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 31 页

10月16日周五第 601–620 条
  1. arXiv · 机器人与计算机视觉78

    免训练的目标感知 3D 高斯语言图优化方法

    针对蒸馏后的视觉 - 语言特征在部署时难以可靠定位用户指定目标的问题,本文提出一种无需训练的优化方案。该方法利用文本提示分割器,将检测到的目标区域内的视觉嵌入与目标文本嵌入进行凸组合注入,并通过闭式解确定最优系数以避免覆盖外观线索或破坏通用查询性。

    推荐理由:该方法无需训练即可提升蒸馏语言地图对特定目标的定位能力,同时保持开放词汇查询性,并在机器人导航演示中验证了有效性。

  2. arXiv · 机器人与计算机视觉78

    AVALON:零样本室内导航与人类播撒的拓扑记忆

    论文介绍 AVALON 框架,解决服务机器人进入用户熟悉但机器人未见的未测绘建筑问题。系统通过人类播撒的分层空间记忆、节点验证的拓扑执行及任务触发的人机记忆协同更新实现导航。

    推荐理由:提出基于人类播撒分层空间记忆的拓扑导航框架,在无需现场建图条件下完成室内任务,实验显示比基线节省大量时间。

  3. arXiv · 机器人与计算机视觉78

    LICOA:面向移动空间增强现实的指令条件光学动作学习

    该研究提出 LICOA 框架,将投影光定义为具身动作,通过差速底盘与双自由度转向镜实现大范围移动与局部光束控制。作者构建了包含 150 个任务、7,500 个渲染集成的仿真语料库,并在真实环境中进行了 480 次闭环执行测试。

    推荐理由:构建了移动空间增强现实平台与指令条件光动作模型,在真实环境中验证了将投影光作为具身动作的可行性。

  4. arXiv · 机器人与计算机视觉78

    DLOSAC:基于 Delaunay 引导的局部优化的联合时空图像几何估计

    针对噪声匹配点下的可靠图像几何估计问题,现有 RANSAC 范式多为残差中心且分阶段处理,难以平衡分布优化与几何细化。本文提出 DLOSAC 框架,构建候选内点的 Delaunay 三角剖分以编码邻域拓扑,引入基于边的几何一致性度量及源自三角形面积和边属性的空间分布描述符,结合传统点级约束提升参数质量。该方法在涵盖三种几何估计任务的六个公开真实世界数据集上取得最先进性能。

    推荐理由:提出 DLOSAC 框架,通过 Delaunay 三角剖分联合优化几何一致性与空间分布,在六个公开数据集上实现最先进性能。

  5. arXiv · 机器人与计算机视觉78

    WSN 下行人轨迹预测的分层包络对抗域适应方法

    针对行人轨迹预测中社交耦合类型单一及域偏移处理不足的问题,本文提出了分层包络对抗域适应模型(HEADA-LTCTPM)。该方法构建了包络样本并将其扩展为图结构,同时集成了局部与全局的对抗域适应策略以动态适配不同场景下的耦合关系。

    推荐理由:提出分层包络对抗域适应方法,解决行人轨迹预测中的社交耦合单一与域偏移问题。

  6. arXiv · 机器人与计算机视觉78

    CtRoFlow:通过条件 3D 流匹配实现单目相机到机器人位姿估计

    该论文提出 RoPE-Flow 框架,利用 Keypoint-centered Feature Extractor、Graph-guided Condition Generator 及 Bone Length Loss 等方法,解决从单目图像恢复 3D 结构特征以估计机器人位姿的挑战。

    推荐理由:提出基于条件 3D 流匹配的端到端框架,解决单目相机到机器人位姿估计难题。

  7. arXiv · 机器人与计算机视觉78

    DeSpatial:空间智能体推理的难点在于 3D 本身

    该论文指出空间智能体在利用重建和分割工具时面临预测不一致和物体身份碎片化的瓶颈。作者提出 DeSpatial 框架,将空间理解明确分解为感知与推理两部分。其共享的 3D 感知工具包含联合分割深度共优化模块以消除单帧内的投影伪影,以及跨视角实例融合模块以整合多视角观测中的空间不连续片段。

    推荐理由:提出将空间理解分解为感知与推理的新框架,通过联合分割深度优化解决多视角实例融合难题。

  8. arXiv · 机器人与计算机视觉78

    Line-Augmented cuVSLAM:低纹理环境下的鲁棒视觉里程计

    arXiv 论文提出一种名为 Line-Augmented cuVSLAM 的 CUDA 加速视觉 SLAM 系统,通过引入线特征(Plücker 坐标参数化)来增强在缺乏点特征的仓库等低纹理环境中的定位能力。

    推荐理由:该工作提出线特征增强的 cuVSLAM,在低纹理仓库环境中将轨迹误差降低约 38.5%。

  9. arXiv · 机器人与计算机视觉82

    视觉语言动作模型中的神经几何现象学

    arXiv 发布了一篇关于视觉语言动作(VLA)模型的研究论文,作者通过受控扫描、自然 rollout 和线性探针等方法,建立了 VLA 模型中七个任务相关概念的几何分类体系。

    推荐理由:该文通过受控实验揭示了 VLA 模型中任务相关概念的几何形态,证实了关节限制等物理约束会塑造激活空间的形状。

  10. Hugging Face Daily Papers76

    Athanor:首个让智能体自主进行后训练的开放系统

    论文介绍 Athanor,这是一个在真实 GPU 上运行的开放智能体原生系统,旨在支持智能体的自主后训练研究(AutoPostTrain)。该系统赋予智能体完全的研究自主权,提供低摩擦工程工具、冻结评估服务、托管作业、去污染数据及持久化记录,且禁止使用外部教师模型。

