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。
HierDoc：用于长文档视觉问答的分层页到区域证据路由
专题命中 具身导航 ：navigation(abstract)；分类 cs.CV
AI总结 HierDoc是分层证据路由框架，将长文档视觉问答的页与区域选择整合为连续两阶段，在开放权重系统中达SOTA，使LongDocURL提升16.87%，区域证据可显著提升单页系统性能。
Comments 15 pages, 4 figures; includes supplementary material
通过异构编辑重组克服大语言模型驱动的程序优化中的最弱链效应
专题命中 具身导航 ：robotic(abstract)；分类 cs.LG
AI总结 本研究针对LLM程序优化的最弱链效应，提出HERO异构编辑重组优化器，可生成多样非重叠原子编辑并结合评估器分数组合改进，在多领域实现更高分数、更快收敛与更少token消耗。
系泊状态与浸没深度影响波动式机器人的游泳性能
专题命中 具身导航 ：robotic(abstract)
AI总结 研究以机器人1-guilla为对象，发现系泊水面游动能耗低于自由游动、浸没深度增加可提升性能，解释了两类机器人研究结果的差异及自然生物偏好浸没推进的原因。
Auto-JEPA：面向端到端自动驾驶的连续意图隐式世界模型
专题命中 具身推理 ：world model(title,abstract)；navigation(abstract)；分类 cs.RO、cs.AI
AI总结 Auto-JEPA是面向端到端自动驾驶的连续意图隐式世界模型，通过联合嵌入预测学习未来驾驶意图，无需密集未来世界建模，在NAVSIM数据集上取得优异规划性能，可聚焦规划相关视觉特征。
隐式世界模型能知晓什么？多模态预测表示中的物理参数可识别性
机构 * New York University（纽约大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Columbia University（哥伦比亚大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.RO、cs.LG
AI总结 该研究通过可控实验揭示，隐式世界模型的目标函数结构决定其获取的物理参数，输入与预测目标分别限制和决定可获知的物理量，额外数据仅优化已获取的参数。
DreamQAS：面向VQE高效量子架构搜索的决策有用世界模型学习
机构 * School of Computing Technologies, RMIT University（RMIT大学计算技术学院） ； Quantum Systems, Data61, CSIRO（澳大利亚联邦科学与工业研究组织数据61分部量子系统部）
专题命中 具身推理 ：world model(title)；分类 cs.AI、cs.LG
AI总结 该研究提出DreamQAS模型，以基于模型的强化学习框架实现VQE高效量子架构搜索，在多个分子任务上降低了真实VQE调用次数并提升了反事实动作排名效用。
Comments 26 pages, 4 figures, including appendices
ActionParty：生成视频游戏中的多主体动作绑定
机构 * Snap Research（Snap研究院） ； University of Oxford（牛津大学） ； University of Toronto（多伦多大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学）
专题命中 具身推理 ：world model(abstract)；分类 cs.AI、cs.CV、cs.LG
AI总结 本文提出ActionParty，一种可控制多主体的生成视频游戏世界模型，通过引入主体状态标记和空间偏置机制，提升动作关联准确性与身份一致性。
Comments ECCV 2026 - Project page: https://action-party.github.io/
WorldDiT：用于世界和动作建模的统一扩散架构
专题命中 具身推理 ：world model(abstract)；分类 cs.RO、cs.LG
AI总结 研究提出WorldDiT统一扩散架构，结合动作生成与视觉世界建模，不依赖大型预训练VLM动作主干，在四个LIBERO模拟套件中表现出色，处于帕累托前沿，为未来扩展研究提供了低于十亿参数的基线。
Comments 9 pages, 4 figures
来自视频的物理：最小轨迹条件下时不变二阶ODE的可辨识性
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(abstract)；分类 cs.CV、cs.LG
AI总结 研究从原始像素中辨识连续时间物理定律的结构可辨识性，证明在最小轨迹条件下，编码器-仅管道可唯一恢复二阶线性ODE参数，并引入方差底正则化器稳定无解码器目标。
Comments Accepted at ICML 2026. Updated to the camera-ready version; main results unchanged
