跳到正文

技术方向

空间智能 最新动态

三维重建、空间表示、视觉定位和可交互环境中的感知与推理。

760 条精选近 30 天 559 条共收录 4,114 条

更新

精选归档 · 第 14 页

11月4日周三第 261–280 条
  1. arXiv · 机器人与计算机视觉78

    基于障碍认证安全架构的腿部视觉语言导航研究

    该论文针对预训练大模型在具身智能导航中缺乏物理落地与显式安全保证的问题,提出一种模块化系统:集成高层 VLA 规划器与低层物理感知层,利用 SDF 表示和离散指数障碍函数约束 MPPI 规划器,为腿部机器人提供可证明的碰撞避免保证。系统在双足和四足机器人上进行了广泛的真实世界实验,验证了其高效、安全且通用的视觉语言驱动导航能力。

    推荐理由:本文提出通过障碍函数约束与 SDF 感知为双足及四足机器人的 VLA 导航提供可证明的碰撞避免保证,并在真实机器人上验证了安全性。

  2. arXiv · 机器人与计算机视觉78

    Learning Where to Look:面向图像思考的观察策略优化方法

    该研究针对复杂视觉问答中模型难以定位关键区域或获取充分证据的问题,提出 Observation Policy Optimization (OPO) 算法以优化工具增强的图像思考中的观察动作。

    推荐理由:针对多模态模型在图像思考中的观察动作优化难题,提出 OPO 算法通过不确定性引导分支与证据归因机制提升视觉推理性能。

  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78

    Phase-DGS:基于语义相位的非同步多视角视频动态高斯泼溅重建

    针对动态高斯泼溅(DGS)依赖完美时间同步的局限,本文提出 Phase-DGS 框架,用表征运动循环状态的语义相位替代传统时间戳,建立跨相机时空对应。该方法在丢帧、相机冻结及时间偏移场景下验证有效,相比基线提升 PSNR 最高达 8.5 dB,且能无缝集成 RealTime-4DGS 和 FreeTimeGS 等现有 DGS 骨干网络。论文已获 NeurIPS 2026 接收。

    推荐理由:提出用语义相位替代时间戳解决多视角视频不同步问题,在丢帧和冻结场景下显著优于基线且兼容现有 DGS 骨干网络。

  5. arXiv · 机器人与计算机视觉78

    MPath Mamba:一种用于 3D 点云语义场景补全的 Multi-Path Mamba 扩散网络

    该论文提出了一种名为 MPath Mamba 的新型神经网络框架,旨在解决自动驾驶系统中的 3D 语义场景补全任务。该方法结合了状态空间建模与基于扩散的生成方法,利用跳连三元组 Mamba 结构、维度分解残差和多路径数据中的多方向膨胀来高效处理长序列特征提取。

    推荐理由:该工作提出融合状态空间建模与扩散模型的 MPath Mamba 网络,在 SemanticKITTI 基准上实现了具有竞争力的 3D 点云语义场景补全性能。

  6. arXiv · 机器人与计算机视觉80

    超越 Token 表示:面向视频推理分割的显式视觉对象定位框架

    本文针对视频推理分割中现有方法依赖语义单调且空间模糊的分割 Token 的问题,提出了显式视觉对象定位框架。该方法利用多模态大语言模型生成并细化目标的边界框与点集提示,引入查询多样化模块从不同视角描述同一目标以缓解训练偏差,并结合基于关键帧的选择策略支持掩码解码。在八个数据集上的实验表明,该方法显著优于最先进方法。论文已被 NeurIPS 2026 接收,代码已开源。

    推荐理由:提出显式视觉对象定位框架,通过空间感知提示与查询多样化解决语义单调问题。

  7. 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。

  8. arXiv · 机器人与计算机视觉83

    ReSMap:一种利用卫星先验增强鲁棒性的在线 HD 地图构建框架

    针对基于相机的在线 HD 地图系统易受传感器故障影响的问题,本文提出 ReSMap 框架,将离线缓存的卫星图像作为相机失效时的冗余互补源。该框架通过预测 - 融合模块和以物体为中心的跨模态查询解码器,利用各分支的置信度进行像素级可靠性加权并合并更新,无需学习路由网络。模型在 nuScenes 数据集的所有划分及范围设置下均达到最先进性能,特别是在相机故障场景下显著提升了鲁棒性。

