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 93 页

10月6日周二第 1841–1860 条
  1. arXiv · 机器人与计算机视觉83

    Rotated, but How Far? Diagnosing and Improving Object-Rotation Reasoning in VLMs

    该论文介绍 OR-Bench 基准,发现现有视觉语言模型(VLMs)虽能检测物体旋转但无法可靠估计旋转幅度,存在“规范角度坍塌”现象。作者提出 RotationCue 轻量解码器,从模型冻结表征中恢复粗粒度旋转信息并反馈给模型,在三个 VLM 上使 OR-Bench 宏平均准确率提升 7.9--12.6 个百分点且保持通用能力。

    推荐理由:提出 OR-Bench 基准揭示 VLMs 在旋转角度估计上的能力缺陷,并通过 RotationCue 方法利用冻结表征中的粗粒度信息提升模型表现。

  2. arXiv · 机器人与计算机视觉78

    无数据集的人形机器人顺应式行走 - 操作:动态在线姿态调整

    OCLO 是一种无需人类运动数据即可训练的人形机器人全身行走与操作系统,仅通过两个末端执行器目标进行指令输入。该系统利用解析可达性先验在线生成骨盆高度和躯干朝向,并通过策略闭环采样优化任务无关成本;同时学习全身顺应性以应对外部负载。

    推荐理由:OCLO 系统无需人类运动数据,通过解析可达性先验与策略闭环采样实现人形机器人全身协调与顺应控制。

  3. arXiv · 机器人与计算机视觉78

    Learning Coordinated Visuomotor Box-Pushing from Solo Demonstrations

    该研究针对无通信、车载去中心化的多机器人模仿学习范式,探索能否利用单人遥操作单机器人的数据来训练大规模协同推箱子任务。实验表明,仅通过被动观察其他运行中的机器人难以获得有效的协调策略,揭示了多机器人研究中数据采集的瓶颈。论文系统调查了数据集创建策略和轻量级架构设计,相关成果已接受在 2026 CoRL 会议展示。

    推荐理由:研究揭示仅靠被动观察单机器人演示难以实现多机协同,为大规模协作任务的数据采集策略提供实证瓶颈。

  4. arXiv · 机器人与计算机视觉78

    FOCUS:面向不确定性感知的半静态场景细粒度开放词汇变化检测

    自主机器人需在长周期运行中更新环境记忆以应对世界变化。本文提出 FOCUS 框架,将半静态记忆维护建模为概率推断,融合几何似然与从 3D 高斯地图渲染的外观似然。

    推荐理由:提出 FOCUS 框架,利用不确定性感知解决半静态场景中的细粒度变化检测问题。

  5. arXiv · 机器人与计算机视觉82

    FLEX-WAM:用于长视界想象与规划的灵活块因果世界动作模型

    arXiv 论文介绍了一种名为 FLEX-WAM 的灵活高效块因果世界动作模型,旨在统一模拟与策略推理。该模型支持可变长度上下文与非因果预测视界,采用轴向注意力与分块扩散机制实现实时生成。

    推荐理由:该工作提出 FLEX-WAM,通过块因果架构与弹性训练解决长视界规划中的响应性问题,在仿真与真实机器人上实现稳定多步生成。

  6. arXiv · 机器人与计算机视觉82

    EvoMem-VLA:用于长程机器人操作的演化记忆视觉语言动作模型

    针对现有 VLA 模型依赖当前观测而丢失历史证据的局限,论文提出 EvoMem-VLA,通过显式编码状态间的变化来构建演化记忆,使策略能追踪任务进度。该方法引入条件 Delta Tokenization 将有序帧对编码为方向性标记,并利用共享 VLM 骨干网络实现任务自适应路由:长程任务走直接动作路线,多阶段任务则生成可执行子任务作为额外输入。

    推荐理由:提出 EvoMem-VLA,通过显式编码状态变化证据解决长程任务记忆缺失问题,在仿真与真实机器人上均优于现有最先进方法。

  7. arXiv · 机器人与计算机视觉83

    TUCO:为 Sim-to-Real 机器人策略共训练 curated 仿真演示

    针对 Sim-to-Real 策略共训练中仿真演示价值挖掘不足及缺乏统一效用度量标准的问题,本文提出 TUCO 方法。该方法利用影响函数追踪源演示对目标域评分回滚的影响,将效应分解为整体贡献与变异性,以此构建闭环基础来衡量轨迹效用和集合覆盖率。

