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。
KEMO: 面向长程机器人操作的VLA策略事件驱动关键帧记忆
机构 * Hong Kong Embodied AI Lab（香港具身智能实验室） ； The Chinese University of Hong Kong（香港中文大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 机器人基础模型 ：manipulation(title,abstract)；分类 cs.RO
AI总结 提出KEMO，一种轻量级插件式记忆框架，通过事件驱动选择关键帧并编码为紧凑记忆令牌，结合交叉注意力和门控残差融合，提升VLA策略在长程操作中的任务成功率23.6%。
微调视觉-语言-动作模型所需的层数比你想象的少
机构 * Center for AI Research, VinUniversity（VinUniversity人工智能研究中心） ； VinRobotics ； University of Arkansas（阿肯色大学） ； Technical University of Denmark（丹麦技术大学） ； Hanoi University of Science and Technology（河内科技大学） ； KAIST（韩国科学技术院） ； Monash University（莫纳什大学） ； Oldenburg University（奥尔登堡大学） ； DFKI（德国人工智能研究中心） ； University of Stuttgart（斯图加特大学） ； IMPRS-IS（国际马克斯·普朗克智能系统研究学院） ； Stanford University（斯坦福大学） ； Technische Universität Darmstadt（达姆施塔特工业大学）
专题命中 机器人基础模型 ：robot learning(abstract)；manipulation(abstract)；robotic(abstract)；分类 cs.RO、cs.AI
AI总结 本文发现VLA模型存在层间表示冗余，提出无需训练的压缩方法，通过去除冗余层将模型深度减少50%，实现40-50%训练加速和30%推理加速，性能不变。
在视觉-语言-动作模型中解耦声明性知识与程序性知识
机构 * University of Edinburgh（爱丁堡大学） ； UCL（伦敦大学学院） ； Samsung AI Center - Cambridge, UK（三星人工智能中心 - 英国剑桥）
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 针对现有VLA模型无法解耦声明性与程序性知识导致零样本技能迁移脆弱的问题，提出w$^{2}$VLA模型，通过重构信息流实现模块化、可解释的知识解耦，显著提升对未见物体的零样本技能迁移能力。
Cloak: 通过遮蔽末端执行器实现零样本跨本体操作
机构 * Stanford University（斯坦福大学）
专题命中 机器人基础模型 ：manipulation(title)；分类 cs.RO
AI总结 提出Cloak训练方法，通过遮蔽腕部相机中的末端执行器，使VLA模型实现零样本跨本体迁移，无需新本体数据。
VLA-FAIL：面向微调视觉-语言-动作模型的高效任务失败检测
专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.CV、cs.LG
AI总结 提出轻量级失败检测框架VLA-FAIL，结合最后一层马氏距离（LLMD）和动作块一致性（ACC）两种无需失败数据的检测器，实现高效且通用的任务失败检测。
FOCA: 面向未来的条件化用于数据高效的视觉-语言-动作适应
机构 * Center for AI Research, VinUniversity, Vietnam ； University of Utah, USA ； German Research Center for Artificial Intelligence (DFKI) ； Technical University of Denmark, Denmark ； University of Oldenburg, Germany ； University of Stuttgart, Germany ； Max Planck Research School for Intelligent Systems (IMPRS-IS), Germany
专题命中 机器人基础模型 ：world model(abstract)；robotic(abstract)；分类 cs.AI、cs.CV
AI总结 提出FOCA框架，结合未来交互嵌入预测与目标观测隐式对齐，实现数据高效的VLA少样本适应，在LIBERO、RoboCasa和真实机器人上取得新最优结果。
Comments Accepted at ICML 2026. Project page: https://focavla.github.io/
VLA 知道自己的极限：机器人策略的自适应执行视界
机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Cisco Research（思科研究）
专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO
AI总结 针对流式视觉-语言-动作模型中执行视界影响性能的问题，提出 AutoHorizon 方法，通过分析注意力权重动态估计每块动作的执行视界，提升机器人操作任务性能。
Comments ECCV 2026. Project page at https://hatchetproject.github.io/autohorizon/
ASCII艺术将LLMs转化为VLA控制器
机构 * Dept. of Computer Science, Dartmouth College（达特茅斯学院计算机科学系） ； Dept. of Electrical and Computer Engineering, Clemson University（克莱姆森大学电气与计算机工程系） ； Dept. of Mechanical and Aerospace Engineering, University of Houston（休斯顿大学机械与航空航天工程系）
专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.CV、cs.LG
AI总结 通过ASCII表示将视觉观察渲染为文本输入，仅使用文本LLM即可实现VLA式控制，在2D操作任务中表现良好，提供轻量级可解释的模态桥接。
NAC: 面向视觉-语言-动作模型的神经动作编解码器
机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校）
专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.LG
AI总结 提出神经动作编解码器(NAC)，采用多尺度RVQGAN架构将短动作轨迹视为多通道1D信号进行压缩，以替代现有离散动作分词器，在LIBERO-10等任务中实现更低重建误差和更高成功率。
Pose6DAug: 用于机器人数据增强的物理合理多视图物体替换
机构 * KAIST（韩国科学技术院） ； Korea University（韩国大学） ； RLWRLD
专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.LG
AI总结 提出Pose6DAug，一种基于失败驱动的数据增强框架，通过3D网格和6D姿态轨迹替换成功轨迹中的物体，生成多视图一致的物理合理演示，无需额外数据收集，在新型物体上提升VLA策略成功率16.5%。
Assistron: 基于现成视觉-语言-动作模型的贝叶斯共享自主
机构 * KU Leuven（鲁汶大学）
专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO；robotics(comments)
AI总结 提出Assistron共享自主模型，利用VLA模型自主执行宏观运动，仅在关键失败点请求人类干预，无需微调VLA，显著提升任务成功率并降低人类工作量。
Comments Using VLA in assistive robotics
UniFS：面向视觉-语言-动作模型的统一快慢层次架构
机构 * Tianjin University（天津大学） ； Yiwu Research Institute of Fudan University（复旦大学义乌研究院）
专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO
AI总结 提出UniFS统一快慢层次架构，通过分层更新频率、潜向量反转和多级监督策略，解决快慢双系统视觉-语言-动作模型中的频率困境和信息耦合问题，在LIBERO上实现98.3%成功率并提速2.1倍。
Comments Code is opensourced at https://github.com/linsun449/UniFS
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