跳到正文

技术方向

感知硬件与车载计算 最新动态

相机、传感器、车载和边缘计算的实际规格、量产进度和测试条件。

137 条精选近 30 天 100 条共收录 1,167 条

更新

精选归档 · 第 2 页

11月13日周五第 21–40 条
  1. arXiv · 机器人与计算机视觉82

    TraceKV:一种用于推理视觉语言模型的策略保持低秩 KV Cache 压缩方法

    针对大上下文和长推理痕迹带来的 KV Cache 需求,现有低秩压缩方法易导致预测策略漂移。本文提出 TraceKV,通过统一在策校准、敏感性感知 SVD 及全局秩分配,显著降低推理过程中的策略 KL 发散。

    推荐理由:提出 TraceKV 框架,在无需微调下实现 KV Cache 压缩与策略保留,兼顾推理精度与显存效率。

  2. arXiv · 机器人与计算机视觉78

    EM-ViT:通过视差细化与机器人自运动在线适配单目深度估计

    针对单目深度估计(MDE)基础模型在新场景泛化性不足的问题,本文提出 EM-ViT 方法。该方法受立体相机参数化启发,将深度预测分解为密集视差细化以恢复相对结构,以及有效基线标量预测以确定度量尺度。

    推荐理由:提出 EM-ViT 模型,利用稀疏 LiDAR 和机器人自运动在线适配单目深度估计,在 KITTI 等数据集上验证了优于现有基础模型的泛化能力。

11月11日周三
  1. arXiv · 机器人与计算机视觉78

    Specify Privacy Yourself:评估大视觉语言模型的推理时个性化隐私保护能力

    论文指出当前大视觉语言模型虽能保护通用隐私(如信用卡号),但缺乏对个性化、上下文相关隐私的保护能力。为此,作者提出了首个系统性评估框架 SPY-Bench,包含 32,700 个样本和针对用户指令的度量标准。

    推荐理由:提出首个 ITP3 基准 SPY-Bench,揭示主流大模型个性化隐私保护能力不足,并给出噪声对比对齐方法将准确率提升至 96.88%。

  2. arXiv · 机器人与计算机视觉78

    RaMOD:基于自车运动估计的毫米波雷达原始立方体移动目标检测

    论文提出 RaMOD 框架,旨在从车载单芯片毫米波雷达获取的原始范围 - 方位角 - 多普勒(RAD)立方体中实现实时移动物体检测与速度估计。该方法显式估计帧间自车运动,利用预测的多普勒区域抑制静态结构回波,并将剩余数据编码为多尺度特征以预测目标框及类别。

    推荐理由:提出 RaMOD 框架,从车载毫米波雷达原始数据中实现实时移动目标检测与速度估计,在 BRIDGE-Liv 数据集上显著优于现有基线。

11月10日周二
  1. arXiv · 机器人与计算机视觉78

    FogDrive:一种用于分级雾况下感知任务的多模态合成驾驶数据集

    论文提出 FogDrive 数据集,基于 CARLA 生成约 660 个场景(共 13.3 万帧),每个场景包含清晰参考及三种校准后的雾密度版本。数据涵盖相机、深度、语义分割、LiDAR、语义 LiDAR 和雷达等多模态传感器响应。

    推荐理由:该数据集提供分级雾况下的多模态仿真场景,支持在已知能见度下训练感知模型并验证去雾策略的有效性。

  2. arXiv · 机器人与计算机视觉82

    面向多模态大模型重构的推测解码方法

    该论文提出了 Multimodal Speculative Decoding (MSD) 框架,旨在解决多模态大语言模型(MLLMs)自回归解码延迟高的问题。针对文本和视觉 token 特性差异,该方法在草稿模型中解耦了两者处理并应用特定策略,同时采用先强化语言建模再逐步引入视觉感知的两阶段训练方案。

    推荐理由:提出针对多模态大模型的推测解码框架,通过解耦文本与视觉 token 处理及两阶段训练策略,在保持生成质量的同时实现显著推理加速。

  3. arXiv · 机器人与计算机视觉82

    相同测量预算下不同的速度风险:时钟不确定性下的互补卷帘快门读出

    该论文研究了在曝光时间存在不确定性时,具有相同测量预算的相机 rigs 如何表现出不同的速度估计率。作者建立了滚动快门重建的理论框架,区分了两种读出策略的风险阶数:重复读出的最坏情况平方速度风险至少为 $ ho_{ ext{eff}}$ 量级,而互补读出的极小极大风险为 $ ho^2$ 量级(其中 $ ho_{ ext{eff}}$ 为固定允许的时钟位移)。

