跳到正文
11月6日周五
  1. arXiv · AI28

    形状教师对齐:利用3D形状特征加速图像策略收敛

    该研究提出“形状教师对齐”机制,在训练时使用 Point-MAE 3D 特征指导图像策略编码器,部署时仅依赖图像输入。 在 LIBERO 基准上,该方法使预训练策略在 Object 和 Spatial 套件中的收敛速度分别加速 4.7 倍和 5.6 倍。 该机制通过向策略迁移几何结构,在无需部署深度输入的情况下提高了操作成功率。

  2. arXiv · AI29

    World-Model-Guided Human-Like Navigation: 将世界模型预训练用于多智能体场景导航

    该研究主张在训练时而非推理时使用世界模型,通过偏好蒸馏将预测能力融入快速策略。 具体采用离散视觉动作先验和两个任务对齐世界模型(社交动态和场景语义),通过组相对偏好蒸馏优化策略。 在部署阶段移除世界模型,策略通过单次前向传播实现更安全的导航和更类人的行为。

  3. arXiv · AI27

    生成后排序:面向具身智能体目标解释的符号学习方法

    一种两阶段“生成后排序”方法实现了具身智能体的目标解释,优于基础提示和思维链等基线模型。 方法使用 CORE 从模型自身生成的备选项中学习偏好;在家庭场景基准中测试了 DeepSeek-V3 chat、Qwen2.5-7B 和 Qwen2.5-72B 等开源 LLM。 论文被 ECC 2026 接收,涵盖人工智能、计算与语言及机器人领域。

11月5日周四
  1. HiDream智象元一38

    梅涛在2026世界顶尖科学家论坛提出智能体化全模态世界模型

    智象元一CEO梅涛在论坛上提出构建智能体化的全模态世界模型,以跨越数字智能与物理智能鸿沟。 该模型由LLM决策大脑、Omni-Model模拟器及Embodied Context执行层协同,实现同一Token空间内思维与物理世界的统一。 这一架构旨在解决物理AI数据匮乏问题,通过合成高精度动作视频为具身智能提供数据供给,代表AI演进的全新方向。

  2. arXiv · AI34

    InDex:通过意图条件微调将 VLA 模型适配到灵巧操作

    InDex 框架通过引入显式的抓取意图条件,解决了预训练 VLA 模型从并行夹爪接口到灵巧手操作的适应性瓶颈。 在四个模拟任务中,InDex 配合 $\pi_{0.5}$ 使平均任务成功率达到 85.8%,比原生策略提升 35.5 个百分点;在真实世界策略中,平均成功率从 71.0% 提升至 83.0%。 研究识别出手臂与手的协同控制是应用灵巧操作时的关键可操作瓶颈。

  3. arXiv · AI28

    STRIDE: 面向多场景的人机轨迹生成自动化评估框架

    论文提出 STRIDE 框架,用于自动化评估文本与行人轨迹在复杂语境下的一致性,无需依赖昂贵且难以扩展的真实人类轨迹数据。 STRIDE-Bench 包含 1000 个场景、6000 个行为问题及 11000 个基于 30 张真实地图的校准测量,人机一致性达 80%。 该框架揭示了现有文本到轨迹模型在细粒度语境条件下的局限性,为行人轨迹生成提供了原则性评估路径。

  4. arXiv · AI44

    HALO 机器人系统:通过模拟生成视觉-语言-动作数据,实现在真实环境中的零样本迁移

    HALO 是一个通过流水线在 1000 个程序化生成住宅中合成视觉-语言-动作数据的人形机器人自主系统。 该系统获取了坐椅子、通过半开大门、爬桌下和推箱子等物理技能,并能在未经真实住宅训练的条件下,零样本迁移到物理世界,在 6 个未建图的真实环境中 360 次测试中达到 91% 的成功率。

  5. arXiv · AI29

    ```json

    { "title_zh": "灵巧机器人手全面堆栈调查:从硬件、数据到基础模型评估", "summary_zh": "arXiv发布了一篇45页的灵巧机器人手全面堆栈调查,其涵盖面从硬件、数据收集、跨实体迁移到学习基础模型与评估应用五大互依层级。

