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 21 页

10月27日周二第 401–420 条
  1. arXiv · 机器人与计算机视觉82

    OSWAM:一种具备一步动作生成的有效世界动作模型

    arXiv 论文 OSWAM 针对直接策略世界动作模型需多步去噪导致高延迟的问题,提出通过构建想象 token 初始化扩散过程以提供物理先验,并引入未来条件特权信息蒸馏。实验表明该模型在自动驾驶和具身控制任务上能达到甚至优于需要数十步的基线方法,实现约 3 倍加速,并在 NVIDIA RTX 5090 GPU 上将延迟降至 40ms,支持实时编译推理。

    推荐理由:该工作提出 OSWAM,通过引入想象 token 和特权信息蒸馏实现一步生成,在自动驾驶与具身控制任务上达到多步基线水平并将推理延迟降至 40ms。

  2. arXiv · 机器人与计算机视觉82

    VGGT 是否知道它不知道什么?——基于冻结特征的失败预测研究

    该论文针对 VGGT 等前馈 3D 重建模型仅报告置信度却未提供不确定性估计的问题,提出在冻结特征上训练线性探针以探测姿态预测失败。实验显示,该探针在 HardMatch 基准上的 ROC-AUC 达 93.5%,优于模型自身的点图置信度和分类器,且能泛化至 PhotoTourism 和 ScanNet-1500 等未见过的旋转失败场景。

    推荐理由:研究发现冻结模型内部存在未报告的失败预测能力,可让下游系统在不重新训练的情况下对困难样本进行回避。

  3. arXiv · 机器人与计算机视觉78

    通过位姿图优化学习非标定图像的三维重建

    针对 ACE-Zero 等基于学习的结构光流方法在复杂场景中存在的位姿漂移问题,本文提出一种混合框架,将位姿图优化(PGO)集成到无监督相机位姿估计流程中。该方法直接从预测的场景坐标构建位姿图,并引入基于几何先验的不确定性感知优化策略,利用跨视图的极线约束和光流一致性来抑制错误修正,从而提升重建的鲁棒性与精度。

    推荐理由:该工作将位姿图优化引入无监督结构光流法,利用几何先验提升复杂场景下的全局一致性。

  4. arXiv · 机器人与计算机视觉83

    SG-Splat:面向无位姿输入的稳健几何学习 3D 高斯泼溅方法

    针对现有无位姿 3D 高斯泼溅对残留姿态误差敏感的问题,论文提出 SG-Splat 框架。该方法将几何估计与属性预测解耦为独立分支,并引入流引导姿态修正(FGPR)和残差引导几何校正(RGC)流程以优化初始点图。

    推荐理由:提出 SG-Splat 框架,通过解耦几何与属性预测及流引导姿态修正,提升无位姿输入下的 3DGS 鲁棒性。

  5. arXiv · 机器人与计算机视觉78

    OrthoRF:探索物体中心表示中的正交性

    arXiv 预印本论文 OrthoRF 提出一种通过内积损失和架构修改强制旋转特征方向空间正交的方法,旨在提升基于同步性的无监督物体发现性能。实验表明,该方法在重叠、噪声及分布外测试中表现匹配或优于现有模型,消除了后处理聚类需求,并能恢复被遮挡的物体部分。该研究为计算机视觉领域的物体中心学习提供了新的归纳偏置视角。

    推荐理由:该工作提出正交旋转特征以解决同步性模型依赖后处理聚类的问题,在遮挡与噪声场景下表现更优。

  6. arXiv · 机器人与计算机视觉78

    理解并修复恶劣天气下的协同感知:西北工业大学团队发布新研究

    西北工业大学团队发布论文,首次系统研究恶劣天气导致的协同感知失效现象(Weather-Induced Context Interference)。实验表明,即使 LiDAR 点云未变,外部环境变化也会破坏多车融合前的对象表征。

    推荐理由:研究揭示恶劣天气下协同感知失效机制,提出无需成对数据的修复方法,在仿真与真实数据上均显著提升目标检测精度。

  7. arXiv · 机器人与计算机视觉78

    MemVLN:面向视觉语言导航的流式情景记忆框架

    该论文提出 MemVLN 框架,旨在解决基于 VLM 的智能体在长视野导航中维持持续情景记忆的难题。方法上,系统维护一个有界压缩感知特征库(标注时间戳与动作相对姿态),并通过交叉注意力生成紧凑记忆 token;结合冻结预训练几何编码器及掩码轨迹总结任务进行训练。