    推荐理由:原文建立了滚动快门在时钟不确定下的速度风险理论,区分了不同读出策略的误差阶数。

11月9日周一
  1. arXiv · 机器人与计算机视觉78

    LPM:面向复杂降质的工业级生成式视频修复框架

    论文提出了 Large Processing Model (LPM),这是一个基于扩散模型的生成式框架,旨在解决用户生成内容中复杂的真实世界退化问题。该系统通过大规模数据工程、基础模型训练和高效推理的统一架构,实现了任意长视频的逼真且时间一致的修复。

    推荐理由:该工作提出首个工业级生成式视频修复模型,在快手生产环境处理约45%观看时长并降低20%码率。

  2. arXiv · 机器人与计算机视觉78

    CucumberVision 在边缘端的精度、吞吐与能耗:Jetson Orin Nano 与 Raspberry Pi 4 实测

    该研究将基于 YOLO26n 检测与提示分割的黄瓜长度测量流水线部署于 NVIDIA Jetson Orin Nano 和 Raspberry Pi 4,并与 RTX 3050 Ti 工作站对比。

    推荐理由:原文给出了 RGB-D 黄瓜尺寸测量在 Jetson Orin Nano 与 Raspberry Pi 4 上的精度、吞吐与能耗实测数据,为低算力边缘部署提供选型依据。

  3. arXiv · 机器人与计算机视觉78

    毫米波雷达人体状态感知受限因素分析:误差理论与策略评估

    针对烟雾、黑暗及隐私敏感环境下的机器人感知需求,本文提出将人与环境视为时变散射场的统一框架,并推导了基于带宽、孔径、信噪比等参数的联合定位误差理论下限(Cramer-Rao 型)。研究利用现有帧融合、多视角和姿态估计方法作为探针验证该理论,实验表明增加第二视角可将关节平均位置误差从约 97mm 降至 65mm,而更强估计器主要通过补全无法解析的关节来降低整体误差。

    推荐理由:该文建立毫米波雷达人体感知的误差理论下限,并通过实验验证不同策略对误差的影响方向与幅度。

  4. arXiv · 机器人与计算机视觉78

    InstaGen:基于组共享重要性采样的快速视频生成

    论文指出扩散 Transformer 的二次注意力复杂度导致高计算成本,现有 Top-p 选择策略在高熵场景下样本效率低。作者提出 InstaGen,将块选择重构为重要性采样,用精确集合加加权样本替代原有方法,且每个查询簇共享一个样本以适配 GPU 高效执行。

    推荐理由:提出 InstaGen 方法,将块选择重构为重要性采样,在 Wan2.1-T2V 模型上显著降低计算成本并提升视频生成质量。

  5. 盖世汽车 · 汽车资讯83

    芯驰科技开源D9-MAX软件SDK,面向具身智能场景

    芯驰科技正式开源D9-MAX软件SDK,该SDK基于车规级异构单芯底座,主要面向具身智能“小脑”场景,旨在为物理AI和机器人研发提供底层算力与软件支持。针对传统多板架构的痛点,D9-MAX芯片在一颗芯片内融合感知、运控与安全岛功能,其基于ARM DynamIQ Shared Unit技术,将12核CPU划分为8核与4核两个物理独立集群,实现运控与交互任务的物理硬隔离。

    推荐理由:芯驰科技开源面向具身智能的D9-MAX软件SDK,提供车规级异构单芯底座与实时协议栈,支持6轴运动控制与功能安全认证。

11月6日周五
  1. arXiv · 机器人与计算机视觉78

    超越步态:基于毫米波点云的日常生活活动人员识别

    针对室内行走片段化导致步态识别受限的问题,该研究提出利用毫米波雷达点云进行日常生活活动(ADL)的人员身份识别。作者构建了包含七类核心 ADL 的 mm-ADL 数据集,并提出了双流静态动态 PointNet(DS-SDPNet)架构以捕捉空间形态与运动动力学特征。

