机器人 / 具身智能

UrbanWorld2.0: A Multimodal Agentic Framework for Reality-Aligned 3D World Generation at City-Scale

RAISECity: 一种用于城市级现实对齐3D世界生成的多模态代理框架

Shengyuan Wang, Zhiheng Zheng, Yu Shang, Lixuan He, Yangcheng Yu, Fan Hangyu, Jie Feng, Qingmin Liao, Yong Li

机构 * College of AI, Tsinghua University（人工智能学院，清华大学） ； Shenzhen International Graduate School, Tsinghua University（深圳国际研究生院，清华大学） ； Department of Electronic Engineering, BNRist, Tsinghua University（电子工程系，北京研究院，清华大学） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.CV

AI总结 RAISECity通过多模态代理框架实现城市级3D世界生成，提升现实对齐、精度和性能，适用于沉浸媒体和具身智能应用。

Comments Accepted by ACM MM 2026, the code is available at: https://github.com/tsinghua-fib-lab/UrbanWorld2.0

SCALE: State-Calibrated Latent Embeddings for JEPA Planning in the Right Geometry

SCALE：用于正确几何空间中JEPA规划的状态校准潜在嵌入

Jiaming Hu, Yan Zheng, Tian Wang

机构 * Boston University（波士顿大学） ； Unity Technologies（Unity科技公司） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.LG

AI总结 该研究提出SCALE正则化器，为LeWM表示校准几何属性，在多任务、多求解器和多计算预算下均提升规划性能，证明规划依赖信息对几何的塑造作用。

Comments 15 pages, 2 figures

Traj-LeWM: Path-Aware World-Model Planning via Latent Trajectory Cost

Traj-LeWM：通过潜在轨迹代价实现路径感知的世界模型规划

Xiaodi Huang, Ziyi Ding, Jingtian Wan, Yuchen Liu, Yuan Zhang, Xiao-Ping Zhang, Jiayu Chen, Zhang Zhang, Tao Huang

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院） ； The University of Hong Kong（香港大学） ； INFIFORCE ； University of Science and Technology of China（中国科学技术大学） ； Peking University（北京大学） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.AI

AI总结 本文针对LeWM的局限提出Traj-LeWM，通过引入潜在轨迹代价结合终点距离的联合评分，在多个机器人与导航任务上实现性能提升，验证了轨迹级信息的互补作用。

Stream Forcing: Constructing Unified Training Trajectory for Robust Streaming Video Generation

流强制：构建用于鲁棒流视频生成的统一训练轨迹

Yueting Zhu, Yuehao Song, Kaicheng Zhang, Bao Tang, Shaoyu Chen, Qian Zhang, Wenyu Liu, Xinggang Wang

机构 * Huazhong University of Science & Technology（华中科技大学） ； Horizon Robotics（地平线机器人） ； Anyverse Dynamics 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.CV

AI总结 针对流视频扩散模型的训练-推理不匹配问题，提出Stream Forcing统一训练框架，通过构建训练轨迹及相关算法，在UCF-101基准测试中FVD分别提升36.6%、27.9%，提升了生成质量与长时序泛化能力。

Comments 15 pages,6 figures

TASE: Truncation-Aware Semantic Embeddings for 3D Scene Understanding and Editing

TASE: 用于3D场景理解与编辑的截断感知语义嵌入

Tim-Felix Faasch, Jochen Kall, Lucas Nunes, Jens Behley, Cyrill Stachniss

机构 * Bosch Research（博世研究院） ； Rheinisch-Westfälische Technische Hochschule Aachen（亚琛工业大学） ； University of Bonn（波恩大学） 纠错

专题命中 具身推理 ：robotics(abstract)；分类 cs.CV

AI总结 提出TASE方法，通过将预训练的2D语义特征投影到截断感知嵌入空间，结合尺度和平移等变损失，实现可控的3D场景文本驱动编辑，在大几何修改任务上显著优于现有方法。

Comments Code: https://github.com/boschresearch/TASE

Temporal Straightening for Latent Planning

时间拉直用于隐式规划

Ying Wang, Oumayma Bounou, Gaoyue Zhou, Randall Balestriero, Tim G. J. Rudner, Yann LeCun, Mengye Ren

机构 * New York University（纽约大学） ； Brown University（布朗大学） ； University of Toronto（多伦多大学） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.LG

AI总结 受人类视觉处理中感知拉直假说启发，提出时间拉直方法，通过曲率正则化联合学习JEPA世界模型的编码器和预测器，改善隐式规划中的表示学习，使梯度规划更稳定并提高目标到达任务成功率。

Comments ICML2026 Camera Ready

RayLift: Lifting Complementary Ray-Wise Evidence with 3D Geometry Priors for Semantic Scene Completion

RayLift：利用3D几何先验提升互补射线级证据以实现语义场景补全

Meng Wang, Hongxia Yu, Wenzhe He, Xingdong Song, Huilong Pi, Jiapeng Zhang, Ruihui Li

专题命中 具身推理 ：robotics(abstract)；分类 cs.CV

AI总结 针对现有语义场景补全方法的深度误差传播问题，提出RayLift框架，通过互补上下文编码器、深度射线证据提升模块和语义感知体素集成器，在两个基准数据集上实现优于现有方法的性能。