    推荐理由:提出 TUCO 方法,利用影响函数分解轨迹效用并优化仿真演示集,在 RoboMimic 和 OmniReset 上实现 SOTA。

  8. arXiv · 机器人与计算机视觉82

    SAPrune:面向高效 VLA 推理的阶段感知视觉 Token 剪枝框架

    针对视觉语言动作模型(VLA)推理中需处理大量视觉 Token 的问题,本文提出 SAPrune,一种无需训练的视觉 Token 剪枝框架。不同于固定层数剪枝策略,SAPrune 利用小校准集观察跨层的动作到视觉注意力变化,仅在注意力模式可靠时选择剪枝层,并采用双路径规则保护强关注 Token 及有用上下文。

    推荐理由:提出无需训练的 SAPrune 框架,通过观察注意力模式动态选择剪枝层,在 LIBERO 等基准上实现 87.5% 视觉 Token 剪枝与 1.718 倍推理加速。

  9. arXiv · 机器人与计算机视觉78

    ArticuTable:基于单张图像生成实例级交互式刚柔混合 3D 桌面场景

    论文提出 ArticuTable 框架,能够从单张输入图像恢复包含可执行部件级关节运动的刚柔混合 3D 桌面场景布局。该方法通过结合多模态大语言模型引导的关节拟合与语义状态推理(GRAM)从单体代理网格中提取可靠参数,并利用渐进式语义 - 几何场景配准(PSGSR)在度量、平面及输入视图约束下解决姿态尺度歧义。

    推荐理由:提出 ArticuTable 框架,从单图生成可交互的刚柔混合桌面场景并开放百例仿真数据。

  10. arXiv · 机器人与计算机视觉82

    F$^2$ SLAM:将前馈几何转化为持久因子的 SLAM 方法

    论文提出 F$^2$SLAM,通过将前馈 3D 模型直接转化为优化原生目标权重测量并附加到持久稠密因子图,解决了现有方法仅事后对齐导致多视图证据未进入优化器的问题。

    推荐理由:该方法将前馈几何直接转化为优化原生因子,在 Replica 数据集上将未标定状态下的平均 ATE RMSE 从 0.030 m 降至 0.002 m。

  11. arXiv · 机器人与计算机视觉78

    ReLaViS:基于循环潜空间视觉搜索的 GUI 元素定位方法

    针对现有单步视觉定位难以处理小元素和密集布局的问题,本文提出 ReLaViS 模型,在 Qwen2.5-VL-7B 基础上实现单轮交互内的循环潜空间视觉搜索。该方法通过空间搜索头查询截图视觉令牌并聚合为潜证据进行反馈,结合从全局到局部的 GUI 感知归纳偏置。

    推荐理由:提出 ReLaViS 模型,在单轮交互内实现循环潜空间视觉搜索,显著提升了 GUI 元素定位的准确率。

  12. arXiv · 机器人与计算机视觉78

    VICON:基于视觉 - 惯性 - 接触的灵巧操作手物追踪框架与数据集发布

    针对灵巧操作中手物交互的遮挡与力觉缺失问题,该研究提出 VICON 框架,通过集成带接触传感的视觉惯性手套与 RGB-D 相机,在无 CAD 模型下融合可见性、力敏电阻测量与手部运动先验来估计物体位姿。

    推荐理由:该工作提出融合视觉、惯性与接触感知的追踪框架,在严重遮挡下显著降低失败帧率并构建同步数据集。

  13. arXiv · 机器人与计算机视觉78

    基于本地恢复监督的视觉运动策略递归自改进框架

    针对视觉运动策略在犯错后缺乏纠正行为的问题,本文提出了一个通过本地恢复监督实现递归自改进的框架。该框架利用离线审计器定位未解决的失败状态并指定可观察的修复目标,由固定的多模态教师代理生成恢复动作以更新策略。

    推荐理由:提出通过本地恢复监督实现视觉运动策略递归自改进的框架,离线审计器与固定多模态教师代理协同生成修正演示。

  14. arXiv · 机器人与计算机视觉82

    几何如何进入生成的运动?:视频生成模型对物理定律的偏离分析

    该研究通过固定物理定律和初始状态、仅改变首帧几何(如轨道起伏、障碍物高度)的方法,对比了九种图像到视频模型生成的轨迹与模拟器预测。结果显示,虽然局部几何被保留并影响速度等运动特征,但生成运动的演化系统性地偏离了固定物理定律:平均坡度无法有效加速小球,连续接触未能维持一致状态,且编辑操作能提前改变尚未到达物体的运动。此外,文本提示强控制目的地,片段长度强控制时序,该模式在实拍首帧下同样存在。

