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 3 页

11月5日周四第 41–60 条
  1. arXiv · 机器人与计算机视觉78

    Decompose the Distillation:可解释的单步引导用于扩散模型

    论文介绍了一种名为 CtrlFlow 的扩散模型推理时间引导新方法,旨在解决传统分类无关引导(CFG)需要双次前向传播的问题。该方法通过冻结骨干网络并附加两个轻量级 LoRA 适配器,在单次前向传播中同时输出可解释的基流和引导方向,从而保持与 CFG 相同的接口灵活性且无需重新训练。为对齐推理时的误差放大特性,工作采用了统一的多尺度蒸馏损失、尺度自适应调制和时间网格扭曲等技术来优化训练与求解过程。

    推荐理由:提出单步引导方法 CtrlFlow,通过轻量适配器保留扩散模型的可解释基流与引导方向接口,支持推理时调节且无需重训。

11月4日周三
  1. arXiv · 机器人与计算机视觉82

    te-comp:首个生成自包含 C 推理引擎的完整 MLIR 编译器

    te-comp 是首个基于 MLIR 的编译器,可将标准 TFLite 或 Safetensors 模型编译为无运行时依赖的 C 代码,包含推理引擎与 RTOS 集成层。

    推荐理由:te-comp 是首个基于 MLIR 的编译器,可将 TFLite/Safetensors 模型编译为无依赖的 C 代码,在 MCU 上实现 GPT-Neo 等模型的独立推理。

  2. arXiv · 机器人与计算机视觉78

    Diffusion Plug-in Priors for Self-Supervised Ultrasound Video Restoration

    针对受限于硬件分辨率和信号相关斑点的超声视频,作者提出 UltraDiff 方法,利用冻结预训练扩散模型作为插件先验,在无需配对数据或网络重训练的情况下实现超分与去噪。

    推荐理由:提出无需配对数据或重训练的超声视频复原方法,结合斑点感知保真度与冻结扩散先验提升下游测量精度。

  3. arXiv · 机器人与计算机视觉78

    MiCaDe:面向自动驾驶的在线激光雷达 - 相机失配变化检测

    MiCaDe 是一种无需标定靶或修改感知栈的在线方案,用于检测激光雷达与相机的外参是否发生漂移。该方法利用标准目标检测器生成的 3D 和 2D 边界框在正确标定下应保持几何一致性的洞察,通过匹配跨模态检测结果推导几何一致性指标,并将其聚合为固定大小批次以生成似然流。

    推荐理由:提出无需标定靶的在线外参漂移检测方法,利用跨模态检测几何一致性实现低误报率监控。

  4. arXiv · 机器人与计算机视觉82

    BtsPruner:面向大视觉语言模型的基于角色感知的视觉 Token 剪枝方法

    针对大视觉语言模型推理时计算开销大的问题,本文提出 BtsPruner 框架,该方法无需训练即可通过识别视觉 Token 从局部细节到全局代表的角色演变过程进行剪枝。实验表明,在 LLaVA-1.5-7B 等模型上,仅保留 32 个视觉 Token(占总数 5.6%)即可保持 91.6% 的原始性能,并在高分辨率设置下实现最高 5.95 倍的 CUDA 延迟加速。

    推荐理由:提出无需训练的基于角色感知的视觉 Token 剪枝框架,在大幅减少输入 Token 数量下保持高性能并显著降低推理延迟。

  5. arXiv · 机器人与计算机视觉78

    在无目标相机 -LiDAR 外参校正前进行审计的研究

    该预印本研究了在无目标条件下对相机-LiDAR 融合的外参变换进行校正后是否应被下游系统采纳的问题。研究在 Argoverse 2 合成漂移数据上评估了单帧与多帧对齐策略,发现单帧 Canny 对齐在轻度漂移下有害,而多帧对齐虽改善旋转但恶化平移且联合误差指标为负。

