视觉与机器人
机器人、具身智能、机器人学习、操作、导航和具身世界模型。
利用AI驱动的智能手机应用和个性化音频引导改善盲人户外导航
专题命中 具身导航 ：navigation(title,abstract)
AI总结 本文提出Mobilio智能手机应用，结合机器学习、传感器融合和个性化音频反馈，实现逐向导航、路径引导和障碍物检测，实验表明其能显著提升盲人户外导航效率并减少环境接触。
TACO：用于连续神经映射的时间共识优化
机构 * School of Intelligence Science（智能科学学院） ； Department of Aerospace Engineering（航空航天工程系） ； Department of Mechanical Engineering and Technology（机械工程与技术系） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California Berkeley（加州大学伯克利分校） ； Nanjing University（南京大学）
专题命中 具身导航 ：navigation(abstract)；robotic(abstract)；分类 cs.RO；robotics(comments)
AI总结 提出TACO框架，通过将映射建模为时间共识优化问题，无需回放历史数据即可实现动态环境下的连续神经映射，平衡了内存效率与适应性。
Comments In: Robotics: Science and Systems (RSS 2026)
极端动态对称性实现全向多功能机器人
机构 * Department of Mechanical Engineering and Materials Science, Duke University（杜克大学机械工程与材料科学系） ； Department of Electrical and Computer Engineering, Duke University（杜克大学电气与计算机工程系） ； Department of Computer Science, Duke University（杜克大学计算机科学系）
专题命中 具身导航 ：robotics(abstract,comments)；分类 cs.RO、cs.AI
AI总结 本文提出动态对称性概念，通过动态各向同性度量，在超过1000种模拟形态中发现高动态对称性可提升轨迹跟踪、任务成功率、鲁棒性等性能，并开发了Argus球形机器人系列验证近极端动态各向同性带来的全向运动、自适应地形、快速自稳定和抗故障能力。
Comments Published in Science Robotics (2026). Our project website is at:https://generalroboticslab.com/Argus
Journal ref Science Robotics 11, eaec1725 (2026)
Fisher保持引导：用于安全扩散控制的免训练流形约束
机构 * Sun Yat-sen University, Guangzhou, China（中山大学，广州，中国） ； Insta360 Research, Shenzhen, China（Insta360研究院，深圳，中国）
专题命中 具身导航 ：navigation(abstract)；分类 cs.RO、cs.LG
AI总结 提出一种免训练的Fisher保持引导方法，通过低秩雅可比分解计算Fisher保持更新，并利用截断Fisher去噪敏感性作为不确定性信号，在视觉导航中实现可靠且高效的轨迹预测。
Comments ICML2026
MARTIAN：基于HiRISE轨道数据的火星空中影像渲染框架
机构 * Space Robotics Research Group, SnT, University of Luxembourg（卢森堡大学空间机器人研究组） ； Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
专题命中 具身导航 ：navigation(abstract)；分类 cs.CV
AI总结 提出一个基于Blender的开源渲染框架MARTIAN，利用真实HiRISE轨道地图数据合成火星地形在不同光照和高度下的逼真空中视图，并生成精确姿态标注，以解决火星视觉导航训练数据稀缺问题。
基于四元数的解耦推力轴姿态控制用于月船三号月球着陆任务
机构 * Controls and Digital Area, U R Rao Satellite Centre, Indian Space Research Organization (ISRO), Bangalore, India（控制与数字领域部，U R Rao卫星中心，印度空间研究组织（ISRO），班加罗尔，印度）
专题命中 具身导航 ：navigation(abstract)；分类 cs.RO
AI总结 针对月船三号着陆任务，提出一种基于四元数的解耦方法，实现推力轴独立控制，避免制导与控制之间的不良耦合。
Comments 6 pages, 7 figures, Published in Indian Control Conference 2025
MiraBench: 评估机器人世界模型中的动作条件可靠性
机构 * Institute for Artificial Intelligence, Peking University（人工智能研究院，北京大学）
专题命中 具身推理 ：world model(title,abstract)；robotic(title,abstract)；robot learning(abstract)；分类 cs.AI
AI总结 提出MiraBench基准，通过物理一致性、动作跟随保真度和乐观偏差检测三个层次评估机器人世界模型的动作条件可靠性，发现视觉保真度不能反映动作保真度、模型规模扩大不保证动作跟随改善、乐观偏差普遍存在。
纳米世界模型：未来视频预测的极简实现
机构 * DeepMind
专题命中 具身推理 ：world model(title,summary_cn)；分类 cs.AI、cs.CV、cs.LG
AI总结 提出Nano World Models，一个基于扩散强迫的极简代码库，用于未来视频预测，支持可控研究世界模型的设计选择，并通过实验分析预测参数化、架构规模等因素对视频预测质量的影响。