    推荐理由:论文通过固定物理定律与初始状态仅改变首帧几何的实验,揭示了当前视频生成模型在运动合成中如何偏离物理演化规律。

  15. arXiv · 机器人与计算机视觉78

    RoMod:基于混合专家门控的视频异常检测新框架

    论文提出 RoMod 框架,利用冻结的多模态大模型中间层特征进行视频异常检测。研究发现异常证据集中在少数自发特化的专家中,据此设计了路由调制融合模块(RoMF)和感知时间演变的网络(RoTN)。该方法仅需 5% 弱标注数据即可在三个基准测试上达到最先进性能,且推理速度显著快于稠密骨干网。

    推荐理由:利用多模态大模型中间层特征,通过稀疏 MoE 路由机制实现仅需 5% 弱标注数据即可达到最先进效果的视频异常检测框架。

  16. arXiv · 机器人与计算机视觉78

    ReMAP:通过推理时间潜记忆恢复感知循环

    论文提出 ReMAP(Reasoning-Time Memory-Augmented Perception)框架,旨在解决多模态大语言模型长程推理时视觉注意力衰减的问题。

    推荐理由:提出 ReMAP 框架,通过全局与局部潜记忆耦合及强化学习访问策略,在多基准测试中显著优于现有方法并减少推理序列中的视觉 token。

  17. arXiv · 机器人与计算机视觉82

    Salvation Lies Within:通过语言引导激发步蒸馏扩散模型固有风格迁移

    针对步蒸馏文本到图像(T2I)模型后训练带来的计算成本与原生少步生成行为受损问题,提出 StyleForge 全自动免训练框架。该框架将参考图像的视觉证据组织为渲染指令规范,编译成可复用的文本引导,使冻结的步蒸馏 T2I 模型能在不同内容提示下保持参考风格并保留少步生成特性。实验显示其生成质量分数较最强基线最高提升 29.47%,且 Pareto 分析表明风格化增强同时保持了良好的内容遵循度。

    推荐理由:提出 StyleForge 框架,通过语言引导激发步蒸馏扩散模型的固有风格迁移能力,无需额外训练即可在保留少步生成特性的同时提升风格化质量。

  18. arXiv · 机器人与计算机视觉85

    通过预测不确定性触发通用主义推理的双系统 VLA 方法

    针对双系统视觉语言动作模型中通用推理模块固定频率调用的静态策略浪费计算资源的问题,提出 TUD 自适应推理框架。该方法利用缓存上下文下的动作重预测跨步离散度作为预测不确定性信号,无需人工标注或辅助模型即可动态跳过不必要的通用调用。在 VLA-Arena 基准测试及真实机器人实验中,TUD 在匹配调用预算下实现了更高的成功率,并将通用模型调用次数减少了 75%,同时有效分离成功与失败的轨迹。

    推荐理由:提出基于预测不确定性的自适应推理框架,在保持低开销的同时显著降低通用模型调用次数并提升成功率。

  19. arXiv · 机器人与计算机视觉78

    水下六自由度 ROV 管道跟踪的强化学习与经典控制统一动力学框架

    针对水下车辆控制器训练环境与部署环境物理表示不一致导致性能无法外推的问题,本文提出了一种统一的动力学框架。该框架在 NVIDIA Isaac Sim 中为六自由度遥操作车(ROV)构建了包含真实质量、附加质量、阻尼和浮力参数的管道跟踪架构。

    推荐理由:该工作提出了一套统一的动力学框架,在 Isaac Sim 中同时验证了强化学习与经典控制算法在水下管道跟踪任务上的表现与稳定性。

  20. arXiv · 机器人与计算机视觉78

    DiVeR:面向 VLA 测试时扩展的决策关键验证器学习

    论文提出 DiVeR 方法,旨在解决视觉语言动作(VLA)模型因数据成本受限而难以进一步扩展的问题。该方法通过采样多个动作候选并基于动作表征的离散度估计决策关键性,从而在推理阶段重新加权验证器学习,聚焦于对下游结果影响最大的稀疏状态集合。

    推荐理由:提出 DiVeR 方法,利用动作表征离散度识别决策关键状态以优化验证器训练,在 LIBERO、RoboCasa 及 Franka 机器人实验中提升任务成功率。