    推荐理由:提出利用卫星图像作为相机失效时的冗余备份,在 nuScenes 数据集上实现包括相机故障场景在内的最先进性能。

  9. arXiv · 机器人与计算机视觉78

    Weather Adaptive Autonomous Driving:一种针对恶劣天气的相机目标检测自适应策略

    该论文研究了冻结的目标检测器如何在雨、雾、雪和沙尘等恶劣天气条件下做出部署决策。作者复现了基于 conformal risk control 的 SeqCRC 作为基线,发现单一全局阈值在雾天失效且误报率波动巨大(每图 1.6 至 117 个)。

    推荐理由:提出一种自适应阈值调节方法,在恶劣天气下平衡漏检与误报。

  10. arXiv · 机器人与计算机视觉78

    GroundSeek-CXR:一种用于多标签胸部 X 光诊断的回顾性评估引导主动观察框架

    针对胸部 X 光诊断中需识别细微病变及并发异常的挑战,本文提出 GroundSeek-CXR 框架。该框架通过回顾性诊断评估(RDE)对离线蒙特卡洛树搜索生成的观察与停止候选进行评分,并利用回顾性差距加权偏好优化(RGPO)学习基于最终诊断结果的偏好信号。实验表明,该方法在异常图像样本 F1 值上比即时分数偏好学习方法提升 4.48%。

    推荐理由:提出基于回顾性评估的主动观察框架,利用最终诊断结果优化局部区域选择与停止决策。

  11. arXiv · 机器人与计算机视觉82

    Sketch-Omni:首个基于草图的感知多模态大模型发布

    论文提出了 Sketch-Omni,这是首个专为处理草图而构建的感知多模态大模型(Perception MLLM)。该模型利用边缘检测技术将标注照片转化为类草图数据,并通过光导关系对齐训练,实现了从草图到照片的实例级定位。

    推荐理由:该工作构建了首个基于草图感知的多模态大模型,通过边缘检测与关系对齐技术实现了从草图到照片的实例级定位。

  12. arXiv · 机器人与计算机视觉82

    ReconDreamer#:面向动态驾驶场景的重建与生成的自进化闭环协同方法

    针对动态驾驶场景中生成数据与现实观测差距大的问题,论文提出 ReconDreamer# 框架,实现重建与生成的自进化闭环协同及基于几何先验的自适应地面建模。在 Waymo、nuScenes 等基准测试中,该方法显著提升了三维表征能力:Waymo 数据集上横向偏移 6 米时,NTA-IoU 和 NTL-IoU 分别提升 8.8% 和 3.0%,FID 降低 15.1%。

    推荐理由:提出自进化闭环框架,通过生成与重建模型互促提升动态驾驶场景的三维表征能力。

  13. arXiv · 机器人与计算机视觉78

    共现先验压倒视觉空间证据:理解 VLM 在建筑被撞击危险检测中的误报

    该研究评估了 Qwen2.5-VL-7B 和 InternVL3.5-8B 在建筑场景中被撞击危险检测任务中的表现,发现尽管模型能识别物体并编码空间关系,但高达 100% 的远距离场景被误判为危险。实验表明工人存在与否对决策的影响远超空间距离,且注意力干预无法消除这种共现偏差。通过让模型基于自身编码的空间表征进行条件化决策,可将特异性从 0.36 提升至 0.58,优于阈值重校准方法。

    推荐理由:研究发现 VLM 误报源于决策层对共现先验的过度依赖,通过条件化空间表征可将特异性从 0.36 提升至 0.58。

  14. arXiv · 机器人与计算机视觉78

    点云分类的统计鲁棒性基准:我们仍需要旋转不变架构吗?