Comments Project page: https://simchowitzlabpublic.github.io/nano-world-model/
VRAG：面向交互式视频生成的世界模型学习
机构 * Peking University（北京大学） ； University of Oxford（牛津大学） ； Princeton University（普林斯顿大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI、cs.CV
AI总结 针对自回归视频生成中累积误差和记忆机制不足的问题，提出视频检索增强生成（VRAG）方法，通过显式全局状态条件降低长期累积误差并提升时空一致性。
Comments Published at NeurIPS 2025. Project page: https://sites.google.com/view/vrag
Causal-JEPA：通过对象级潜在掩码学习世界模型
机构 * Brown University, GalilAI（布朗大学，GalilAI） ； New York University（纽约大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI
AI总结 提出C-JEPA，一种通过对象级潜在掩码扩展联合嵌入预测的对象中心世界模型，在视觉问答和智能体控制任务中分别提升反事实推理20%和仅用1%潜在特征实现高效规划。
Comments Project Page: https://hazel-heejeong-nam.github.io/cjepa/ ICML 2026 Accepted
minWM: 用于实时交互式视频世界模型的全栈开源框架
机构 * ShengShu（盛书） ； THU（清华大学） ； RUC（中国人民大学） ； HKUST（香港科技大学） ； UT-Austin（德克萨斯大学奥斯汀分校）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.CV
AI总结 提出minWM全栈开源框架，通过因果强制/因果强制++流水线将双向视频扩散模型转化为可控制、低延迟的自回归世界模型，支持相机控制与多种骨干架构。
CompilerDream: 学习编译器世界模型以实现通用代码优化
机构 * School of Software, BNRist Tsinghua University Beijing China（软件学院、北师大清华大学北京中国） ； Tsinghua University（清华大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.LG
AI总结 提出基于模型的强化学习方法CompilerDream，通过编译器世界模型模拟优化pass属性并训练智能体，实现跨应用场景和语言的通用代码优化，在零样本泛化上超越LLVM内置优化。
Comments KDD 2025 camera-ready version with extended appendix. Code is available at https://github.com/thuml/CompilerDream. This update additionally fixes an issue in Table 6 where the dataset names in three rows were ordered incorrectly
思想即规划：通过强化规划进行思维链优化的潜在世界模型
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Columbia University（哥伦比亚大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI
AI总结 提出Thoughts-as-Planning框架，将思维链优化形式化为潜在语义空间中的序贯决策过程，通过潜在世界模型模拟推理链编辑对下游输出的影响，并利用梯度下降或强化学习进行规划，在语言理解和生成任务上优于现有基线。
SCOPE: 在可玩环境中模拟跨游戏操作以构建FPS世界模型
机构 * UCAS-Terminus AI Lab, University of Chinese Academy of Sciences（中国科学院大学Terminus AI实验室） ； Tencent（腾讯） ； National University of Singapore（新加坡国立大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； University of Waterloo（多伦多大学） ； Shanghai Jiaotong University（上海交通大学） ； Zhongguancun Institute of Artificial Intelligence（中关村人工智能研究院） ； State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机科学学院多媒体信息处理国家重点实验室）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.CV
AI总结 提出SCOPE方法，通过在每个Transformer块中插入条件模块，将特征重塑为逐像素时间序列，以分离FPS游戏中局部作用域（scope）内的操作效果与全局生成，并引入跨游戏数据集CrossFPS，实现零样本迁移。
Comments Project page: https://z2tong.github.io/SCOPE/. Code is available at https://github.com/z2tong/SCOPE
语言中的世界模型：审计视觉语言模型中的物理状态转换承诺
机构 * University of Oxford（牛津大学）
专题命中 具身推理 ：world model(title)
AI总结 提出WMW框架，通过要求VLM输出结构化轨迹（初始状态、状态转换、结果状态和答案）并利用混合验证器检查模式有效性、状态基础、转换一致性和答案-轨迹兼容性，揭示仅评估最终答案所隐藏的物理推理失败。