    推荐理由:提出 MEMVLN 框架,通过压缩感知特征与冻结几何编码器实现长视野导航中的持续记忆,物理实验显示成功率从基线 17% 提升至 47%。

  8. arXiv · 机器人与计算机视觉78

    Learning Direct Control from Optimization for Dynamic Target Tracking

    针对移动机器人在导航障碍物同时保持目标可见性的动态跟踪任务,本文提出 LECO 框架,通过将轨迹优化转移至离线直接控制策略学习,利用可微运动学模型让轨迹级目标直接指导控制学习。

    推荐理由:LECO 框架将轨迹优化转化为离线直接控制策略学习,在仿真与真实机器人平台上实现了平滑且鲁棒的动态目标跟踪。

  9. arXiv · 机器人与计算机视觉78

    Rethinking Data Imbalance in Class Incremental Surgical Instrument Segmentation

    该论文针对手术器械增量分割中因数据不平衡导致的灾难性遗忘和偏差问题,提出了 SurgCSS 框架。该方法通过生成背景、类感知融合及对比学习损失来平衡分布并修正边缘偏差,同时动态融合新旧模型权重以优化性能。作者构建了新的基准数据集并进行实验验证,结果显示该框架在现有基线基础上有显著改进。

    推荐理由:针对手术器械增量分割中的数据不平衡问题,提出 SurgCSS 框架与基准。

  10. arXiv · 机器人与计算机视觉78

    无 GNSS 环境下无人机群搜索的不确定性感知方法

    该论文研究了在无 GNSS 海洋环境中无人机群的协同搜索问题,其中无人机间测距驱动合作定位,不确定性沿多跳参考链传播,影响连通性、避撞和搜索效果。作者提出一种不确定性感知控制屏障函数框架,通过费希尔信息矩阵近似级联定位协方差,将协方差模型及其变化率纳入连通性和避撞的约束边界中,并采用分层 Voronoi 目标策略保持队形。

    推荐理由:提出不确定性感知控制屏障函数框架,解决无 GNSS 环境下无人机群协同定位误差累积问题。

  11. arXiv · 机器人与计算机视觉82

    PosePlaner:通过成对平面几何去噪任意前馈位姿预测器

    论文提出 PosePlaner 方法,利用流匹配技术恢复对应关系与位姿之间的经典耦合,将位姿精修视为条件生成问题,输入粗略几何匹配和初始位姿以融合假设并输出单一精修估计。该方法在双视图数据上高效训练,可作为无需重训练的周期性精修器服务于流式多视图位姿估计器,实证显示其能纠正前馈预测器的失败、显著改善基于对应关系的求解器并减少长序列累积漂移。材料已获 NeurIPS 2026 录用,属于预印本状态。

    推荐理由:论文提出 PosePlaner,利用流匹配将对应关系与位姿解耦,作为无需重训练的周期性精修器,可纠正前馈预测失败并降低长序列漂移。

  12. arXiv · 机器人与计算机视觉78

    SceneAgent:从三维及四维捕获到仿真环境的代理流水线

    论文介绍 SceneAgent,这是一个通过基于模拟器的视觉检查与修复来协调对象重建、物理建模和中间误差校正的代理流水线。它能处理 3D Gaussian Splatting、摄影测量、LiDAR 捕获、AI 生成的 3DGS 场景以及动态场景的 4D 视频,并结合对象分割、物理参数估计、部件分解、铰链连接和可变形仿真。

    推荐理由:该工作提出 SceneAgent 代理流水线,将多种视觉捕获转化为可交互仿真环境并生成数字孪生体与演示数据,显著提升了策略学习基线。

  13. arXiv · 机器人与计算机视觉78

    从 Sentinel-2 到 1 米影像:基于视觉自回归模型的现实世界×10 跨传感器超分辨率

    该研究针对 Sentinel-2 重访影像与高分一号(Jilin-1)1 米参考影像间的十倍跨传感器超分辨率难题,构建了包含 1.15 万对地理匹配场景的基准数据集。

    推荐理由:提出 CrossVAR 模型,在 Sentinel-2 与 Jilin-1 卫星数据间实现十倍跨传感器超分重建。

  14. arXiv · 机器人与计算机视觉78

    OSMA-Bench:家庭机器人导航中基于障碍物的安全基准测试

    该研究引入 OSMA-Bench 基准和语义敏感性指数(SSI),用于评估 VLM 及视觉语言动作策略在家庭环境下的安全导航能力。实验发现,即便有明确的安全提示,现有策略也无法将障碍物的语义风险等级一致地转化为连续的运动参数调整;针对 VLM 策略,增加显式的参数推断步骤可改善其适应性。该工作揭示了从语义理解到运动控制映射中的关键差距,并提出了相应的改进方向。