    推荐理由:该预印本通过日志分离协议评估了无目标外参校正的质量与递归风险,指出单帧对齐在轻度漂移下有害且联合误差指标为负,不支持将其作为可部署的校准门禁。

  6. arXiv · 机器人与计算机视觉84

    在线哈密顿 -雅可比可达性:用于安全关键自主系统的实时 GPU 求解器

    论文提出一种 CUDA 实现的 WENO5+TVD-RK3+Lax-Friedrichs 水平集哈密顿 -雅可比 -伊萨科求解器,可在机器人控制回路内运行。

    推荐理由:作者提出了一种可在机器人控制回路内实时运行的 GPU 求解器,为黑盒策略提供形式化安全保证。

11月3日周二
  1. arXiv · 机器人与计算机视觉82

    视频扩散模型的早期故障检测与干预方法

    针对文本到视频扩散模型在推理阶段难以预判生成成败的问题,作者提出了一种实时检测(RI)模块与分层早期退出干预流程。该方法将潜在空间特征转换为中间视频预览以进行对齐评分,并在检测到失败时触发干预,相比事后重试可节省高达 2.64 倍的时间开销。

    推荐理由:提出实时检测与早期干预机制,显著降低视频生成失败重试的计算开销。

  2. arXiv · 机器人与计算机视觉78

    标量平滑性仅是贝索夫谱上的一个点:一种新的模型响应度量方法

    针对现有 Lipschitz 常数或 Hessian 曲率无法捕捉真实扰动下模型响应变化的问题,本文提出有限差分粗糙度谱(finite-difference roughness spectrum),将标量平滑性与方向性曲率统一在贝索夫理论框架下。

    推荐理由:提出有限差分粗糙度谱理论,在图像分类与量化分配中验证了其对噪声鲁棒性与混合精度分配的改进效果。

  3. arXiv · 机器人与计算机视觉82

    Uni-LaSpec:面向视觉语言模型的负载自适应推测解码方法

    论文提出了 Uni-LaSpec 框架,通过复用验证器注意力机制和接受度感知训练优化草稿质量,并利用边际成本准则动态分配验证结构以适应不同 GPU 负载。实验显示该方法在六种视觉语言模型上平均保留超过 98.6% 的接受率,吞吐量提升最高达 5.11 倍,并在多种负载场景下优于固定验证策略。

    推荐理由:该工作提出负载自适应推测解码框架,在六种大模型与十七项基准测试中验证了其在不同 GPU 负载下的效率提升。

  4. arXiv · 机器人与计算机视觉83

    PanoTac:一种用于鲁棒触觉中心操作的密集三轴触觉传感器

    论文介绍了 PanoTac,这是一种低成本、柔顺的触觉指尖传感器,旨在提供密集的三轴触觉感知能力。每个指尖提供 12x32x3 的触觉表示,包含法向和两个剪切响应分量,采样率为 60 Hz,成本低于每指尖 50 美元。

    推荐理由:PanoTac 传感器在管具准备、舀取谷物等任务中,相比纯视觉基线平均提升 46.7% 性能。

  5. arXiv · 机器人与计算机视觉78

    ReVA-HPE:基于合成姿态监督与个性化虚拟锚点的相对 6DoF 头部姿态估计

    论文提出 ReVA-HPE 方法解决单目头部姿态估计问题,将任务定义为相对于锚点图像的几何变化估计。该方法通过从单张未标注注册图像重建个性化 Avatar 并渲染已知姿态的虚拟锚点库来消除对真实锚点姿态的需求,利用多锚点共识提供鲁棒的旋转假设,并通过地标 PnP 处理平移分支。

    推荐理由:该方法利用合成数据训练实现单目人脸相对 6DoF 姿态估计,无需真实标注即可达到 SOTA 旋转精度。

  6. arXiv · 机器人与计算机视觉78

    解锁对比正则化在扩散 Transformer 训练中的潜力:CRAN 方法

    论文发现标准 InfoNCE 对比学习在扩散 Transformer 训练中因噪声捷径而收益有限,为此提出 Clean Representation-ANchored Contrastive (CRAN) 正则化方法。

