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 3 页

11月17日周二第 41–60 条
  1. arXiv · 机器人与计算机视觉78

    考虑载荷不确定性的编队跟随航迹横向控制:串稳定性与自适应前馈

    论文针对无车道线场景(如雪地道路)下的车辆编队行驶问题,提出了一种基于弧长参数化的航迹参考控制框架。研究指出若仅跟随前车会导致误差累积,而结合领航车与前车的航迹可保持误差有界。此外,文章分析了乘客与货物载荷及轮胎刚度变化对曲率前馈系数的影响,并设计了自适应律以在线估计该系数、消除弯道稳态偏移。仿真验证了十一辆车辆编队的控制效果。

    推荐理由:该文提出了一种基于航迹参考的编队横向控制方法,通过自适应前馈补偿载荷不确定性带来的稳态偏差,确保任意长度编队的误差有界。

  2. arXiv · 机器人与计算机视觉82

    Spectral Steering:冻结扩散生成器的局部逆向几何

    针对冻结扩散生成器需改变部分输出属性同时保持其他属性的需求,本文研究了条件引导的忠实性并引入局部逆修正以改善方向。该方法结合请求特定的余弦增益预测器与阻尼逆修正及固定时间重线性化,适用于有限编辑场景。

    推荐理由:该文提出光谱引导方法,结合局部逆修正与固定时间重线性化,在图像修复等任务中显著优于 Adam 优化器。

  3. arXiv · 机器人与计算机视觉78

    用单子表示微分包含:一种用于组合式控制器合成的框架

    该论文针对混合与非光滑机器人系统的控制器安全认证问题,构建了基于 Filippov 正则微分包含的轨迹单子框架。其核心贡献是将控制屏障函数(CBF)认证转化为子单子结构,证明联合安全性仅需满足一个代数条件,解释了为何平滑交集支持安全合成而分阶段强制则不然。

    推荐理由:提出轨迹单子框架将混合系统控制器合成简化为代数条件,并推导失效率模型与验证结果。

  4. arXiv · 机器人与计算机视觉82

    LogT:利用图像进行逻辑思考以支持视觉搜索

    论文提出 LogT(Logically Think with Images),一种全自动 SFT 数据生成引擎,旨在解决视觉语言模型在使用外部工具进行细粒度视觉搜索时的逻辑推理挑战。

    推荐理由:提出 LogT 全自动 SFT 数据引擎,通过逻辑链引导推理,在更少数据和算力下实现超越现有 RL 方法的性能。

  5. arXiv · 机器人与计算机视觉78

    基于精确局部窗口的可靠条件哈密顿 - 雅可比可达性:子解学习方法

    论文针对传统哈密顿 - 雅可比(HJ)可达性需重求解的缺陷,提出一种条件化可达性模型。该方法通过限制障碍物影响范围使值函数具有局部性,仅需读取机体坐标系下的局部窗口即可训练并迁移至任意规模场景。

    推荐理由:提出条件哈密顿 - 雅可比可达性方法,通过子解学习确保误差保守侧,实现毫秒级场景准备与极低碰撞率。

  6. arXiv · 机器人与计算机视觉78

    SADL:表征坍塌的需求 - 供给几何学分析

    针对联合嵌入预测架构(JEPAs)中编码器表征坍塌的问题,论文提出 SADL(Supply And Demand Loss)。该方法通过约束编码器以匹配正则化器对差异的需求与编码器的供给能力,无需辅助网络或额外参数。在 LeWorldModel 和 INTACT 实验中,SADL 将随机种子下的坍塌率从 50% 降至 0%,有效秩提升显著,且在多个数据集上提升了分类准确率与控制稳定性。

    推荐理由:提出 SADL 方法解决 JEPAs 表征坍塌问题,在 LeWM 和 INTACT 实验中显著降低坍塌率并提升控制成功率。

  7. arXiv · 机器人与计算机视觉76

    Seen but Unsaid:定位并修复视觉语言模型中的跨图像比较问题

    论文指出视觉语言模型在跨图像匹配点或物体时常失败,即便答案隐含在隐藏状态中。研究在 Qwen3-VL、InternVL3.5 和 Gemma-3 等模型上验证了两种失效机制:一是携带比较信息的注意力头未将答案读出,二是语义对应存在于视觉 token 但未传递至输出层。

