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 37 页

10月5日周一第 721–740 条
  1. arXiv · 机器人与计算机视觉84

    EyeRobot 2.0:无需腕部相机的主动注视精准操作框架

    本文介绍 EyeRobot 2.0 框架,通过旋转两个“眼睛”视点进行主动注视,将计算资源集中于任务相关特征,从而仅用单台双目相机实现精细的双手操作。研究在真实世界和仿真环境中收集了遥操作数据,并在超过 1000 次物理试验中验证:相比被动立体视觉方案,该框架在真实场景成功率提升 40%,当抓取物体遮挡腕部相机时表现更优,接近甚至超越依赖腕部相机的策略。

    推荐理由:提出利用主动注视策略,仅凭双目相机实现高精度双手操作,显著优于被动立体视觉方案。

  2. arXiv · 机器人与计算机视觉82

    ManifoldSplat:首个面向可动 3D 高斯头像的语言引导语义形状编辑框架

    ManifoldSplat 是首个端到端框架,支持对由单目视频重建的可动 3D 高斯 Splatting 头像进行语言引导的语义形状编辑。该方法通过在结构化 FLAME 流形内执行编辑而非直接优化非结构化高斯云,严格保留了身份特征与动画能力。

    推荐理由:该工作提出首个端到端框架,利用结构化流形约束实现语言引导的 3D 高斯头像语义编辑,在保持身份与动画一致性的同时提供细粒度局部控制。

  3. arXiv · 机器人与计算机视觉82

    XGenAct:基于跨任务生成的几何增强世界动作模型

    arXiv 论文发布 XGenAct 模型,该工作旨在解决现有世界动作模型在机器人操作中对空间理解不足的问题。作者提出将 RGB、深度、法线和功能分割统一表示为 RGB 视频,利用单一视频扩散 Transformer 进行跨模态时序预测,无需特定模态的独立头。

    推荐理由:该预印本提出通过确定性编码器将深度、法线和功能分割统一为 RGB 视频,利用单一扩散 Transformer 进行跨模态时序预测。

  4. arXiv · 机器人与计算机视觉82

    NAVA-WAM:基于视频的原始动作先验学习用于世界动作模型

    论文介绍 NAVA-WAM 方法,旨在解决世界动作模型依赖动作标注数据可扩展性受限的问题。该方法直接从仅含观测的视频中预训练动作策略,无需间接表示迁移或单独的动作潜变量模型。

    推荐理由:提出 NAVA-WAM,通过原生动作先验直接从观测视频预训练策略,无需动作标注即可实现机器人控制。

  5. arXiv · 机器人与计算机视觉78

    从可报告的空间事实到可用状态:多模态大语言模型的局限与改进

    论文指出多模态大语言模型虽能正确陈述空间事实,却未必能在后续推理中有效利用该状态。作者提出 SpaceConflict 基准(含 23,196 个输入),涵盖局部绑定、关系组合及变换下的状态判断等任务,揭示模型在驱动变换时存在可用性差距。

    推荐理由:提出 SpaceConflict 基准揭示多模态模型存在‘可见可述但不可用’的差距,并引入 OSS 方法提升状态利用能力。

  6. arXiv · 机器人与计算机视觉76

    Physical AI Smart Spaces:首个面向室内智能空间的规模化多相机 3D 感知基准

    Physical AI Smart Spaces 是首个同时提供大规模、多类别和多相机室内智能空间 3D 感知数据的基准。数据集包含超过 280 小时同步 1080p 视频,由近 1800 个摄像头在仓库、医院和零售场所等场景采集,并附带自动标注的多相机身份、2D/3D 边界框、相机标定及深度信息。