  6. arXiv · AI33

    CoSafe:面向混合交通的协作运行时安全保证框架

    CoSafe 提出模块化协作运行时安全保证框架,利用 V2X 通信在场景层面共同缓解多车交互隐患,突破传统以自我为中心的接管局限。 集成七种先进自动驾驶系统后,CoSafe 在 InterDrive 基准上平均提升驾驶得分 70.03%,降低安全违规 87.80%,并以 0.930 的 F3 分准确识别不安全车辆,满足实时性要求。

  7. arXiv · AI33

    RACE:无 rollout 机器人策略检查点选择的校准累积评分

    论文提出无 rollout 指标 RACE,利用固定保留成功轨迹对动作偏差进行状态条件校准,并通过累积评分聚合,以解决验证损失与部署性能不一致的问题。 在模拟和真实机器人上,RACE 在不同验证源和策略骨干上表现优于基线;扰动分析显示,相比基线,它能更有效地区分对任务成功率影响显著不同的偏差。

  8. arXiv · AI26

    MESA:面向机器人语言条件策略组合、语义与空间泛化的评估框架

    研究人员提出 MESA 评估框架及基于改进版 MimicGen 的 MESA-Gen 生成管线,并发布了双臂基准 BiMESA。 该框架通过五个测试套件隔离四种泛化轴,评估了包含扩散策略和预训练 VLAs 在内的七种基线方法。 最强模型在 MESA 与 BiMESA 中分别仅获 52% 和 49% 成绩,排名与 RoboArena 分数一致。

  9. arXiv · AI30

    Jev-AD:基于语言世界模型的安全语言引导自动驾驶

    Jev-AD 结合类型化决策模型 Jev 与语言世界模型,通过预判候选动作后果提升驾驶安全性。 模拟高速合流中,碰撞率从 26.0% 降至 2.4%;NGSIM 真实数据回放中,碰撞率从 48.2% 降至 2.8%,世界模型预判 93% 的危险动作。 该模型在 0.25 秒决策周期内,实现了 93% 的自由指令意图满足率。

11月4日周三
  1. 商汤科技SenseTime44

    大晓机器人联合南洋理工大学发布可交互世界模型 Mundo

    大晓机器人联合南洋理工大学S-Lab发布世界模型Mundo。该模型支持输入1至12张图像构建可探索三维空间,并将物体质量、摩擦等物理属性纳入场景程序。Mundo通过物理引擎计算运动碰撞,结合视频模型渲染,使场景能响应动作。此能力为机器人导航与操作训练提供环境支持,助力其进入商业场景。

  2. arXiv · ML26

    DynaFLIP:基于三模态动力学引导表征重构机器人感知

    DynaFLIP 提出动力学感知多模态预训练框架,通过图像-语言-3D 流三元组监督训练纯图像编码器,将运动理解前置至感知层。 该方法在共享超球面空间最小化三模态单纯形体积,结合余弦正则化与对比目标,表征在下游 VLA 策略中表现优于基线。 在多样仿真与真实场景中验证,分布外(out-of-distribution)场景性能提升达 +22.5%。

  3. arXiv · ML26

    DexCanvas:结合人类演示与机器人学习的手指灵巧操作

    DexCanvas 是一个混合数据集,包含 7000 小时的手指灵巧操作,具有每帧接触点和力。 该数据集由 70 小时的光学动作捕捉扩展而成,涵盖了 21 种操作类型,通过 RL 策略在物理仿真中测量接触力。 接触驱动的重定向可将演示传输至两个灵巧机器人手,首次公开的 111,857 条轨迹可在 Hugging Face 获取。