    推荐理由:该工作提出 DS-SDPNet 架构,在毫米波点云上实现跨日常活动的身份识别,为稀疏雷达数据下的生物特征分析提供了新基准。

  2. arXiv · 机器人与计算机视觉78

    ProQuant:面向边缘多模态大模型的渐进式量化感知训练

    arXiv 论文 ProQuant 提出一种针对低比特多模态大语言模型(MLLMs)的权重 - 激活量化感知训练框架,旨在解决资源受限边缘设备的部署难题。该方法首先通过自重标方案对齐微调数据与预训练数据的分布,其次首创将多模态理解与语言建模能力解耦,利用渐进式块激活机制优先恢复多模态理解性能并引入视觉敏感因子识别关键层。

    推荐理由:提出针对低比特 MLLM 的渐进式量化感知训练框架,通过自重标与解耦机制显著改善 W4A8 精度下的性能。

  3. arXiv · 机器人与计算机视觉78

    旋转对 Token 不敏感:前馈几何 Transformer 后训练量化的一种结构准则

    论文提出 QMapAnything 框架,针对前馈 3D 重建模型中异质 Token 共享激活量化网格的挑战,证明传统的浮点保持旋转和平滑属于 Token-Blind 重参数化组,仅带来共模增益而保留相对 Token SNR。

    推荐理由:提出 QMapAnything 框架,证明旋转与平滑属于 Token-Blind 重参数化,结合统计量 Gamma 预测差异化偏差修正需求。实验显示 W4A8 精度接近全精度,W8A8 显存降低 2.2–3.1 倍且速度提升最高 3.1 倍,为资源受限边缘端部署前馈 3D 重建模型提供高效方案。

  4. arXiv · 机器人与计算机视觉78

    选择性事件证据与持久时间先验用于事件相机点跟踪

    arXiv 论文提出 SEPT 框架,专为长序列任意点跟踪设计,仅利用事件数据。该方法包含两个模块:任务自适应事件证据调制(TEEM)学习有界可靠性场以加权时空通道特征;持久轨迹先验(PTP)通过边缘化局部二次模型与 Schur 补传递几何信息并修正可见性坐标。

    推荐理由:该工作提出仅基于事件相机的长序列点跟踪框架,通过任务自适应证据调制与持久轨迹先验解决稀疏性与漂移问题。

11月5日周四
  1. arXiv · 机器人与计算机视觉82

    CoDecide:面向高吞吐视频分析的自适应内容解码方法

    针对视频档案分析中解码耗时的问题,该方法引入 CoDecide 系统,仅对出现新内容的帧进行解码。通过监督一个轻量级学生模型学习来自冻结 DINOv2 教师模型的无标签新颖性信号,该系统能区分运动与场景中新出现的物体,从而在无需针对每台相机重新训练的情况下实现泛化。

    推荐理由:提出一种利用冻结教师模型信号在压缩域识别新内容的解码策略,显著降低视频分析算力开销。

  2. arXiv · 机器人与计算机视觉78

    NanoKV:面向自回归视频生成的高比率 KV 缓存压缩方法

    针对自回归视频模型在长序列生成中的显存与计算瓶颈,论文提出 NanoKV 框架,通过冻结骨干网并利用 Token 与注意力头的冗余性实现高比率 KV 缓存压缩。

    推荐理由:NanoKV 提出冻结骨干网的高比率 KV 缓存压缩框架,在视频生成任务中显著降低显存占用并提升推理速度。

  3. arXiv · 机器人与计算机视觉78

    RI-Prune:面向多图像视觉语言模型的感知与信息 aware 视觉 Token 剪枝

    针对大视觉语言模型处理多张输入图像时视觉 Token 预算激增的问题,现有基于注意力的剪枝方法在多图基准上表现不佳且存在位置偏差。本文提出 RI-Prune,这是一种无需训练、不依赖注意力机制的预解码器选择器。

    推荐理由:针对多图像场景下注意力机制失效问题,提出无需训练的 RI-Prune 方法,通过查询相关性与跨图对应关系实现更优的视觉 Token 剪枝。

  4. arXiv · 机器人与计算机视觉78

    LumiTac:用于人机交互的紧凑型高刷新率六轴光学触觉传感

    该研究提出 LumiTac 传感器,这是一种无摄像头的紧凑光电子触觉设备,通过空间分布照明与光谱编码结合实现六维力矩测量。传感器直径 12 mm、厚度 4.75 mm、重量小于 2 g,成本约 7 美元。

    推荐理由:论文提出了一种紧凑的六轴光学触觉传感器,实现了高刷新率与低延迟,为机器人灵巧操作与人机交互提供了新的感知方案。