    该研究对 10 种点云架构进行了跨域基准测试,发现旋转不变架构在姿态鲁棒性上表现最佳,但在噪声鲁棒性上排名较低。作者重新训练了所有模型并验证了简单的不变性损失能有效提升遮挡和 LiDAR 噪声下的准确率,且标准骨干网络在全球旋转下仅存在角度无关的精度偏移。材料提供了用于分析点云鲁棒性和复现结果的基准包与工具。

    推荐理由:该基准通过统计假设检验对比了旋转不变架构与标准骨干网络在姿态、噪声和遮挡下的鲁棒性,并验证了简单的不变性损失可提升特定扰动下的准确率。

  15. arXiv · 机器人与计算机视觉78

    UrbanTwin Sim2Real LiDAR 挑战赛 LUMPI 赛道论文:基于几何修正与分布对齐的仿真到现实路边激光雷达检测

    该论文描述了作者团队在 UrbanTwin Sim2Real LiDAR 挑战赛 LUMPI 赛道的最终方案,该方案仅使用合成数据训练并在未见过的真实路边激光雷达上评估。

    推荐理由:作者提出针对路边 LiDAR 小目标检测的几何修正与分布对齐方法,并分享了可预测提交分数的实验方法论。

  16. Hugging Face Daily Papers83

    PrimeSim:基于大规模跨具身演示的通用世界模型模拟器发布

    论文 PrimeSim 提出了一种动作条件化的多视图世界模型模拟器,通过渐进式中期训练和后期训练解决动作跟随与多视图一致性难题。该模型在 30,110 小时、22 个平台的数据上预训练,支持刚性及可变形操作任务的长程仿真,并在多个基准测试中领先开源同类模型。作者发布了模型权重、推理代码及训练代码,但材料仅基于 arXiv 预印本,未提及同行评审状态或真实机器人部署结果。

    推荐理由:原文给出了跨具身演示训练的世界模型架构与代码入口,相关团队可据此评估其仿真一致性与长程规划能力。

  17. Hugging Face Daily Papers82

    Micius-Flash:面向工程的轻量级智能体模型发布

    论文介绍 Micius-Flash 是一个拥有 270 亿参数的工程领域多模态模型,具备原生多模态输入、深度推理和 256K token 上下文窗口。研究团队构建了知识树驱动的数据飞轮,训练了半导体知识与推理、硬件编码等专家模型,并通过多教师同策略蒸馏整合能力。

    推荐理由:该预印本介绍了面向工程领域的轻量级多模态模型 Micius-Flash,展示了其在硬件代码与半导体任务上的性能提升及工具执行反馈能力。

11月3日周二
  1. arXiv · 机器人与计算机视觉78

    高斯混合端点的高斯舒罗丁格桥:投影间隙与路径空间障碍

    论文研究了布朗运动先验下高斯混合分布间的随机密度控制问题。由于直接求解无闭式解,作者引入升维路径空间构造,将轨迹增广源目标标签,分解为显式的分量间桥接问题及有限维熵耦合分配。

    推荐理由:该文提出高斯混合分布的升维路径空间构造,量化了投影间隙与路径空间障碍,为密度控制提供理论边界。

  2. arXiv · 机器人与计算机视觉82

    基于梯度强化学习的分布匹配蒸馏引导:GDMD 框架

    论文提出 GDMD 框架,通过优先优化蒸馏梯度而非原始像素输出来重新定义奖励机制,解决了传统扩散蒸馏在少步生成中牺牲质量的问题。实验显示,该方法使 4 步模型的质量超越多步教师,并在 GenEval 和人类偏好指标上显著优于现有 DMDR 结果。

    推荐理由:提出 GDMD 框架,利用梯度强化学习解决蒸馏与采样速度冲突,在少步生成任务上超越多步教师及现有 DMDR 方法。

  3. arXiv · 机器人与计算机视觉80

    ExeWorldBench:首个基于代码的可执行三维世界建模基准

    ExeWorldBench 是首个全面评估世界理解与可执行实现的基准,旨在衡量将物理原理转化为代码系统的能力。该基准包含机制可执行性、组合可执行性和意图驱动的可执行世界合成三项任务。实验显示当前前沿模型在构建具有物理交互行为的系统中存在显著局限。

    推荐理由:ExeWorldBench 填补了代码化可执行世界建模的评测空白,通过三项任务揭示前沿模型在物理因果理解与实现上的局限。