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。
SKIP: 用于高效具身世界模型的稀疏关键帧插值范式
机构 * UCAS（中国科学院自动化研究所） ； CASIA（中国科学院自动化研究所） ； NJU（南京大学） ； GigaAI ； THU（清华大学） ； FiveAges
专题命中 具身推理 ：world model(title,abstract)；robotics(abstract)；manipulation(abstract)；分类 cs.RO、cs.CV
AI总结 提出稀疏关键帧插值范式(SKIP)，通过识别任务相关关键帧并仅生成这些帧，再基于机器人动作插值缺失帧，实现高效视频生成，在LIBERO上速度提升4.16倍，FVD降低89%，且生成视频作为训练数据时策略性能下降极小。
Comments 25 pages, 10 figures
迈向交互式视频世界建模：前沿、挑战、基准与未来趋势
机构 * Department of Engineering, University of Cambridge, U.K.（剑桥大学工程系） ； Peking University（北京大学） ； University of Twente（埃因霍温理工大学） ； Mechanical Systems Control Laboratory, University of California, Berkeley, USA（加州大学伯克利分校机械系统控制实验室） ； ETH Zurich（苏黎世联邦理工学院） ； Microsoft（微软公司） ； University of Oxford（牛津大学）
专题命中 具身推理 ：world model(title,abstract)；robotics(abstract)；embodied AI(abstract)；分类 cs.CV
AI总结 本文系统综述了交互式世界建模的研究趋势、技术挑战、评估基准，并提出了未来方向，重点在于动作条件可控性、长程交互与记忆以及实时响应性。
Comments Under review. The GitHub repository is publicly available at: https://github.com/liujiuming123/Awesome-Interactive-World-Model
面向刚性物体的学习动作条件与对象中心高斯溅射世界模型
机构 * Intelligent Perception in Technical Systems Group（技术系统智能感知组）
专题命中 具身推理 ：world model(title,abstract)；manipulation(abstract)；分类 cs.RO、cs.CV、cs.LG
AI总结 提出MRO-GWM模型，通过对象中心高斯表示和时空变换器架构，学习刚性物体在3D中的动作条件动力学，支持多物体场景和部分观测下的未来运动预测。
学习并行代码的推理世界模型
专题命中 具身推理 ：world model(title,summary_cn)
AI总结 提出Parallel-Code World Models (PCWMs)，通过推理LLM直接预测并行代码的工具输出，以解决并行代码训练数据稀缺问题，在数据竞争预测和性能分析任务上取得显著提升。
何时想象以及想象多少：基于世界模型的自适应测试时缩放用于视觉空间推理
机构 * University of North Carolina, Chapel Hill（北卡罗来纳大学教堂山分校） ； Nanyang Technological University（南洋理工大学）
专题命中 具身推理 ：world model(title,abstract)；navigation(abstract)；分类 cs.AI、cs.CV
AI总结 本文提出自适应测试时框架AVIC/AVIC-R，通过世界模型选择性调用和缩放视觉想象，在空间推理中平衡准确性与效率，超越GPT-4o等基线。
Comments the first two authors are equally contributed. Project page: https://adaptive-visual-tts.github.io/
COMAP：面向LLM智能体的世界模型与智能体策略协同进化
机构 * Central South University（中南大学） ； College of Computer Science, Sichuan University（四川大学计算机学院） ； Department of Computing, The Hong Kong Polytechnic University（香港理工大学计算机系）
专题命中 具身推理 ：world model(title,abstract)；navigation(abstract)；分类 cs.AI
AI总结 提出COMAP框架，通过闭环交互协同进化文本世界模型和智能体策略，在具身任务规划、网页导航和工具使用基准上显著提升性能。
世界模型：架构、方法论、推理范式与应用的全面综述
机构 * School of Computer and Cyber Sciences, Augusta University（奥古斯塔大学计算机与网络科学学院） ； School of Computing, University of Georgia（佐治亚大学计算机学院） ； Department of Biomedical Engineering, New Jersey Institute of Technology（新泽西理工学院生物医学工程系） ； Department of Radiology, Massachusetts General Hospital, Harvard Medical School（麻省总医院放射科，哈佛医学院） ； Department of Computer Science and Engineering, University of Texas at