地球观测数据中固有的稀疏和非均匀时间采样作为监督信号。该架构通过共享单帧编码器处理观测,并利用时间预测器从掩码源潜在表示和实际经过的时间估计完整目标潜在场,从而组织出结构化潜在轨迹。

    推荐理由:提出利用遥感数据稀疏时间采样的 T-JEPA 架构,在静态与动态任务上均取得领先的迁移性能。

  20. arXiv · 机器人与计算机视觉83

    RACE:基于可靠动作块扩展的视觉语言动作模型框架

    针对 VLA 模型因频繁调用策略导致的停顿问题,本文分析发现长动作块内的错误集中在操作子技能转换处。为此提出 RACE 框架,利用辅助一步去噪预测切换时机并以此调节动作生成。在仿真基准中,RACE 在更长动作块下成功率优于微调及近期 SOTA;在真实机器人上,使用 4 倍长动作块将空闲时间减少约 5 倍且成功率更高。代码与演示已公开。

    推荐理由:原文分析了长动作块中的错误集中点,提出通过辅助去噪预测切换时机来降低误差。