    推荐理由:该基准提供室内多相机同步数据与自动标注,并扩展 HOTA 指标至三维空间,支持仿真到现实的评估流程。

  7. arXiv · 机器人与计算机视觉83

    Spatial Memory Intelligence:赋予世界模型以理解驱动的长期记忆

    这篇论文提出了 Spatial Memory Intelligence (SMI),这是首个系统性地利用理解模型来管理长视频世界模型中空间记忆的框架。针对记忆序列增长和结构复杂化的挑战,SMI 引入了四个协同的原子操作:空间聚类、簇内稀疏化、动作感知检索以及可靠性感知过滤。实验表明该方法在多种基线、基准和世界模型骨干网络上均有效,显著提升了记忆稀疏度、生成稳定性和空间一致性。

    推荐理由:该框架首次将理解模型用于长视频世界模型的时空记忆管理,通过聚类与稀疏化操作提升生成稳定性。

  8. Hugging Face Daily Papers82

    CLIFT:面向 Web Agent 训练与测试时扩展的共形自验证

    论文介绍 CLIFT 方法,通过共形自验证解决强化学习中奖励稀疏及外部裁判成本高的问题。训练中利用 URL 条件证据一致性筛选信号并赋予信任权重,将自证分数融入每步奖励;测试时将认证库冻结用于共形轨迹选择,在无需调用外部裁判的情况下实现保守的多数投票决策。

    推荐理由:CLIFT 提出基于共形自验证的训练与测试时扩展方法,利用低成本自证信号替代昂贵的外部裁判,在 WebArena 等基准上实现开源模型的最优性能。

10月1日周四
  1. Hugging Face Daily Papers85

    LOCI:用于流式世界模型的线性空间记忆

    该论文提出 LOCI 架构,通过结合关键值缓存与受相机几何条件约束的循环线性注意力记忆,解决视频世界模型在长序列中保留细节与降低显存的需求。实验显示其在重访内容还原上优于主流基线,且在固定预算下能流式处理长视频。

    推荐理由:提出混合空间记忆架构,在保持视觉细节的同时降低显存占用并提升重访内容还原度。

9月30日周三
9月13日周日
  1. 上海人工智能实验室 · 科研动态75

    上海AI实验室升级发布书生·端砚科学发现平台,全面开放全栈服务

    在2026浦江创新论坛上,上海人工智能实验室升级发布书生·端砚科学发现平台并全面开放全栈服务。该平台接入最新推出的书生科学多模态大模型S2和书生物理世界模型W0,旨在推动AI科研从单任务执行走向可持续、可核验、可复现的完整过程。

    推荐理由:上海AI实验室升级发布书生·端砚平台,接入S2多模态大模型与W0物理世界模型,打通从假设提出到真实实验验证的闭环。

9月11日周五
  1. MIT CSAIL News65

    X-Hinges 软件发布:实现多轴运动的自感知 3D 打印物体

    MIT CSAIL 与天津大学联合开发 X-Hinges 设计软件,旨在将日常静止物品转化为具备自我意识的交互工具。该软件允许用户在自定义设计时自动嵌入两种不同材料:一种用于发送最强信号的传感器,另一种用于不产生干扰的导线状元素,从而解决传统同材打印导致的信号混淆问题。

    推荐理由:MIT CSAIL 与天津大学联合推出 X-Hinges 设计软件,支持在 3D 打印中自动嵌入双材料传感器以解决信号干扰问题。

  2. 上海人工智能实验室 · 科研动态80

    上海AI实验室发布『书生』物理世界模型W0

    上海人工智能实验室发布『书生』物理世界模型W0,旨在为大模型进入物理世界提供支撑。该模型原生融合视觉、力觉和触觉,采用双工协同架构实现输入输出并行处理,并通过异步异频设计让规划与实时行动解耦。

    推荐理由:上海AI实验室发布『书生』物理世界模型W0,原生融合力触视觉并采用双工协同与异步异频架构,在双臂湿实验任务中实现93.12%成功率与超低延迟。

9月10日周四
  1. Boston Dynamics · Blog68

    Boston Dynamics 发布 Spot 5.2:引入 Gemini 视觉、气体传感及自主部署新架构

    Boston Dynamics 发布 Spot 5.2,核心在于通过 Google Gemini 增强视觉智能与新增气体、振动等模态,并重构 Orbit 软件以支持跨系统自主工作流。