Arlington（德克萨斯大学阿灵顿分校计算机科学与工程系） ； Department of Graduate Psychology, James Madison University（詹姆斯麦迪逊大学研究生心理学系） ； Computer Science and Engineering, Lehigh University（莱斯大学计算机科学与工程系） ； School of Biomedical Engineering, The University of Sydney（悉尼大学生物医学工程学院） ； Tandon School of Engineering, New York University（纽约大学泰坦工程学院） ； Department of Radiation Oncology, City of Hope National Medical Center（城市希望国家医学中心放射肿瘤科） ； Department of Mayo Clinic Comprehensive Cancer Center, Mayo Clinics（梅奥诊所综合癌症中心，梅奥诊所） ； Savannah River Ecology Laboratory (SREL), University of Georgia（萨凡纳河生态实验室（SREL），佐治亚大学）
专题命中 具身推理 ：world model(title,abstract)；robotics(abstract)；分类 cs.LG
AI总结 本文提出一个多轴分类法，从架构、方法论、推理策略和应用领域四个维度系统综述世界模型，涵盖从早期认知科学基础到PlaNet、Dreamer系列、MuZero、Sora等里程碑系统，并指出未来方向。
WorldLens：真实世界中驾驶世界模型的全光谱评估
机构 * WorldBench Team（WorldBench团队） ； Equal Contributions Project Lead（同等贡献项目负责人） ； Project Lead（项目负责人） ； Corresponding Author（通讯作者）
专题命中 具身推理 ：world model(title,abstract)；embodied AI(abstract)；分类 cs.CV
AI总结 提出WorldLens基准，从生成、重建、动作跟随、下游任务和人类偏好五个方面评估生成世界模型在视觉真实性、几何一致性、物理合理性和功能可靠性上的表现，并构建WorldLens-26K数据集和WorldLens-Agent评估模型以实现可扩展的可解释评分。
Comments CVPR 2026 Oral Presentation; 80 pages, 37 figures, 29 tables; Project Page at https://worldbench.github.io/worldlens GitHub at https://github.com/worldbench/WorldLens
语言智能体的策略与世界模型协同训练
机构 * Southern University of Science and Technology（南方科技大学） ； Hong Kong University of Science and Technology（香港科学大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科学大学（广州）） ； Hong Kong Polytechnic University（香港理工大学） ； LIGHTSPEED
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI、cs.LG
AI总结 提出PaW框架，通过在强化学习过程中添加辅助世界模型监督，无需改变推理范式，提升语言智能体在多个任务上的性能。
Comments 9 pages, 6 figures
从零到英雄：世界模型中的免训练自定义概念生成
机构 * Virginia Tech（弗吉尼亚理工学院）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.CV
AI总结 提出SPAWN方法，利用图像到视频骨干网络的结构特性，通过交换参考帧锚点与外部概念潜变量，实现无需训练即可在世界模型中生成用户指定的视觉概念。
几何感知隐式记忆用于视频世界模型
机构 * School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； Kling Team, Kuaishou Technology（快手技术 Kling 团队） ； Tsinghua University（清华大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.CV
AI总结 提出GIM-World框架，通过轻量级Transformer编码器将可变长度历史压缩为固定大小的记忆令牌，并利用相机可查询的几何头在训练期间从冻结的基础模型中蒸馏3D场景结构，从而在长时程视频生成中保持几何和视觉一致性。
Comments Project page: https://gim-world.github.io/
IMWM：直觉模型补充世界模型用于潜在规划
机构 * Beihang University（北航） ； Shenzhen University of Advanced Technology（深圳先进技术大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.LG
AI总结 针对基于潜在世界模型的规划中搜索瓶颈问题，提出IMWM框架，通过直觉模型与三个轻量组件协作，在四个像素级任务上显著提升成功率。
基于物理可控世界模型的物理对象理解
机构 * Stanford University（斯坦福大学） ； OpenAI（开放人工智能公司） ； Noetik Inc.（Noetik公司） ； Google（谷歌）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.CV