教会视频生成器记忆：为不可见状态演化引出动态记忆
机构 * Applied Intuition（应用直觉） ； 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.CV
AI总结 针对视频生成模型在观测中断时状态冻结的问题，提出ReMind框架，通过面向记忆的数据构建、事件感知训练和缓存适配，利用KV缓存机制实现动态记忆，在STEVO-Bench和恢复任务上取得最佳成绩。
我们要玩一场游戏吗？用于开放式兵棋推演的语言模型
专题命中 具身推理 ：world model(abstract)；分类 cs.AI
AI总结 该研究通过对223篇相关论文的范围综述，明确了兵棋推演中语言模型的控制角色现状，指出需关注模型对行动与后果的控制程度以保障模拟保真度。
Comments 49 pages (9-page body), 3 figures. Published at the Social Sim'26 Workshop at COLM 2026 (non-archival)
CLIFT：通过非侵入式闭环迭代微调将Gemini机器人端侧模型转化为人形机器人专家
机构 * University of California, Berkeley（加州大学伯克利分校） ； Google DeepMind（谷歌DeepMind） ； NVIDIA Research（英伟达研究院）
专题命中 机器人基础模型 ：robotics(title,abstract)；manipulation(abstract)；robot foundation model(abstract)；分类 cs.RO、cs.AI
AI总结 本研究针对闭源机器人模型的托管式SFT API范式，提出CLIFT方法，在不访问模型内部机制的情况下，将Gemini机器人端侧模型经两次飞轮循环提升至接近完美的敏捷接触任务成功率。
ActFovea：基于时空视觉-动作一致性的VLA策略运行时安全保障
专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO、cs.AI
AI总结 ActFovea是一种即插即用的VLA策略运行时安全保障框架，通过构建动作条件化凹形区域、检测时空一致性及触发安全故障，提升了机器人操纵在各类干扰下的成功率与安全性。
Comments 8 pages, 4 figures, 4 tables. Code: https://github.com/SunnyYWD/ActFovea.git
RynnBrain 1.1：迈向更具能力和通用性的具身基础模型
机构 * DAMO Academy, Alibaba Group（达摩院，阿里巴巴集团） ； Hupan Lab（湖畔实验室）
专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO
AI总结 介绍RynnBrain 1.1具身基础模型家族，其经统一框架训练，相比1.0版本有改进。开发RynnBrain - VLA并部署。该模型在多方面成果显著，初始化策略表现优，联合训练提升了得分和成功率。
Comments KL,BH,MZ,TZ,ZC,ZW,SL,XL,XL,BY,MZ,JL,RD contribute equally. Project Lead: Kehan Li and Xin Li project: https://alibaba-damo-academy.github.io/RynnBrain github: https://github.com/alibaba-damo-academy/RynnBrain huggingface: https://huggingface.co/collections/Alibaba-DAMO-Academy/rynnbrain-11 modelscope: https://modelscope.cn/collections/DAMO_Academy/RynnBrain-11
WCM：用于视觉-语言-动作强化学习的世界评论者模型
机构 * Tongji University（同济大学） ； Shanghai Innovation Institute（上海创新研究院） ； Fudan University（复旦大学）
专题命中 模仿学习与强化学习 ：manipulation(abstract)；world model(abstract)；robotic(abstract)；分类 cs.RO、cs.CV
AI总结 该研究针对视觉-语言-动作强化学习中评论者与机器人部分可观测性不匹配的问题，提出WCM模型，联合预测未来潜态与值估计，在149个仿真任务和7个真实任务上均实现最优性能与泛化性。
具有自适应验证器的多模态强化学习
机构 * Microsoft Research（微软研究院） ； UMass Amherst（马萨诸塞大学阿默斯特分校） ； ETH Zurich（苏黎世联邦理工学院） ； UW–Madison（威斯康星大学麦迪逊分校）
