跳到正文
11月10日周二
  1. Google DeepMind73

    DeepMind 发布 Gemini Robotics 2.5 视觉语言动作模型

    DeepMind 发布视觉语言动作模型 Gemini Robotics 2.5,在 200 项任务评估中较基线成功率提升 30% 至 100%、完成任务快 20% 至 30%。Apptronik Apollo 2 在奔驰匈牙利与德国产线完成零件排序试点,成功率达 96%;同时发布的 ASIMOV-Jailbreak 基准测试中,Gemini 4 Argon 实现 99.5% 越狱抗性。

    推荐理由:Gemini Robotics 2.5 在 200 项任务中最高提速 30%、成功率最高提升 100%,并配合奔驰产线 96% 成功率的试点与 99.5% 越狱抗性基准。

  2. arXiv · ML33

    KITScenes Multimodal:面向自动驾驶的高保真欧洲多模态数据集

    发布欧洲多模态数据集 KITScenes Multimodal,配备超 400 米长程 lidar、4D 成像雷达及高精度 GNSS/INS 定位。 作为公开数据集首次将红绿灯等所有交通元素以重投影精度映射为 3D 拓扑连接数据。 该数据集旨在弥补现有数据在传感器保真度和地理多样性上的不足,并包含四个面向具身 AI 的空间学习基准测试。

  3. arXiv · AI28

    RoboWits:机器人创意问题解决的意外挑战基准

    RoboWits 发布了一款评估机器人认知推理和创意工具使用的双臂基准,包含 30 个种子任务和 200 个变异任务。 该基准测试了微调 VLAs 和基于 GPT-6 Astra 的零样本策略,发现前者在变异任务上性能显著下降,后者虽优但仍损失约 1/5 成功率。 结果表明更强的基础模型无法完全弥补鲁棒性差距。

  4. arXiv · AI23

    OASIS: 基于SE(3)轨迹预测的观测-动作空间对齐机器人操作

    OASIS提出了一种通过SE(3)末端执行器轨迹预测对齐观测与动作空间的视动策略。 该策略结合融合视觉语言与度量深度特征的3D感知特征编码器,以及生成相机坐标系末端执行器轨迹的SE(3)轨迹预测器,使动作解码器生成符合刚体运动的动作块。 在仿真和真实世界实验中,OASIS在成功率和分布外泛化方面优于VLA和WAM基线模型,并被NeurIPS 2026接收为Spotlight论文。

  5. arXiv · AI35

    MILD:一种具备双向感知与多层对齐机制的人车协同智能体系统

    MILD 系统通过升级人类角色为主动管理者,利用感知智能体与轻量策略智能体实现人车协同,在三个开放数据集上的人评策略适当性、舒适度及解释性上均优于基线模型。 该系统引入 ECPO 优化策略并整合检索增强生成模块,将交通规则、速度建议及驾驶员偏好动态融入决策循环,确保证据支持与结构完整性。 该研究被《交通研究通信》期刊接收,旨在解决部分驾驶自动化中人车双向认知错位导致的协调失败问题。

  6. arXiv · AI26

    Library of Hands (LoH):修复指令映射而非世界模型的方法

    LoH 提出一种无需训练的机器人世界模型校正方法,通过在指令旋转 90 度时保留冻结模型,仅修复从指令到动作的映射(“手”),在三个模拟任务中将成功率从 28.6% 提升至 62.3%。 方法通过冻结模型读取相机图像变化以识别并存储当前“手”,避免重学返回场景,在无明显变化时仅损失 0.6 个百分点成功率,且兼容多种预训练模型。

  7. arXiv · AI26

    面向语言驱动双臂操作的执行感知任务规划框架

    该零样本视觉语言框架将任务目标与物理可行性联合推理,使双臂人形机器人在执行前规划障碍物移动和操作选择。 在CENTAURO轮式-腿式混合人形机器人上的九个语言驱动操作场景中,该框架的比非执行感知基线模型更高的任务成功率证明了其优势;在专门设计的失败场景中,其分层验证器能以比总是重新规划更少的模型查询次数来从执行失败中恢复。

  8. arXiv · AI24

    Be My Eye:面向多机器人协作的任务驱动主动上下文共享框架

    该框架通过两阶段训练,将机器人观测编码为紧凑表示并集成至预训练VLA策略,实现任务导向的主动上下文共享。 第一阶段联合编码观测与指令,利用未来预测和软任务进度学习指导压缩;第二阶段支持双向上下文交换,通过动作监督联合优化表示与策略。 实验表明在受限通信预算下性能显著提升,并在真实双机器人任务中得到验证,推动视觉传输向主动共享转变。

  9. arXiv · AI53

    Embodied First Exam:面向编码智能体机器人控制的综合评测基准

    论文提出 Embodied First Exam,一个包含 1,156 个任务、涵盖 47 种机器人的统一评测框架,用于测试编码智能体在物理世界约束下的控制能力。在 456 个核心任务的标准设定中,最强的智能体 GPT-6 Astra in Codex 仅取得 34% 的成功率,表明现有编码智能体在可靠控制多样化机器人方面仍有巨大改进空间。

  10. arXiv · AI32

    GeoMind:面向机器人操作的空间理解基准测试

    GeoMind 是一个针对桌面机器人操作空间理解的系统性基准,包含54种任务变体,涵盖空间推理与空间记忆。 它通过可自动化生成任务实例的pipeline进行评测,揭示了现有具身智能体在追踪身份变化和将几何约束转化为可执行动作方面的能力不足。 该基准已开源,旨在弥补现有评测中视觉提示过强和场景静态的缺陷,提升对开放世界环境适应性的评估。

  11. arXiv · ML23

    Sigma-LeWM:利用 S-Information 学习世界模型以控制机器人

    Sigma-LeWM 通过在 LeWorldModel 中引入反向动力学预测器和逆动力学动作预测器两个潜在损失,进一步约束了潜在嵌入结构。这一改进在标准世界模型基准测试和两个模拟机器人操作任务中,提升了模型性能与规划效率。该增强型结构对于提升实时模型基控制方法在真实机器人上的适用性至关重要。

  12. arXiv · ML27

    LawKAN 提出群律层:在已知物理律任务中强制结构以补偿偏差

    LawKAN 通过嵌入非交换群律层并学习残差修正,解决已知规则下复合变换的误差累积问题。 在固定角度 SU(2) 任务中,54 参数模型比最强基线减少 27 倍参数量,精度距理论下界仅 0.05 度。 实际机器人手臂应用中,306 参数修正模型在 N≥60 时达到 1.12-1.14 mm 精度,优于高斯-牛顿法的 1.29-1.33 mm。

  13. arXiv · AI28

    基于盲点推理与 Agentic 对话的 VLM 选择性协同感知

    该研究提出基于 VLM 的 Agentic 框架,利用混合模型架构实现选择性协同感知,支持盲点推理与对话交互。框架结合常规目标检测、VLM 视觉语言推理及物理几何模块,并采用 CoT 提示增强可解释性。实验显示,其驾驶关键盲点检测准确率超 80%,对话驱动感知共享成功率超 90%。

  14. arXiv · ML22

    表格基础模型作为免训练世界模型的评估

    预训练表格基础模型(TabFM)在数据稀缺时预测精度高于从头训练的LSTM和MLP。 其预测表现高度依赖上下文长度,长上下文能显著改善自回归预测,但推理速度比LSTM慢三个数量级。 结论表明TabFM可作为数据匮乏时的预测工具,但尚无法替代经过训练的规划世界模型。