    推荐理由:针对扩散 Transformer 训练中 InfoNCE 对比学习失效问题,提出 CRAN 正则化方法以抑制噪声捷径并提升模型效果。

  7. arXiv · 机器人与计算机视觉78

    IMUdrape:基于物理仿真的衣物挂载虚拟 IMU 数据文本生成方法

    该论文提出了 IMUdrape 方法,旨在解决衣物挂载传感器因布料滑动、扭转和摆动而记录到额外运动信号的问题。该方法通过文本描述活动以合成运动,从照片重建目标服装的缝纫图样,并在真实传感器的部署位置放置虚拟 IMU,利用无接触穿透求解器进行物理仿真,从而生成成对的服装与身体信号。

    推荐理由:针对衣物挂载传感器因布料形变导致数据稀缺的问题,该方法通过物理仿真生成虚拟 IMU 数据,在真实数据集上显著提升了动作识别与姿态估计性能。

  8. arXiv · 机器人与计算机视觉83

    Scene-Adaptive Readout and Decoding in Diffusion Driving VLAs

    针对扩散驱动视觉语言动作模型(Diffusion driving VLAs)在每个去噪阶段重复执行骨干网络导致的高推理成本问题,本文提出一种场景自适应读出与解码框架。

    推荐理由:提出场景自适应读出与解码框架,在 Waymo E2E 基准上推理加速最高达 6.0 倍,同时提升轨迹预测质量。

  9. arXiv · 机器人与计算机视觉78

    dKV Forcing:通过可微 KV Cache 分离生成与记忆表示

    论文提出 dKV Forcing 方法,旨在预训练因果视频生成器中从共享骨干网络学习专用的记忆表示。该方法利用未来读取来训练写入特定的低秩残差,将记忆写入与生成过程分离。

    推荐理由:提出 dKV Forcing 方法,通过可微缓存分离生成与记忆表示,在降低显存和训练周期的同时提升长视频生成的美学质量。

  10. arXiv · 机器人与计算机视觉78

    面向空中小目标检测的率 - 效用区域编码方法

    针对带宽受限的空中相机,传统基于阈值的感兴趣区域(ROI)编码易丢弃包含微小目标的低分区域。该方法提出率 - 效用区域编码(RUO),依据预期检测效用与比特成本的比值决定是否发送及质量等级,无需训练模型且解码仅需数毫秒。

    推荐理由:提出一种无需训练模型的区域编码方法,在带宽受限场景下显著降低小目标检测的比特消耗。

  11. arXiv · 机器人与计算机视觉83

    服务代理型机器人集群:工作负载特征、KV 缓存抖动与准入控制

    该研究量化了由 GPT-6-Astra、RPent 和 pi0.5 生成的 80 个 LIBERO-PRO 任务集的工作负载,发现视觉语言大脑的长上下文 KV 缓存会挤占动作策略的执行资源。在 H800 GPU 上,静态并发上限可将吞吐量从约 2.4 提升至 5.00-5.55 任务/分钟,并满足严格的动作截止时间要求。

    推荐理由:论文量化了多机器人集群中视觉语言大脑与动作策略的并发资源冲突,提出基于工作负载特征的准入控制原则。

  12. arXiv · 机器人与计算机视觉78

    CausalPrune:面向高效大视觉语言模型的 Counterfactual Causal Token Pruning

    针对大视觉语言模型推理中冗余视觉 Token 导致计算量大的问题,本文提出 CausalPrune 框架。该方法将推理建模为结构因果模型,引入因果 Token 重要性评分(CTIS)来估计干预每个视觉 Token 的平均处理效应,并利用后门调整缓解跨模态混淆。

    推荐理由:提出基于反事实因果的视觉 Token 剪枝框架,通过结构化因果模型区分关键与虚假关联 Token,在降低计算量的同时保持多模态性能。