    推荐理由:研究发现跨图像比较失败源于特定注意力头未读出答案,通过重分布注意力或微调查询键投影即可修复。

  8. arXiv · 机器人与计算机视觉78

    VideoNexus:一种无需训练的长视频感知框架

    针对长视频理解中感知与推理上下文负担过重的问题,本文提出 VideoNexus 框架,将详细视频感知从证据驱动的规划与推理中解耦。该框架由规划器控制检查位置、分辨率及采样密度,感知子智能体在独立上下文中处理原生音视频并返回紧凑的时间锚定证据。

    推荐理由:该框架通过分离感知与规划,在降低推理上下文负担的同时提升了长视频理解准确率。

  9. arXiv · 机器人与计算机视觉82

    The Mask Is Not the Object:基于体积监督的 3D Gaussian 分割方法

    针对 3D Gaussian Splatting 现有分割方法依赖渲染视图导致被遮挡或低贡献 Gaussians 监督不足的问题,提出 VODA 插件式监督目标。

    推荐理由:提出 VODA 监督目标,利用局部深度结构直接监督被遮挡或贡献度低的 Gaussians,在 Removal-3D 基准上提升体积分割效果。

  10. arXiv · 机器人与计算机视觉78

    ALIVE:构建支持主动监控与反馈交互的流式视频模型

    论文介绍 ALIVE,一个支持主动监控、流式任务协调和反馈寻求交互的交互式流式视频模型。研究构建了包含 28.8 万样本的监督微调数据集(ALIVE-SFT-288K)和 3000 样本的强化学习数据集(ALIVE-RL-3K),采用对比监督微调与行为对齐信用分配强化学习进行两阶段训练,并提出了 FSI-Bench 评测基准。

    推荐理由:提出 ALIVE 交互式流式视频模型,结合对比监督微调与行为对齐信用分配强化学习,在多项基准及新评测中表现领先。

  11. arXiv · 机器人与计算机视觉78

    RAGE:基于流场的图像编辑中的残差自适应门控方法

    针对现有无逆推、基于流场的图像编辑方法在非编辑区域出现意外漂移的问题,本文提出将源保真度控制为随机最优控制问题,并导出残差门控原理。该方法在采样步中仅需轻量级门控插值,无需掩码估计、注意力图或架构修改,直接应用于 FlowEdit 类编辑器。

    推荐理由:提出残差自适应门控原理,在无需重训或掩码估计下提升背景保持能力。

  12. arXiv · 机器人与计算机视觉83

    Polygraph:基于位姿图的大规模多会话轨迹优化方法

    论文提出了 Polygraph 系统,解决机器人和车辆多次穿越同一环境时的轨迹全局一致性问题。该方法在线处理会话,按关键帧和空间聚类逐步优化,不构建 3D 地图。

    推荐理由:Polygraph 提出在线多会话轨迹优化方案,无需构建 3D 地图即可实现跨设备、跨场景的位姿图融合。

  13. arXiv · 机器人与计算机视觉78

    GRAZE:基于人类注视的未见物体无文本抓取合成

    GRAZE 是一种从人类注视而非物体名称或部位名称中生成手 - 物抓取运动的方法。该方法通过几何感知注视编码将注视射线映射为物体几何线索,并利用交叉注意力条件化扩散 Transformer。

    推荐理由:GRAZE 方法利用人类注视生成未见物体的抓取动作,在无需微调的情况下实现了优于文本基线的抓取成功率与泛化能力。

  14. arXiv · 机器人与计算机视觉78

    MetricHand:面向度量世界空间的 4D 手部重建的几何感知流匹配方法

    论文提出了 MetricHand,这是一个针对度量世界空间中 4D 手部重建的几何感知流匹配框架。该方法将手 - 物体交互区域的深度先验编码到关节关联表示中,结合视觉特征引导粗粒度度量估计并条件化时间生成步骤。

