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 22 页

10月27日周二第 421–440 条
  1. arXiv · 机器人与计算机视觉78

    BoundedGS:面向高分辨率训练的内存高效 3D 高斯泼溅技术

    该论文提出 BoundedGS 方法,旨在解决高分辨率 3D Gaussian Splatting 训练中显存占用过高的问题。通过分离光栅化与投影的反向传播、限制活跃局部工作集以及优化缓存释放策略,该方法在固定约 600 万高斯数量的条件下,将渲染工作集从 9.97GB 降低至 1.76GB(降幅 82.3%),并将训练时间从 36.7 分钟缩短至 33.9 分钟。

    推荐理由:提出 BoundedGS 方法,在固定高斯数量下将渲染工作集从约 10GB 降至 1.76GB,同时缩短训练时间并保留重建质量。

  2. arXiv · 机器人与计算机视觉82

    Fovea-JEPA:克服 V-JEPA 的几何盲区以进行相机运动识别

    论文提出 Fovea-JEPA 模型,旨在解决联合嵌入预测架构(如 V-JEPA)在相机运动识别任务中存在的几何线索缺失问题。研究指出 V-JEPA 依赖语义线索而忽视几何证据,导致在某些运动类别上表现下降;通过引入几何导向的 VGGT 预测器并基于其误差构建干预伪标签,该方法实现了视觉与几何特征的自适应融合。

    推荐理由:针对 V-JEPA 在几何线索上的盲区,提出 Fovea-JEPA 通过弱监督干预融合几何特征,在多基准测试中显著超越现有基线。

  3. arXiv · 机器人与计算机视觉78

    基于 RGB-D 的移动端机器人实时行人轨迹预测:TrajMamba 模型

    针对移动机器人在动态环境中导航的短时段行人轨迹预测任务,该研究提出 TrajMamba 模型以解决传统方法中训练数据理想化与推理端传感器噪声之间的分布差异。模型采用单一路径处理姿态提取、深度反投影及平滑过程,利用堆叠双向 Mamba 块编码髋部中心速度并配合 GRU 头解码未来速度。

    推荐理由:该工作提出轻量级双向状态空间模型解决训练部署分布差异,在移动机器人上实现实时行人轨迹预测。

  4. arXiv · 机器人与计算机视觉78

    Sybil-Resilient Multi-Drone Exploration of Indoor and Confined Spaces

    该研究针对多无人机协同探索室内受限空间时面临的 Sybil 攻击(恶意节点伪造身份干扰探索),提出五种无需额外安全基础设施的防御方案,仅依赖无人机自身的传感器与地图数据。实验在包含办公室、隧道及三层建筑等七类场景的 70 张地图上进行模拟测试,结果显示在超过 2350 次任务中,隔离机制能将受攻击团队的探索覆盖率恢复至未受攻击水平,仅在特定合谋或大规模团队场景下存在局限。

    推荐理由:论文提出无需额外安全设施的防御机制,通过传感器与地图审计抵御无人机群中的 Sybil 攻击。

  5. arXiv · 机器人与计算机视觉82

    一次扫描即够:无需演示的语言引导导航自适应方法

    针对语言引导导航在新环境中部署失败的问题,该方法利用单次 iPhone 扫描构建训练环境并合成可执行导航片段,通过解析重建场景的帕累托效用直接适配策略,无需人工标签或模仿学习。在五个真实环境中,RealNav 系统达到 85% 的成功率,显著优于依赖人工演示基线的 49%,且在未扫描区域也保持 82% 的性能。

    推荐理由:提出用单次手机扫描替代人工演示,通过解析重建场景实现免标签策略适配,在真实机器人上导航成功率提升至 85%。

  6. arXiv · 机器人与计算机视觉78

    RoboReason:通过可扩展数据生成增强机器人相关 VLM 的推理能力

    论文指出将视觉语言模型(VLM)集成到机器人操作流程中时,真实世界评估困难且难以扩展。作者提出利用真实机器人上的立体和腕部相机图像进行空间与时间排序任务来评估视觉推理能力,具体包括基于语言描述的帧重排、按距离的物体深度排序以及像素坐标下的左右排序。