    推荐理由:Athanor 系统在沙箱环境中让 Claude Opus 5.5 智能体自主完成基座模型的后训练,首次演示了前沿智能体重组已知方法即可达到官方指令微调版本的效果。

  11. Hugging Face Daily Papers83

    StopWatch:面向物体 - 目标导航的目标定位方法

    针对预训练视觉语言模型微调后的导航策略成功率低的问题,该研究诊断出核心瓶颈在于未能有效进行目标定位(goal grounding)。作者提出 StopWatch 方法显式地对导航目标进行定位,显著提升了任务成功率并在六个基准测试中达到最先进水平。

    推荐理由:该工作诊断出目标定位是导航策略失败的主因,通过显式 grounding 在六个基准上达到 SOTA 并修正了标注缺陷。

  12. 智东西 · 机器人82

    斯坦福和哥伦比亚大学发布机器人灵巧操作框架DexAgent

    斯坦福大学和哥伦比亚大学联合发布了基于自进化工具库的机器人灵巧操作框架DexAgent,由李飞飞、吴佳俊等参与研究。该框架能将单条人类第一视角视频转化为多样化的机器人训练数据,在仿真环境中重建物体物理交互并生成复合物理约束的运动轨迹。

    推荐理由:斯坦福与哥伦比亚大学联合发布DexAgent框架,利用AI Agent将人类视频转化为符合物理规律的训练数据,在11项真实任务中平均成功率达63.6%,是基线模型的3.5倍。

  13. 上海人工智能实验室 · 科研动态82

    上海 AI 实验室发布书生-S2 多模态大模型并破解三维 Ghys 猜想

    上海人工智能实验室访问学者许地生团队依托书生科学多模态大模型 S2,基于通专融合技术路径与人机协同模式,完成了困扰数学界三十余年的三维 Ghys 猜想证明。北京大学董彬教授、刘若川院士团队利用 SHEAF 框架对论文全部四个主定理完成形式化验证,证明已通过 Lean 检验。

    推荐理由:书生-S2 多模态大模型依托人机协同攻克三维 Ghys 猜想,形式化代码已公开,展示了国产模型在长程推理与科研级数学任务上的新能力。

  14. arXiv · 机器人与计算机视觉78

    Thinker-WM:一种用于具身智能的统一多模态世界模型

    Thinker-WM 是一种统一的多模态世界模型,通过共享中间层 Unified Dynamics Transformer 联合建模并生成 RGB、度量深度和机器人动作。

    推荐理由:Thinker-WM 提出统一多模态世界模型,在共享动力学表示下联合生成 RGB、深度与动作,并在 EWMBench 等基准中表现领先。

  15. arXiv · 机器人与计算机视觉82

    CoTL:面向 3D 场景表示的紧凑令牌学习

    论文提出了 CoTL 框架,旨在从非位姿的多视图图像中学习一组紧凑令牌以保留场景几何和外观信息。该编码器将输入图像压缩为每个视图的小规模潜在令牌集,并通过跨视图聚合形成视图一致的场景表示。

    推荐理由:提出 CoTL 框架,通过紧凑令牌学习实现无位姿多视图图像的 3D 高斯场景重建与生成。

  16. arXiv · 机器人与计算机视觉78

    RealityBench:基于仿真环境的 VLM 人类体力工作文档化能力评测基准

    RealityBench 是一个在 Blender 中构建的包含十一类物理工作环境(如屋顶太阳能安装、车辆维修)的评测基准,旨在评估视觉语言模型记录人类体力工作的能力。

    推荐理由:该研究在 Blender 中构建了十一类物理工作场景,对 26 个 VLM 模型进行文档化能力评测,揭示了其在读取测量值和判断空间关系上的短板。

  17. arXiv · 机器人与计算机视觉78

    多模态地面移动中的运动预测:神经符号引导下的快慢决策

    针对现有运动预测方法缺乏对现实世界法规与行为约束显式编码的问题,该研究提出了一种名为 TraCS 的神经符号框架。TraCS 利用代理代码生成管道连接自然语言交通法规描述与概率运动预测,并采用反应式数据流推理引擎动态更新合规景观。

    推荐理由:该工作提出神经符号框架 TraCS,在 Argoverse 2 基准上验证了将交通法规逻辑融入运动预测的有效性。

  18. arXiv · 机器人与计算机视觉80

    CASHEW:通过迭代轨迹聚合稳定多模态推理

    论文介绍 CASHEW 框架及变体 CASHEW-RL,旨在解决视觉语言模型在多步推理中表现不稳定的问题。该方法通过在推理时迭代聚合多个候选轨迹并引入视觉验证作为锚点来增强稳定性;CASHEW-RL 则通过组序列策略优化将聚合行为内化到单一模型中。实验显示,在 Qwen3-VL-4B 和 Qwen3-VL-8B 上分别实现了平均提升 4.1/5.3 个和 2.6/3.0 个百分点的准确率。

    推荐理由:针对多模态推理不稳定的问题,提出通过迭代聚合候选轨迹来稳定输出的方法,并在 Qwen3-VL 系列模型上验证了显著的性能提升。

  19. arXiv · 机器人与计算机视觉78

    Schrödinger's Navigator:面向零样本物体导航的未来集合想象方法

    该论文提出了 Schrödinger's Navigator,一种信念感知的零样本物体导航框架。该方法在推理时利用轨迹条件化的 3D 世界模型对多个潜在未来进行想象,维持场景实现的叠加态而非单一地图映射。

    推荐理由:提出信念感知的导航框架,利用轨迹条件化的 3D 世界模型想象多未来以解决遮挡场景下的零样本目标导航问题。