Comments 8 pages, 3 figures, 5 tables
基于交互式VR实验的心理旋转深度学习模型
机构 * Department of Computer Science, Aalto University, Espoo, Finland（奥卢大学计算机科学系，芬兰埃斯波） ； Department of Neuroscience and Biomedical Engineering, Aalto University, Espoo, Finland（奥卢大学神经科学与生物医学工程系，芬兰埃斯波）
专题命中 具身推理 ：world model(abstract)；分类 cs.LG
AI总结 提出一个由等变编码器、神经符号对象编码器和神经决策代理组成的深度学习模型，通过VR实验验证，准确模拟人类心理旋转的性能、响应时间和行为。
Comments Version accepted at ICML 2026
RoboWits：机器人创造性问题解决中的意外挑战
机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学）
专题命中 机器人基础模型 ：robotic(title,abstract)；manipulation(abstract)；分类 cs.RO、cs.AI
AI总结 本文提出RoboWits双臂机器人基准，通过多智能体协作的自动化任务生成流水线评估机器人在几何、材料和装配推理中的认知推理、创造性工具使用及鲁棒性，发现预训练VLA在突变任务中表现脆弱。
Comments The first two authors contributed equally
VLA-Pro：面向视觉-语言-动作模型的跨任务程序性记忆迁移
机构 * Institute of Trustworthy Embodied AI, Fudan University（复旦大学可信具身人工智能研究院） ； Shanghai Key Laboratory of Multimodal Embodied AI（上海多模态具身人工智能重点实验室） ； Shanghai Xinzhi Embodied Intelligence Technology Co., Ltd.（上海新智具身智能技术有限公司）
专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO、cs.AI、cs.CV
AI总结 提出VLA-Pro框架，通过存储和检索任务相关的LoRA适配器作为程序性记忆，实现跨任务泛化，在仿真和真实任务中成功率显著提升。
3DVLA：通过3D空间和实例理解增强视觉-语言-动作模型
机构 * Wangxuan Institute of Computer Technology, Peking University（北京大学王轩计算机技术研究所）
专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO、cs.CV
AI总结 提出3DVLA框架，通过多视角一致性3D特征编码、实例估计模块和掩码自监督3D编码，解决VLA模型缺乏3D场景理解的问题，在LIBERO-Plus和RoboTwin 2.0上显著提升操作性能。
双流扩散用于世界模型增强的视觉-语言-动作模型
机构 * Kim Jaechul Graduate School of AI, Korea Advanced Institute of Technology, Seoul, Republic of Korea（金 Jaechul 人工智能研究生院，韩国科学技术院，首尔，大韩民国）
专题命中 机器人基础模型 ：world model(abstract)；robotic(abstract)；分类 cs.RO、cs.CV
AI总结 提出DUST框架，通过双流扩散Transformer和异步采样方法，解决世界模型增强的视觉-语言-动作模型中的模态差距问题，在模拟和真实任务中取得显著性能提升。
Comments Accepted at ICML 2026. Project page at https://periphanes.github.io/dust (20 pages, 10 figures)
ElegantVLA：学习何时思考以实现高效的视觉-语言-动作模型
机构 * Tsinghua University（清华大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO
AI总结 提出ElegantVLA，一种即插即用的相位自适应推理框架，通过动态计算调度在视觉编码器、大语言模型和动作头之间分配计算资源，实现VLA模型加速，在GR00T和CogACT上分别获得最高2.55倍和3.77倍加速。
通过逆动力学学习缓解视觉-语言-动作模型中的状态混叠
机构 * KAIST（韩国科学技术院） ； Korea University（韩国大学）
专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.CV
AI总结 提出将逆动力学学习作为辅助目标，直接监督VLA视觉编码器，通过预测当前与未来观测之间的动作来捕捉细粒度视觉差异，从而缓解状态混叠问题。
VLA-ATTC：基于相对动作评判模型的VLA模型自适应测试时计算
机构 * University of Sydney（悉尼大学） ； Central South University（中央南大学） ； University of Science and Technology of China（中国科学技术大学） ； Sensetime Research（商汤科技研究院） ； Hong Kong University of Science and Technology（香港理工大学）
专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO
AI总结 提出VLA-ATTC框架，通过不确定性驱动的“认知离合器”和相对动作评判模型（RAC）实现自适应测试时计算，在LIBERO-LONG基准上将SOTA模型PI0.5的失败率降低50%以上。
Sentinel-VLA：一种具有主动状态监控的元认知VLA模型，用于动态推理和错误恢复