    推荐理由:提出基于真实机器人立体与腕部相机数据的可扩展生成管线,通过时空排序任务提升 VLM 在下游机器人任务中的推理能力。

  7. arXiv · 机器人与计算机视觉78

    POD-RoPE:面向具身智能的物理观测分布旋转位置编码

    该论文提出 POD-RoPE,一种将 Token 观测足迹表示为相机中心、视角与采样时间分布的旋转位置编码方法。在独立采样下,期望旋转可编码分布间的相对关系;当分布坍缩为单点时退化为标准 RoPE。

    推荐理由:该工作提出 POD-RoPE,将观测表示为相机中心、视角与时间的分布统计,在 RoboTwin 2.0 仿真任务中将 Fast-WAM 成功率提升约 1%,并在 H20 基准上实现比 P-RoPE 快 1.91 倍的推理速度。

  8. arXiv · 机器人与计算机视觉78

    基于机器人轮胎 - 表面交互的地面摩擦评估

    该论文研究了如何利用轮式移动机器人的车载测量来表征室内地面的摩擦特性并改善定位精度。研究通过控制速度剖面诱导车轮打滑,利用惯性传感与里程计的速度差异、响应延迟及频域特征对五种不同地面进行分类。

    推荐理由:原文提出利用轮体速度失配特征评估地面摩擦,在五种表面测试中达到 97.1% 分类准确率。

  9. arXiv · 机器人与计算机视觉82

    FreeView:一种从非精选视图进行稳健三维重建的训练即免框架

    针对从包含无关或非重叠视图的非精选图像集中重建连贯三维场景的挑战,该研究提出了 FreeView 框架。该方法无需人工校准或干净参考图,而是利用集合级共识自动识别代表性参考视图,并结合视觉与几何证据自适应地剔除干扰视图。实验表明,FreeView 在 VGGT 和 pi^3 等模型中均能保持高清洁视图保留率和干扰项拒绝率,有效支持从非精选视图进行可靠的三维重建。

    推荐理由:该工作提出无需人工校准的框架,利用集合共识自动筛选参考视图并剔除干扰项,提升了从非 curated 图像集重建 3D 场景的鲁棒性。

  10. arXiv · 机器人与计算机视觉82

    MimicAll:面向跨人形机器人全身运动追踪的结构化本体条件化方法

    论文提出 MimicAll 强化学习框架,旨在解决共享策略在结构、形态和动力学各异的人形机器人间的通用问题。该方法将结构化本体描述编码为全局与关节对齐的条件,结合观测历史与身体匹配的运动参考来预测关节目标偏移。

    推荐理由:提出强化学习框架 MimicAll,通过结构化本体描述实现跨异构人形机器人的全身运动追踪。

  11. arXiv · 机器人与计算机视觉78

    Saga:一种用于多模态患者世界模型的体内本体论

    论文介绍 Saga,这是一个多模态患者世界模型,能够从患者历史中学习共享状态以预测临床事件并生成多模态图像。研究基于 12 种癌症类型、461,370 名患者及 112 个中心的数据。

    推荐理由:该工作提出 Saga 多模态患者世界模型,通过共享状态连接病史与未来事件,在癌症纵向预测任务中展现出优于基线的性能。

10月26日周一
  1. 量子位82

    岩山科技联合港科大、CMU开源EdgeRock-4B模型

    岩山科技旗下岩芯矩阵联合港科大、CMU等高校发布并开源了EdgeRock-4B模型,该模型基于Qwen3.5-4B改造,采用记忆岩锚(RMA)机制将每条序列的KV Cache固定在72 MiB,不随上下文长度增长。

    推荐理由:岩山科技联合港科大与CMU开源EdgeRock-4B,通过固定内存机制实现长推理显存不涨且吞吐提升6倍。

  2. arXiv · 机器人与计算机视觉78

    DisPOSE:基于投影多项式随机扩散的自监督多视角 3D 人体姿态估计

    论文介绍 DisPOSE 框架,通过可微 Sinkhorn 投影将离散的多人分配问题转化为生成式扩散过程,利用超图卷积解码器回归完整骨架。该方法在标准数据集及新提出的手术室高遮挡基准上优于现有自监督方法,仅需 10% 伪标签即可保留 99% 性能,且对相机布局不敏感。材料已接受于 ICML 2026,提供 arXiv 链接与代码入口。

    推荐理由:提出 DisPOSE 框架,将多视角人体姿态分配建模为扩散过程,在手术场景遮挡基准上表现优异且标签效率高。

  3. arXiv · 机器人与计算机视觉78

    STATIC:基于表面法线的双分支对齐与时序整合用于一致的视频深度估计

    论文提出了 STATIC 模型,旨在解决传统单目深度估计模型在视频序列中缺乏时序一致性的问题。该方法利用表面法线作为内在几何线索,生成深度衍生的几何感知差异掩码以识别帧间几何变化区域。

