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。
OSCAR: 面向机器人的全具身骨架条件世界动作模型
机构 * Peking University（北京大学） ； University of Michigan（密歇根大学） ； NVIDIA（英伟达）
专题命中 机器人数据与评测 ：robotics(title,abstract)；world model(title,abstract)；robot policy(abstract)；分类 cs.RO
AI总结 提出OSCAR，一种基于动作条件的视频世界模型，通过大规模数据管道和2D骨架渲染统一表示，实现跨机器人具身的泛化，并用于策略评估。
Comments Project page: https://wuzy2115.github.io/oscar-project-page/
Open-H-Embodiment: 一个大规模数据集，用于在医疗机器人中启用基础模型
机构 * Open-H-Embodiment Consortium ； University of California, Berkeley（加州大学伯克利分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Southern California（南加州大学） ； University of Cambridge（剑桥大学） ； University of Tokyo（东京大学） ； University of Tokyo, Graduate School of Information Science and Technology（东京大学信息科学与技术研究生院） ； University of Tokyo, Institute of Industrial Science（东京大学工业科学研究所）
专题命中 机器人数据与评测 ：robotics(title,abstract)；robot learning(abstract)；manipulation(abstract)；world model(abstract)
AI总结 本文提出Open-H-Embodiment数据集，通过两个基础模型展示了其在医疗机器人领域的应用，展示了大规模开放数据在推动机器人学习和世界建模方面的关键作用。
Comments Project website: https://open-h.github.io/open-h-embodiment/
面向真实3D声纳仿真
机构 * IEEE
专题命中 机器人数据与评测 ：robotics(abstract)；navigation(abstract)；分类 cs.RO
AI总结 本文提出一种模块化架构，结合GPU加速图形引擎与物理声学传播原理，在NVIDIA Isaac Sim中实现基于Water Linked 3D-15传感器的体积3D声纳模型，并通过硬件在环配置验证其有效性。
LadderMan: 学习人形机器人感知爬梯
机构 * Amazon FAR（亚马逊FAR） ； USC（美国南加州大学） ； UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； CMU（卡内基梅隆大学）
专题命中 机器人数据与评测 ：manipulation(abstract)；分类 cs.RO、cs.AI、cs.CV
AI总结 提出LadderMan系统，通过两阶段学习管道和视觉基础模型，使人形机器人能够鲁棒地攀爬多种梯子并在梯子上进行操控。
水下潜水器动力学模型的跟踪控制
专题命中 机器人数据与评测 ：robotics(abstract,abstract_cn)
AI总结 针对水下潜水器在SE(3)上的刚体动力学模型，提出一种基于能量的跟踪控制方法，通过新型误差函数使误差系统具有哈密顿结构，并证明渐近收敛性，在BlueROV2上仿真验证。
Flash-WAM：面向世界动作模型的模态感知蒸馏
机构 * Northeastern University（东北大学） ； University of Georgia（佐治亚大学） ； EmbodyX Inc.（EmbodyX公司）
专题命中 机器人数据与评测 ：manipulation(abstract)；分类 cs.RO、cs.CV、cs.LG
AI总结 针对世界动作模型联合生成视频和机器人动作时因多模态噪声分布不对称导致蒸馏失效的问题，提出模态感知步蒸馏框架Flash-WAM，通过为不同模态选择匹配噪声机制的参数化方法，实现单步推理并大幅加速。
HomeWorld：一个统一的从平面图到家具的框架，用于生成可控、密集交互的全屋场景
机构 * Ace Robotics（Ace机器人公司） ； CUHK MMLab（香港大学多模态实验室） ； Shenzhen Loop Area Institute（深圳河套学院）
专题命中 机器人数据与评测 ：embodied AI(abstract)；分类 cs.AI、cs.CV
AI总结 提出一个统一的分层框架，通过大规模真实平面图数据集训练大语言模型生成全屋平面图，结合图像生成模型和VLM优化器生成家具及小物体布局，并附加物理属性和纹理光照，实现可控、高真实感的全屋场景生成。
T-FunS3D：任务驱动的分层开放词汇3D功能分割
机构 * P4MARS Lab at the Faculty of Aerospace Engineering, Delft University of Technology（代尔夫特理工大学航空航天工程学院P4MARS实验室）
专题命中 机器人数据与评测 ：robotic(abstract)；分类 cs.RO、cs.CV
AI总结 提出T-FunS3D方法，通过构建开放词汇场景图并利用视觉语言模型，实现任务驱动的分层3D功能分割，在保持性能的同时提升速度和降低内存消耗。
个人AI代理用于相机胶卷VQA
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Korea University（韩国大学） ； Adobe Research（Adobe研究院）
专题命中 机器人数据与评测 ：navigation(abstract)；分类 cs.AI、cs.CV
AI总结 本文提出camroll数据集和camroll-agent代理，通过层次化记忆和工具集解决个人相机胶卷中的长程、高度个性化的视觉问答问题。
Comments Project page, code, and demo: https://thaoshibe.github.io/camroll