    推荐理由:该工作提出几何感知的流匹配框架,在度量世界空间重建手部运动,显著降低相机与绝对空间的误差。

  15. arXiv · 机器人与计算机视觉78

    vividRGB:一种用于 RGB 照片的强制聚焦注意力检测工具

    Masahiro Ryo 发布了 Python 实现 vividRGB(版本 0.1.0),这是一种编码器无关的推理时程序,通过放大重叠局部裁剪、平均逆对齐反射并在源坐标重建特征场来增强视觉线索。

    推荐理由:作者开源了强制聚焦注意力工具 vividRGB,在高分辨率生态图像中比直接编码或 SAM3 更优地保留 RGB 边缘细节。

  16. arXiv · 机器人与计算机视觉78

    sqrtVINS-Based 360 Visual-Inertial SLAM Systems: Hilti-Trimble SLAM Challenge 2026 Entry

    该报告描述了团队提交给 2026 年 Hilti-Trimble SLAM 挑战赛的参赛作品,在 SLAM 类别中获得第二名。系统利用提供的双鱼眼图像流和 IMU 测量数据,采用 sqrtVINS 前端结合 SuperPoint、ELSED 线段及 LightGlue 进行局部里程估计,并通过 GTSAM 后端执行紧耦合因子图优化与全局束调整,旨在处理暗光区域、重复走廊及动态物体等室内场景。

    推荐理由:报告提交于 ICRA 2026 SLAM 挑战赛并获得亚军,展示了基于 sqrtVINS 与深度学习特征融合的 360 度视觉惯性里程系统。

  17. arXiv · 机器人与计算机视觉83

    平均数掩盖的真相:单目度量深度模型在日常场景仍失败,主要在尺度上

    针对现有零样本单目度量深度模型评估依赖跨数据集平均分数的做法,本文指出其无法反映严重错误比例、偏差方向及共性失效图像。作者提出基于单图结果的评估框架,包含失效率(度量δ1<0.5)、结构对齐指标、尺度偏差与绝对误差等,并对比 11 种架构在 7 个日常场景基准集上的表现。

    推荐理由:提出基于单图结果的深度模型评估框架,揭示日常场景中尺度误差仍是主要瓶颈。

  18. arXiv · 机器人与计算机视觉82

    VoxSAOR:一种基于偶然不确定性建模的语义感知占用鲁棒化框架

    论文针对视觉 3D 占用预测在遮挡和深度模糊下的可靠性问题,提出 VoxSAOR 框架。该方法量化局部语义一致性以获取结构稳定性先验,利用跨视角共识过滤不可靠对应关系,并通过类条件对角高斯分布建模特征位移与离散度。

    推荐理由:提出基于特征空间代理的语义占用鲁棒性框架,通过建模偶然不确定性提升长尾识别与预测校准。

  19. arXiv · 机器人与计算机视觉78

    LEDGE:分离文本到图像自修正中的批评者与编辑器故障

    论文提出 LEDGE 框架,旨在分离文本到图像(T2I)自修正系统中“错误诊断”与“指令执行”两个瓶颈。研究在固定生成图像和编辑器的条件下,利用标准指令评估发现编辑器存在显著执行缺口;同时通过标准标签监督训练提升了批评者的诊断准确率。实验证明该方法能提升不同模型版本及未见对象类别的修正效果,并验证了跨编辑器和独立评测基准的有效性。

    推荐理由:该框架将生成与编辑的失败解耦,通过引入标准指令独立评估诊断能力与执行能力,揭示了当前自修正系统的主要瓶颈在于编辑器的执行上限。

  20. arXiv · 机器人与计算机视觉78

    无需训练的车载数据匿名化:基于提示分割与 3D 人体网格恢复

    针对自动驾驶相机记录中的人脸和车牌隐私问题,该研究提出 FM-Anonymize 流程,结合 SAM 3 定位、SAM 3D Body 评估可见性及扩散模型合成替换。

    推荐理由:该工作提出无需训练的匿名化流程,在人脸与车牌保护率上优于现有方法,并支持合成替换以保留关键点精度。