AI总结 提出一类概率世界模型，通过自回归序列建模高效训练，从视频中推断对象及其物理交互，实现对象发现、3D操控和物理关系计算。
Comments CVPR 2026 Highlight. Project page at: https://neuroailab.github.io/psi-website/blog.html
WorldCache: 通过异构令牌缓存免费加速世界模型
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.CV
AI总结 针对扩散世界模型中令牌异质性和非均匀时间动态导致的推理慢问题，提出基于曲率引导的异构令牌预测和混沌优先自适应跳过的缓存框架WorldCache，实现高达3.7倍加速并保持98%的推出质量。
Comments Accepted by ICML 2026
PEACE: 一种用于无人机的带约束执行的规划-执行智能体
机构 * Institute of Computer Science, University of Bern（伯尔尼大学计算机科学研究所） ； AI4I - The Italian Institute of Artificial Intelligence（意大利人工智能研究所）
专题命中 具身推理 ：robotics(abstract)；world model(abstract)；分类 cs.RO、cs.AI
AI总结 提出一种基于大语言模型的规划-执行智能体架构，通过解耦高层任务规划与低层控制，并引入约束执行层和有限重规划，实现无人机可解释、可约束的自主飞行。
Comments Accepted to ICRA 2026 Workshop on Semantics for Reliable Robot Autonomy: From Environment Understanding and Reasoning to Safe Interaction
AFUN：迈向用于功能理解的可供性基础模型
机构 * University of Michigan（密歇根大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； NVIDIA（英伟达）
专题命中 具身推理 ：manipulation(abstract)；分类 cs.RO、cs.CV
AI总结 提出AFUN模型，从单张RGB-D图像和语言任务描述中预测任务条件功能掩码和3D接触后运动曲线，通过大规模标准化数据流水线实现开放世界泛化，在多项基准测试中显著优于现有方法。
科学中的自我修正发现系统：面向主体人工智能的范畴论框架
机构 * Laboratory for Atomistic and Molecular Mechanics（原子分子力学实验室） ； Department of Biological Engineering（生物工程系） ； Massachusetts Institute of Technology（麻省理工学院） ； Department of Civil and Environmental Engineering（土木与环境工程系） ； Department of Mechanical Engineering（机械工程系） ； Center for Computational Science and Engineering（计算科学与工程中心） ； Schwarzman College of Computing（施瓦茨曼计算学院）
专题命中 具身推理 ：world model(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出一个基于范畴论的框架，通过左Kan扩展实现科学发现中的表征体制转换，并应用于材料科学中的蛋白质力学和纤维网络建模。
Softplus注意力与重加权提升大语言模型的长度外推能力
机构 * University of California, Berkeley（加州大学伯克利分校）
专题命中 具身推理 ：world model(abstract)；分类 cs.AI、cs.LG
AI总结 提出一种两阶段注意力机制，用Softplus和l1归一化替代Softmax，并引入基于不变熵的动态缩放因子和重加权机制，以提升数值稳定性、缓解注意力下沉现象，并显著改善长度外推性能。
Comments Accepted by ICML 2026
像鸽子一样主动探索：通过智能视觉语言模型强化空间推理
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 具身推理 ：navigation(abstract)；分类 cs.CV
AI总结 提出一种受鸽子认知地图启发的智能视觉语言模型管道，通过动态认知地图和空间断言代码提供密集奖励信号，在MindCube基准上实现80.5%的总体准确率，在Rotation子集上相对提升53.2%。
Comments Accepted by ICML 2026
TERRA: 面向跨领域应用的任务嵌入推理与表示架构
机构 * Humanpath Labs Inc.（Humanpath实验室有限公司）
专题命中 具身推理 ：world model(abstract)；分类 cs.AI
AI总结 提出TERRA架构，通过形式化跨领域转移问题，利用松弛双模拟差异和Gromov-Wasserstein距离度量结构状态域间的同态性，推导出预测误差与决策遗憾的转移界，将广泛直觉转化为可检验理论。
OptiWorld: 物理约束下的视频世界生成最优控制
机构 * Purdue University（普渡大学） ； University of Oxford（牛津大学） ； SixteenMiles Labs（SixteenMiles 实验室）
专题命中 具身推理 ：world model(abstract)；分类 cs.CV