学习预测性视觉-运动协调
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Georgia Tech（佐治亚理工学院） ； Meta AI
专题命中 机器人数据与评测 ：robotics(abstract)；分类 cs.RO、cs.CV
AI总结 本文提出了一种基于预测的视觉-运动协调建模任务，通过结合第一人称视觉和运动学观测预测头部姿态、目光方向和上半身运动，展示了多模态整合在理解视觉-运动协调中的重要性。
Comments CVPR 2026 Findings
DragOn：基于拖拽的GUI交互基准与数据集
专题命中 机器人数据与评测 ：manipulation(abstract)；分类 cs.AI
AI总结 针对GUI代理在拖拽操作（如拖放、滑动、高亮）上的性能不足，提出DragOn基准和训练数据集，涵盖文本高亮、单元格选择、元素缩放和滑块操作四个领域，包含28.6万张训练截图和350万个训练任务，评估了多个模型并显示数据集能提升下游任务性能。
Journal ref Published as a workshop paper at SCALE - 43rd International Conference on Machine Learning, Seoul, South Korea. PMLR 306, 2026
CogManip: 在大语言模型多轮交互中操控行为的基准测试
机构 * School of Artificial Intelligence, Beihang University（北京航空航天大学人工智能学院） ； BrainCog AI Lab, CASIA（CASIA脑认知人工智能实验室） ； Gaoling School of AI, Renmin University of China（中国人民大学 Gallagher人工智能学院） ； Beijing-AISI（北京人工智能研究所） ； Beijing Key Laboratory of Safe AI and Superalignment（北京安全人工智能与超对齐重点实验室） ； School of Artificial Intelligence, UCAS（中国科学技术大学人工智能学院） ； Huawei Technologies Co., Ltd.（华为技术有限公司）
专题命中 机器人数据与评测 ：manipulation(abstract)；分类 cs.AI
AI总结 提出CogManip基准，通过1000个多轮交互场景评估15种操控策略风险，发现前沿模型存在显著风险异质性，并揭示提示工程防御的重要性。
UltraVR：面向证据推理的诊断性超分辨率图像VQA基准
机构 * University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所） ； BC Cancer Agency（不列颠哥伦比亚癌症中心） ； The Hong Kong Polytechnic University（香港理工大学）
专题命中 机器人数据与评测 ：navigation(abstract)；分类 cs.CV
AI总结 提出UltraVR基准，通过结构化思维链标注诊断视觉语言模型在超分辨率图像上的证据推理能力，发现模型在证据定位和局部感知环节错误集中。
Comments 10 pages, 1 figure
CityRAG: 通过空间感知的视频生成进入城市
机构 * Google（谷歌） ； Cornell University（康奈尔大学） ； Stanford University（斯坦福大学）
专题命中 机器人数据与评测 ：robotics(abstract)；分类 cs.CV
AI总结 CityRAG通过利用地理注册数据的大型语料库，生成空间一致且可导航的真实环境视频，其核心方法是结合学习的先验知识和时空不一致训练数据，以实现复杂的运动和外观变化。
Comments Project page: cityrag.github.io
全球跨模态地理定位：一个百万级数据集和一个物理一致性学习框架
机构 * School of Remote Sensing and Information Engineering, Wuhan University（武汉大学遥感与信息工程学院） ； First Surveying and Mapping Institute of Hunan Province（湖南省第一测绘院）
专题命中 机器人数据与评测 ：navigation(abstract)；分类 cs.CV
AI总结 本文提出CORE数据集和PLANET框架，用于解决全球跨模态地理定位问题，通过大规模数据和物理一致性学习提升定位的鲁棒性和全球适用性。
CLIF：面向密集LEO星座中物理与网络攻击检测的跨层LEO-ISL指纹识别
专题命中 机器人数据与评测 ：manipulation(abstract)
AI总结 提出一种跨层轻量行为指纹框架，融合物理层与网络层数据，在低计算开销下检测LEO星座中的欺骗、流量操纵和路由颠覆等攻击，基于马氏距离的检测器在Starlink、Kuiper和多运营商场景中分别达到99.5%、99.4%和94.8%的召回率，假阳性率低于0.7%。
使用开放基准评估语言模型的陷阱
专题命中 机器人数据与评测 ：manipulation(abstract)
AI总结 本文探讨了使用开放基准评估语言模型时存在的数据泄露风险，并通过构建作弊模型验证了这种风险，指出开放基准可能无法反映实际应用效果，需补充私有或动态生成的基准以维持评估的完整性。
Comments After further review, we found that the core contribution and methodology substantially overlap with previously published work. As a result, the manuscript does not provide a sufficiently distinct or original contribution in its current form. To avoid repetition in the literature and prevent possible confusion for readers, we believe withdrawal is the most appropriate action
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