  4. arXiv · ML30

    GSBR: 面向在线强化学习的几何支持行为正则化

    GSBR(几何支持行为正则化)通过按动作与基础策略支持集的动态距离施加平滑惩罚,有效平衡在线强化学习中的样本效率与学习稳定性。 该方法允许支持集内的动作无惩罚,仅在价值估计低的外部区域逐渐增加约束,且只需访问基础策略样本即可实施。 在4个机器人基准的19项任务中,GSBR将平均成功率从基础策略的33%提升至95%,其归一化吞吐量比次优强化学习方法高约23%。

  5. arXiv · ML22

    CRONOS:面向机器人操作的非情节式强化学习基准

    CRONOS 提出用于视觉-语言-动作(VLA)模型非情节式场景重置强化学习微调的高保真物理模拟基准。 研究发现直接微调预训练策略会因物体配置和末端执行器位姿偏移而失败,但可通过针对性重置分配和纠正偏差加以缓解。 非情节式训练增强了长程操作能力,并提升了对未见物体配置和任务序列的泛化性。

  6. arXiv · ML28

    3D World Simulator:基于混合粒子体素动力学的多模态 3D 世界模拟框架

    3D World Simulator 框架通过混合粒子体素自编码器与动作条件潜在动力学模型,统一预测外观、几何和触觉观察。 该模型在统一 3D 表示支持下实现 50 Hz 的交互式长时域多模态预测,并可用于策略训练的数据生成。 该方法扩展至包含多样化物体和机器人配置的大规模数据集,支持模型基于规划,验证了混合粒子体素动力学在 3D 世界模拟中的基础潜力。

  7. arXiv · AI21

    DEED 框架:面向零售人形机器人的数据高效后训练与经验驱动学习

    DEED 框架在 Unitree G1-Edu 机器人和 GR00T N1.6 模型上完成超市补货任务,通过单一 GPU 实现了从实验室到真实环境的有效迁移。 该框架包含数据高效后训练管线、基于 RECAP 的经验驱动改进及潜在空间分析工具,显著降低了对大规模数据及架构的依赖。 研究指出,弥合实验室与门店差距核心在于系统整合,精细的数据设计与针对性的后训练可替代单纯架构优化。

  8. arXiv · AI24

    DuoBench 双臂操作基准框架发布

    DuoBench 是一个针对 FR3 Duo 平台的双臂操作策略可扩展基准框架,包含 11 项任务,涵盖模拟和部分真实环境。 采用分阶段评估方案,支持细粒度语义失败分析;现有模仿学习策略在双臂协调和仿真到实机迁移中仍面临挑战。 DuoBench 提供了可复现测试床,用于分析双臂策略学习中的失败模式。

  9. arXiv · AI37

    Flow Equivariant World Models:面向动态环境结构化记忆的世界模型框架

    该论文提出Flow Equivariant World Modeling框架,利用时间参数化对称性构建潜变量记忆,以稳定准确预测长时间跨度下的环境动态。 潜变量记忆随自身运动和外部物体推断运动进行等变变换,确保视野外区域信息对齐;该框架在2D和3D部分观测视频世界建模基准上优于当前最先进的扩散、记忆增强及循环世界模型。

  10. arXiv · AI35

    DreamX: 视频扩散模型作为通用潜在动作学习者

    DreamX 利用预训练视频扩散模型作为通用潜在动作学习者,在 LARY-Bench 基准测试中取得潜在动作模型的最先进性能。 该方法将视频帧压缩 300 倍(从 1,200 到 4 个 token),提取解耦视觉外观的潜在动作,支持跨形态的零样本动作迁移。 这种共享动作接口实现了任意到任意的视频迁移,并降低了基于视频扩散策略的计算成本。

  11. arXiv · AI21

    面向推理与行动的几何抽象:智能体策略需要观察每一步吗

    提出通过 3D 几何抽象将机器人常规空间推理从图像转移至文本和符号,以提升多步操作完成率。 接口利用校准 RGB-D 生成带类型和证据的符号引用,并在动作后返回紧凑文本检查点,减少了重复多模态查询。 研究结果被 CoRL 2026 会议接受,证实了显式几何状态是机器人智能体策略的有效基础。