专题命中 模仿学习与强化学习 ：robotics(abstract)；embodied AI(abstract)；分类 cs.AI
AI总结 本文提出Argos验证器，通过结合SFT数据筛选与RL训练，提升多模态推理模型在空间推理、视觉幻觉及机器人任务中的性能，同时减少奖励黑客问题。
镜像学习
机构 * University of British Columbia（不列颠哥伦比亚大学） ； Inverted AI ； Amii
专题命中 模仿学习与强化学习 ：world model(abstract)；分类 cs.RO、cs.CV、cs.LG
AI总结 该研究提出镜像学习框架，通过视频扩散模型的视角变换与逆动力学模型合成镜像数据，用其增强行为克隆训练可提升策略性能，为数据收集提供替代方案。
基于值函数的模仿学习中，何时在线交互是有帮助的？表示权衡研究
专题命中 模仿学习与强化学习 ：robotics(abstract)；分类 cs.AI、cs.LG
AI总结 本文针对基于值函数的模仿学习，提出交互式在线算法OVI，发现专家交互可降低学习者的表示要求，且OVI在多数场景下性能优于现有方法。
为实机零样本强化学习的最大熵行为探索
专题命中 模仿学习与强化学习 ：robotic(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出FB-MEBE算法，通过最大熵行为探索策略和正则化批评者，提升实机四足机器人控制的零样本强化学习性能，实现自然可部署的政策。
NeuroSynth：一种受生物启发的持续强化学习架构，用于缓解灾难性遗忘
专题命中 模仿学习与强化学习 ：navigation(abstract)；分类 cs.LG
AI总结 本研究提出受生物启发的持续强化学习架构NeuroSynth，通过双路径巩固机制缓解灾难性遗忘，实验显示其在多个顺序导航任务中相比PPO、EWC保留更多早期任务知识，改善了持续学习的稳定性-可塑性平衡。
Comments Disclaimer. This manuscript is provided as an arXiv preprint to establish a public record of the NeuroSynth continual reinforcement learning architecture and its evaluation on the NeuroMaze-CL benchmark. This full manuscript has been submitted to the Journal of High School Science for peer review
基于视觉的目标到达控制的移动机器人Hierarchical Learning框架
机构 * Faculty of Engineering and Natural Sciences, Tampere University（工程与自然科学学院，塔尔皮莱大学）
专题命中 模仿学习与强化学习 ：robotics(abstract)；分类 cs.RO
AI总结 本文提出一种基于视觉的目标到达控制框架，通过分层学习方法提高移动机器人在复杂地形中的安全性和稳定性。
基于误差边界引导二分类自监督学习：机器人插入任务案例研究
机构 * Mærsk Mc-Kinney Møller Institute（马士基麦金尼姆勒研究所） ； University of Southern Denmark（南丹麦大学） ； Danish Institute for Advanced Study (DIAS)（丹麦高等研究院）
专题命中 机器人数据与评测 ：robotic(title,abstract)；分类 cs.RO
AI总结 本研究针对机器人插入任务，提出结合UMAP降维与Wilson Score置信边界的二分类自监督学习数据引擎，可随任务执行减少昂贵验证需求并控制误差水平。
Comments 8 pages, 7 figures, 2 tables
用于过程级社会影响力评估的认知世界模型
专题命中 机器人数据与评测 ：world model(title,abstract)；分类 cs.AI
AI总结 提出认知世界模型(CogWM)，通过联合预测BDI/E认知状态和用户话语，实现从终端判断到过程跟踪的社会影响力对话评估，在四个场景中达到77.6%情感准确率。
Comments 22 pages, 6 figures
FibVLA：一种采用斐波那契采样的高效时序视觉-语言-动作模型
专题命中 机器人数据与评测 ：embodied AI(abstract)；分类 cs.RO、cs.CV
AI总结 本文提出FibVLA框架，通过对数事后采样和流匹配等技术，解决了视觉-语言-动作模型时序信息捕捉与推理效率的矛盾，提升了动作性能与实时响应能力。
LabEvolver：面向安全且务实的湿实验室智能体的无训练经验演化框架
机构 * School of AI for Science, Peking University（北京大学AI科学学院） ； School of Electronic and Computer Engineering, Peking University（北京大学电子与计算机工程学院） ； School of Computer Science, Peking University（北京大学计算机学院）