    推荐理由:OSMA-Bench 基准揭示 VLA 策略虽能语义区分障碍物却难以将其转化为连续运动参数,为物理 AI 中的语义到运动映射提供新评估视角。

  15. arXiv · 机器人与计算机视觉83

    LLM4Robot-Bench:GPT-6 Astra 在机器人操作中的极限有多远?一个分层配对仿真 - 现实基准

    作者引入了 PhysLadder,这是一个用于评估富接触操作中物理交互能力的分层 Sim-Real 基准。其包含的 16 个家庭任务跨越三个累积层级:接触选择与几何对齐(L1)、持续接触内的力调节(L2)以及协调接触重构与力调节(L3)。

    推荐理由:该基准通过分层任务量化了 GPT-6 Astra 在接触密集操作中的能力边界,揭示了从几何对齐到力调节的退化规律。

  16. arXiv · 机器人与计算机视觉78

    无证据下的确信:视觉锚定对医疗视觉 - 语言模型判决稳定性的影响无关紧要

    该论文研究了医疗视觉 - 语言模型在缺乏诊断图像时维持正确诊断的能力,并测试了这种‘无锚定’状态是否会导致模型结论更脆弱。研究者在意大利国家考试题目上进行了图像替换实验,施加两种对抗压力(L4 和 L1),发现无论有无真实图像,模型推翻自身判决的比例差异极小且方向相反。

    推荐理由:该研究通过对抗性压力测试发现,医疗视觉语言模型在缺乏图像证据时仍能维持诊断结论的稳定性,表明‘确信度’无法作为判断模型是否真正利用视觉信息的可靠信号。

  17. arXiv · 机器人与计算机视觉78

    无锥无对偶:一种快速可扩展的非刚性结构从运动求解器

    该论文提出了一种无需昂贵 SDP 锥求解器和 ADMM 求解器的非刚性结构从运动(NRSfM)新方法。通过引入可微欧几里得校正和行极投影优化相机旋转,利用展开的谱近端求解器结合重排形状域的加权奇异值收缩进行形状估计。

    推荐理由:提出无需 SDP 锥求解器的快速 NRSfM 方法,在密集序列上实现最高千倍加速且保持精度。

  18. arXiv · 机器人与计算机视觉78

    TopX:仅凭骨架文件实现未见角色的文本到动作生成

    TopX 是一个拥有 73M 参数的流匹配 Transformer,能够仅根据骨架树、静息姿态和关节名称为任意运动学树生成关节旋转和根轨迹,无需训练片段或微调。该模型通过热核坐标对查询和键进行旋转以处理任意拓扑的骨架图,并在测试集上显著优于 UniMate,特别是在未见过的角色骨架上降低了 FID 分数并减少了穿模现象。

    推荐理由:TopX 模型仅凭骨架文件即可为未见过的角色生成动作,在无需微调或重定向的情况下显著降低了描述符与运动质量指标。

  19. arXiv · 机器人与计算机视觉82

    ChronoReplay:单一答案接口不足以支撑流式空间智能

    该论文针对训练空间视觉语言模型时出现的‘接口锁定’现象,提出 ChronoReplay 方法。该方法通过将异质空间监督以时间顺序回放、保留原生目标并平衡不同类别的监督,在相同观测访问下同时提升了 OVO-S-Bench、OST-Bench 和 UCS-Bench 三项基准的性能,其中 OST-Bench 提升 13.41 分。

    推荐理由:提出 ChronoReplay 方法解决空间 VLM 的接口锁定问题,通过时序回放异构监督提升多基准性能。

  20. arXiv · 机器人与计算机视觉78

    基于截断 Lp 函数的鲁棒单参数点云配准方法

    本文提出一种名为 TLP 的新型点云配准方法,利用截断 Lp 函数为对应关系分配优先级分数以选择假设并优化模型。该方法仅需一个可调参数即可处理高离群率场景,并通过 GPU 并行化在数千个对应关系下实现亚秒级配准。公开基准数据集评估显示,TLP 精度优于现有单参数方法,且在三个数据集上超越两种常用多参数方法并保持具有竞争力的运行时间。

    推荐理由:提出仅需单参数调优的鲁棒点云配准方法,在公开基准数据集上精度优于现有单参数方法。