机构 * University of Sydney（悉尼大学） ； Central South University（中央南大学） ； University of New South Wales（新南威尔士大学） ； Sensetime Research（商汤科技研究院）
专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO
AI总结 提出Sentinel-VLA模型，通过主动哨兵模块监控执行状态，仅在必要时触发动态推理或错误恢复，结合自进化持续学习算法和正交持续适配器，在44个任务上提升成功率30%以上。
机器人何时应该思考？基于强化学习的资源感知推理在具身机器人决策中的应用
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Northeastern University（东北大学） ； Harvard University（哈佛大学） ； Cornell University（康奈尔大学） ； MIT（麻省理工学院） ； Fujitsu Research of America（美国富士通研究） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； University of Georgia（佐治亚大学） ； Florida International University（佛罗里达国际大学） ； EmbodyX Inc（EmbodyX公司） ； Cisco Systems（思科系统）
专题命中 模仿学习与强化学习 ：robotic(title,abstract)；embodied agent(abstract)；分类 cs.RO、cs.AI、cs.LG
AI总结 提出RARRL框架，通过强化学习学习高层编排策略，使具身代理能自适应决定是否调用LLM推理、选择推理角色及分配计算预算，以平衡推理开销与任务成功率。
基于流锚定噪声条件Q学习的离线强化学习：高效且表达力强的方法
机构 * The University of Texas at Austin, Austin, TX, USA（德克萨斯大学奥斯汀分校） ； Independent Researcher, Seoul, South Korea（首尔独立研究者）
专题命中 模仿学习与强化学习 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO、cs.LG
AI总结 提出FAN算法，通过单次流策略迭代和单高斯噪声样本实现高效离线强化学习，在保持高性能的同时显著降低计算成本。
Comments ICML 2026
基于可微信念的对手塑造
机构 * Department of Computer Science（计算机科学系）
专题命中 模仿学习与强化学习 ：manipulation(abstract)；分类 cs.AI、cs.LG
AI总结 提出D-BOS方法，通过可微的信念更新和梯度传播，在隐藏角色游戏中实现对手信念的塑造，从而自然涌现最优策略。
TrojanTO：针对轨迹优化模型的行动级后门攻击
机构 * Laboratory for Big Data and Decision, National University of Defense Technology（大数据与决策实验室，国防科技大学） ； Zhejiang University（浙江大学） ； Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区） ； National University of Singapore（新加坡国立大学）
专题命中 模仿学习与强化学习 ：manipulation(abstract)；分类 cs.LG
AI总结 提出TrojanTO，首个针对轨迹优化模型的行动级后门攻击方法，通过交替训练增强触发与目标动作关联，并利用轨迹过滤和批量投毒实现高隐蔽性，在低攻击预算下有效植入后门。
Comments 23 pages, 6 figures
Journal ref International Conference on Learning Representations (ICLR), 2026
STAMP：在可控且可扩展的虚拟环境中训练移动GUI代理的显式记忆
机构 * Tongyi AI Lab, Alibaba Group（通义实验室，阿里巴巴集团） ； Beijing Jiaotong University（北京交通大学）
专题命中 模仿学习与强化学习 ：navigation(abstract)；分类 cs.CV
AI总结 提出STAMP框架，通过可控虚拟环境注入确定性记忆变量，生成可验证监督数据并支持在线强化学习，解决移动GUI代理在长时任务中因上下文窗口限制和缺乏显式记忆导致的失败问题。
Comments 24 pages, 4figures, 21 tables
通过量子强化学习保护SIM辅助无线网络
机构 * Smart Green Transformation Center, VinUniversity（Vin大学智能绿色转型中心） ； Université Paris-Saclay - CNRS - CentraleSupélec - L2S（巴黎萨克雷大学 - CNRS - 中央超导实验室 - L2S） ； School of Electrical and Data Engineering, University of Technology Sydney（悉尼技术大学电气与数据工程学院） ； School of Computer Science and Statistics, Trinity College Dublin, The University of Dublin（都柏林大学三一学院计算机科学与统计学学院）
专题命中 模仿学习与强化学习 ：manipulation(abstract)；分类 cs.LG
AI总结 针对SIM辅助无线网络中高维优化和动态环境挑战，提出混合量子近端策略优化框架，联合优化功率分配和SIM相位，实现约15%保密率提升和30%收敛加速。
Comments Submitted to IEEE TCOM: 13 pages
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