    推荐理由:该工作提出利用表面法线引导的双分支对齐与时间整合方法,在仅用相邻帧的情况下实现了视频深度估计的时序一致性。

  4. arXiv · 机器人与计算机视觉78

    Shared Is Not Enough:掩码潜在预测中的预测器宽度与因子可读性研究

    Nilotpal Kakati 提出掩码潜在预测方法(如 I-JEPA)的信息保留机制尚不明确,为此构建了已知所有图像因子的模拟器以测量训练后各因子的可读性。实验显示,在相同视图对下,I-JEPA 使用半宽度的预测器时因子可读性中位数仅为 SimCLR 的约 40%,而将预测器宽度扩展至与编码器一致则逆转了这一排序。作者开源了该模拟器及训练好的模型。

    推荐理由:作者构建了可测量因子可读性的模拟器,发现掩码潜在预测中预测器宽度对信息保留起关键作用。

  5. arXiv · 机器人与计算机视觉87

    Ψ-0.6:统一视觉语言世界模型中的自适应思维流

    论文介绍 Ψ-0.6,这是一个统一的视觉 - 语言世界模型,能够在共享的推理过程中自适应地组合感知、语言、几何和仿真模块。该模型通过“思维流”交错处理图像、文本以及显式的几何与运动表示,支持反事实模拟以判断物体移动是否阻碍路径等任务。

    推荐理由:该工作提出统一视觉语言世界模型,通过自适应思维流整合感知与几何推理,支持反事实模拟并提升多视角空间推理能力。

  6. arXiv · 机器人与计算机视觉82

    UniAction:用于世界模型的统一动作条件化框架

    UniAction 是一种统一的动作条件化框架,旨在解决现有世界模型因动作类型而异导致数据碎片化的问题。该框架将任意动作表示为稀疏的动作元素集合,每个元素具有离散语义身份和连续时空坐标,并直接映射到预训练视频模型的固有位置空间。

    推荐理由:UniAction 提出统一动作条件框架,将异构动作映射至共享时空结构并引入基数校准注意力,在四类动作形式上优于专用专家模型。

  7. arXiv · 机器人与计算机视觉84

    Flownomaly:基于单步条件均值恢复的少样本异常检测

    论文提出 Flownomaly 方法,将少样本工业异常检测建模为冻结 DINOv2 特征空间中的正态对应恢复任务。通过流匹配学习速度场,在直线路径上利用单次最优场评估即可得到干净正常 token 的后验均值,无需轨迹积分。

    推荐理由:该工作将少样本工业异常检测重构为冻结特征空间中的正态对应恢复,在单步流匹配下实现无需轨迹积分的后验均值计算。

  8. arXiv · 机器人与计算机视觉82

    LoCA:赋能地理空间编码器多模态能力

    论文证明现有地理编码器受限于内在维度导致对比损失无法达到最优,提出 LoCA 框架通过两阶段流程解决多模态对齐与高秩问题。第一阶段联合训练 Sentinel-1 和 Sentinel-2 编码器生成共对齐的高秩目标;第二阶段冻结图像编码器并训练位置与表格元数据编码器的投影适配器。在涵盖土地覆盖、野火预测及气候应用的十七项任务中,LoCA 胜出率最高且是唯一多数任务优于其他模型的架构。

    推荐理由:提出 LoCA 框架解决地理编码多模态对齐难题,在十七项任务中胜出率最高且唯一多数任务优于其他模型。

  9. arXiv · 机器人与计算机视觉82

    SemGeo-Gen:一种基于弱对齐3D物体集合的无监督近似跨实例语义几何对应关系生成方法

    该研究提出 SemGeo-Gen 方法,旨在从仅具粗略类别级旋转对齐的弱对齐 3D 物体集合中自动生成具有语义意义且几何一致的近似跨实例对应关系。该方法将多视图 DINOv2 特征提升至 3D,利用连续分段仿射配准对齐物体实例,并通过语义一致性剪枝候选匹配。

    推荐理由:该工作提出无监督生成近似跨实例语义几何对应关系的方法,利用弱对齐的3D物体集合替代昂贵的人工标注,为现代对应模型提供可扩展的训练监督信号。