专题命中 机器人数据与评测 ：robotic(abstract)；分类 cs.RO、cs.AI
AI总结 LabEvolver是无训练框架，通过内外部循环为湿实验室智能体配备情景记忆，在溶液制备任务中提升效率与安全性，在ALFWorld中也提升了连续任务成功率，支持闭环自动化科学发现。
ASVSim（面向水面车辆的AirSim）：面向自主水面车辆研究的高保真仿真框架
机构 * IDLab, Faculty of Applied Engineering, University of Antwerp - imec（ID实验室，应用工程学院，安特卫普大学 - imec） ； Cosys-Lab, Faculty of Applied Engineering, University of Antwerp（Cosys实验室，应用工程学院，安特卫普大学） ； Flanders Make Strategic Research Centre（弗拉芒制造战略研究中心）
专题命中 机器人数据与评测 ：navigation(abstract)；分类 cs.RO、cs.LG
AI总结 本文提出ASVSim，一个用于自主水面车辆研究的开源高保真仿真框架，结合船舶动力学与海洋传感器模拟，支持生成合成数据集用于训练计算机视觉模型和强化学习代理，通过水道分割和自主导航实验验证其能力。
Comments 18 Pages, 13 Figures. Accepted at IEEE ACCESS
Journal ref IEEE Access, vol. 14, pp. 63803-63820, 2026
面向自主叶片表面重建的滚动时域次最佳视点规划器
机构 * University of Nevada, Reno（内华达大学雷诺分校） ； Missouri University of Science and Technology（密苏里科技大学）
专题命中 机器人数据与评测 ：robotic(abstract)；分类 cs.RO
AI总结 本研究针对自主叶片表面重建的规划预算与计算资源限制，提出滚动时域次最佳视点规划器，通过基于质心的信息增益函数优化视点效用，在草莓数据集上使重建精度较基线最高提升10%。
Comments Accepted at IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026)
看起来对，运行起来对：面向多屏移动应用生成的项目级基准测试
专题命中 机器人数据与评测 ：navigation(abstract)；分类 cs.AI
AI总结 针对现有设计转代码基准的局限，提出首个项目级多屏移动应用生成基准MobileForge，通过五轴评估及两种测试方法，发现前沿多模态LLM构建的应用存在导航、保真度和可维护性问题。
节俭型贝叶斯优化：面向数据与资源受限发现的可替代代理模型
机构 * National Centre for Scientific Research "Demokritos"（希腊德谟克利特国家科学研究中心） ； University of Patras（帕特雷大学） ； National and Kapodistrian University of Athens（雅典国立卡波迪斯特里亚大学） ； Hellenic Mediterranean University（希腊地中海大学） ； SciFY PNPC
专题命中 机器人数据与评测 ：robotics(abstract)；分类 cs.LG
AI总结 针对数据与资源受限的优化场景，该研究通过测试4种代理模型提出感知计算的贝叶斯优化基线FruBO，给出代理推荐框架，为有限预算下的代理选择提供实用指导。
为次优服务付费：一种对抗不诚实大语言模型提供者的博弈论方法
机构 * Shanghai Qi Zhi Institute（上海启智研究院） ； ShanghaiTech University（上海科技大学） ； Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； Beijing Institute for General Artificial Intelligence（北京通用人工智能研究院） ； Shanghai University of Finance（上海财经大学） ； Tsinghua University（清华大学）
专题命中 机器人数据与评测 ：manipulation(abstract)；分类 cs.AI
AI总结 本文提出了一种博弈论方法，通过设计近似激励相容机制，解决大语言模型服务提供者可能存在的不诚实行为问题，并保证用户效用的次优性。
Comments Published as a conference paper at WWW 2026; 12 pages, 4 figures
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