    推荐理由:Boston Dynamics 发布 Spot 5.2,通过 Gemini 增强视觉与气体传感能力,并重构 Orbit 架构以支持跨系统自主工作流。

9月9日周三
9月3日周四
  1. Google DeepMind65

    Google DeepMind 发布全球气象 AI 模型 WeatherNext 3

    Google DeepMind 发布旗舰级气象模型 WeatherNext 3,该模型直接学习实时卫星观测数据而非数值模式,实现每小时更新与最高 5 公里分辨率,降水预测精度较基线提升显著。系统已集成至 Search、Gemini、Maps 等产品,提供清洁能源变量预测及全球高分辨率气象图,支持研究人员通过 BigQuery 和 Earth Engine 查询数据。

    推荐理由:DeepMind 发布 WeatherNext 3,利用实时卫星数据实现每小时更新与 5 公里分辨率,显著提升降水预测精度并支持清洁能源变量。

9月1日周二
  1. World Labs · Research & Insights86

    World Labs 发布下一代世界模型 Atlas:原生支持 3D 空间智能与相机控制生成

    World Labs 发布下一代世界模型 Atlas,这是一个原生操作文本、图像、视频和 3D 数据的 Omni 多模态自回归扩散 Transformer。Atlas 具备相机控制生成(从单图或多图生成任意视角视频)、稀疏视图空间重建(从少量输入图像恢复 2D/3D 几何)以及时空仿真能力,可支持机器人 Real-to-Sim 工作流。

    推荐理由:World Labs 推出原生支持文本、图像、视频与 3D 的 Omni 模型 Atlas,具备相机控制生成、稀疏视图重建与时空仿真能力。

8月26日周三
  1. OpenCV Blog78

    3D-Object Perception Transformer (3PT):统一检测、分割与位姿估计的 RGB-only 多视图 Transformer

    OpenCV Live 播客介绍由 Intrinsic 和夏威夷大学作者提出的 3D-Object Perception Transformer(3PT),该架构将检测、分割和 6DoF 位姿估计统一为两个仅用 RGB 的多视图 Transformer。

    推荐理由:OpenCV Live 播客介绍 3PT 架构及其在 BOP 2025 竞赛中的表现,并分享从基准测试到工业部署的工程经验。

7月30日周四
  1. Google DeepMind87

    Gemini Robotics ER 2 发布:以视频理解、任务编排和多机协作赋能具身智能

    Google DeepMind 正式发布 Gemini Robotics ER 2,作为新一代具身推理模型,它支持通过连续视频流进行进度分类与时刻定位(精度达 91.3%),实现毫秒级低延迟的任务编排。该模型原生支持多机器人协作、工具调用及实时空间感知,已在仿真环境及波士顿动力 Spot 等真实硬件上完成演示验证,现通过 Gemini API 和 Google AI Studio 向开发者开放。

    推荐理由:DeepMind 发布 Gemini Robotics ER 2,通过视频理解与任务编排提升机器人自主性,并开放 API 接口。

7月28日周二
  1. Google DeepMind82

    Gemini Robotics 2 发布:赋予机器人全身体智能与多机协作能力

    Google DeepMind 正式发布 Gemini Robotics 2,旨在为下一代自适应机器人提供核心智能层。该系列包含三个模型:最先进的全身体视觉语言动作模型(VLA)支持从脚部到指尖的复杂操作;具身推理模型(ER)负责多步任务规划与人类交互;端侧优化模型(On-Device)可在数小时内适配全新机器人本体。

    推荐理由:DeepMind 推出 Gemini Robotics 2,提供全身体控制、灵巧操作及多机协作能力,并开放 On-Device 端侧适配与 ASIMOV-Agentic 安全基准。