AI总结 提出OptiWorld框架，在推理时结合经典最优控制与视频生成，通过提取紧凑世界状态、规划最优轨迹并生成条件视频，实现符合物理约束的动态优化。
Comments Porject Page: https://yuyuanspace.com/OptiWorld/
Causal Forcing++：用于实时交互式视频生成的可扩展少步自回归扩散蒸馏
机构 * Tsinghua University（清华大学） ； ShengShu（盛数） ； Renmin University of China（中国人民大学）
专题命中 具身推理 ：world model(abstract)；分类 cs.CV
AI总结 提出Causal Forcing++框架，通过因果一致性蒸馏（causal CD）实现帧级1-2步自回归扩散蒸馏，在降低延迟和训练成本的同时提升视频生成质量。
编码智能体作为世界模拟器
机构 * Department of Mechanical & Aerospace Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校机械与航空航天工程系） ； School of Computer, Data, and Information Sciences, University of Wisconsin-Madison（威斯康星大学麦迪逊分校计算机、数据与信息科学学院）
专题命中 具身推理 ：world model(abstract)；分类 cs.AI
AI总结 提出一个通过可执行模拟代码构建基于物理的世界模型的智能体框架，协调规划、代码生成、视觉审查和物理分析智能体，迭代修正代码以满足物理约束，在物理准确性、指令忠实度和视觉质量上超越视频模型。
拦截未来：用于动态VLA操作的潜在空间预测世界模型
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
专题命中 机器人基础模型 ：manipulation(title,abstract)；world model(title,abstract)；分类 cs.RO
AI总结 提出AHEAD框架，通过潜在空间世界模型预测未来视觉特征，使冻结的VLA模型在动态场景中实现高成功率操作。
Comments 28 pages, 7 figures, 16 tables, Su
AttenA+: 纠正机器人基础模型中的动作不平等性
机构 * HKUST(GZ)（香港科技大学（广州）） ； HKU（香港大学） ； USTC（中国科学技术大学） ； IDEA Research（IDEA研究院） ； SUSTech（南方科技大学） ； X-Humaniod
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 针对机器人基础模型忽视动作物理重要性的问题，提出AttenA+框架，通过速度驱动的动作注意力重加权训练目标，提升复杂长程任务性能。
PaCo-VLA: 用于富接触视觉-语言-动作操控的被动屏蔽柔顺先验
机构 * Southwest Jiaotong University（西南交通大学） ； University of Leeds（莱斯特大学）
专题命中 机器人基础模型 ：manipulation(title,abstract)；分类 cs.RO、cs.AI
AI总结 提出PaCo-VLA框架，通过被动屏蔽将VLA模型输出转化为任务级柔顺建议，并利用能量罐和边界检查防止无效预测绕过底层接触物理，实现安全精确的富接触操控。
Comments Under review, code will be available soon
迈向精确意图对齐的VLA空中导航：基于专家引导的GRPO
机构 * Zhejiang University Differential Robotics（浙江大学差分机器人实验室）
专题命中 机器人基础模型 ：navigation(title,abstract)；分类 cs.RO
AI总结 提出EG-GRPO框架，通过专家数据增强在线rollout和异构并行流水线，解决VLA模型在无人机导航中因数据稀缺和探索低效导致的意图对齐问题，成功率提升至SFT基线的2.13倍，意图对齐性能提升60.9%。
LEGS: 在具身高斯泼溅世界中免遥操作微调VLA用于人形机器人全身操控
机构 * Stanford University（斯坦福大学）
专题命中 机器人基础模型 ：manipulation(title,abstract)；分类 cs.RO
AI总结 提出LEGS混合模拟器，通过程序化运动基元生成器和两阶段颜色校准，无需遥操作即可合成训练数据，使VLA策略在真实人形机器人操控任务中达到或超越遥操作训练效果。
Comments https://legsvla.github.io/
RynnVLA-002: 统一的视觉-语言-动作与世界模型
机构 * DAMO Academy, Alibaba Group（达摩院，阿里巴巴集团） ； Hupan Lab（虎扑实验室） ； Zhejiang University（浙江大学）
专题命中 机器人基础模型 ：world model(title,abstract)；分类 cs.RO
AI总结 提出统一视觉-语言-动作（VLA）与世界模型的框架RynnVLA-002，通过联合学习环境动态和动作规划，在仿真和真实机器人任务中显著提升成功率。
Qwen-VLA：统一跨任务、环境和机器人形态的视觉-语言-动作建模
机构 * Qwen Team（通义实验室）
专题命中 机器人基础模型 ：robotics(abstract)；manipulation(abstract)；navigation(abstract)；分类 cs.RO、cs.AI
AI总结 提出Qwen-VLA，一种基于DiT动作解码器的统一具身基础模型，通过大规模联合预训练和具身感知提示，将操作、导航和轨迹预测统一为动作-轨迹预测框架，实现跨任务、环境和机器人形态的泛化。
Comments 34 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