AquaJEPA: An Action-Conditioned Multimodal JEPA Family for Underwater Robot Dynamics

AquaJEPA：面向水下机器人动力学的动作条件多模态预测表示

Alan-Barsag Gazzaev, Alexey Gavrilov, Sergey Muravyov

机构 * ITMO University（ITMO大学） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.RO

AI总结 该研究提出动作条件多模态预测模型AquaJEPA，在Stonefish环境中对比多种基线，经120个带计划DVL损失的配对环境实验，其闭环性能最优，配对最终误差显著优于多数基线。

Comments Submitted to IEEE ICRA 2027

Anomaly-Informed Confidence Calibration for Vision-Based Safety Prediction

基于异常的置信度校准用于基于视觉的安全预测

Zhenjiang Mao, Jiawen Wu, Gabriel Wagner, Zhongzheng Zhang, Ivan Ruchkin

机构 * Trustworthy Engineered Autonomy (TEA) Lab, Department of Electrical and Computer Engineering, University of Florida（可信工程自主性实验室，电气与计算机工程系，佛罗里达大学） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.RO

AI总结 本文提出了一种基于异常的在线校准方法，通过融合感知和动态异常分数来改进基于视觉的安全预测中的置信度估计，从而在面对分布偏移时减少过自信，提升预测性能。

Delta Forcing: Trust Region Steering for Interactive Autoregressive Video Generation

Delta Forcing：交互式自回归视频生成中的信任区域引导

Yuheng Wu, Xiangbo Gao, Tianhao Chen, Xinghao Chen, Qing Yin, Zhengzhong Tu, Dongman Lee

机构 * Texas A\&M University（德克萨斯A&M大学） ； University of Washington（华盛顿大学） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.CV

AI总结 本文提出Delta Forcing方法，通过约束不可靠的教师监督在适应性信任区域中，以提高自回归视频生成的一致性并保持对新事件的响应性。

Comments preprint

From Passive Mirrors to Active Agents: Holonic Digital Twins for Physical AI over Networks

从被动镜像到主动智能体：面向网络物理AI的 holonic 数字孪生

Christo Kurisummoottil Thomas, Omar Hashash, Walid Saad

专题命中 具身推理 ：world model(abstract)；分类 cs.AI

AI总结 本文针对当前AI嵌入物理系统失效、无线网络架构无法支持实时物理AI协调的问题，提出HDT-Nets框架，通过holonic数字孪生实现实时物理AI推理，为网络物理AI提供新方案。

PhaseCoder: Microphone Geometry-Agnostic Spatial Audio Understanding for Multimodal LLMs

PhaseCoder: 无关麦克风几何的多模态大语言模型空间音频理解

Artem Dementyev, Wazeer Zulfikar, Sinan Hersek, Pascal Getreuer, Anurag Kumar, Vivek Kumar

机构 * Google DeepMind（谷歌DeepMind） ； Media Lab, MIT（媒体实验室，麻省理工学院） ； Google AR（谷歌AR） 纠错

专题命中 具身推理 ：embodied AI(abstract)；分类 cs.AI

AI总结 PhaseCoder是一种无需麦克风几何结构的Transformer空间音频编码器，能够生成空间嵌入并使LLM实现复杂空间推理和转录任务。

muSync-GS: Physics-Synchronized Driving Video Synthesis for Weather and Geometric Road Hazards

muSync-GS：面向天气与几何道路危险场景的物理同步驾驶视频合成方法

Yang Chen, Yicheng Zhu, Tao Li, Zilin Bian

机构 * Rochester Institute of Technology（罗切斯特理工学院） ； City University of Hong Kong（香港城市大学） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.CV

AI总结 muSync-GS是一种物理同步驾驶视频合成框架，通过耦合天气、道路几何编辑与车辆动力学，在12个CarSim案例上实现了车辆状态的精准预测与场景同步。

Comments 42 pages, 14 figures; includes an appendix

Enactive Artificial Intelligence: A Decision-Centric Architecture for Complex Systems

能动人工智能：面向复杂系统的以决策为中心的架构

Zuojun Max Shen, Yuan Qu, Pujun Zhang, Anbang Liu, Yunhao Liang

专题命中 具身推理 ：world model(abstract)；分类 cs.AI

AI总结 本研究提出能动人工智能框架，通过组织世界、站点世界等四个角色构建以决策为中心的架构，拓展AI前沿，为企业与工业复杂系统的可靠AI部署提供新方向。

Toward Goal-Agnostic Joint-Embedding Predictive Control of Partial Differential Equations

迈向偏微分方程的目标无关联合嵌入预测控制

Jonathan Gallagher, Roberto Guglielmi

机构 * University of Waterloo（滑铁卢大学） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.LG

AI总结 该研究针对偏微分方程提出目标无关控制框架，基于联合嵌入预测架构，通过离线训练小型二维ViT编码器等，经模型预测路径积分控制器复用。在相关基准测试中，KE探测器规划提升奖励、降低误差，验证了潜在动力学与目标无关及校准可观测量用于状态控制的优势。

Comments Associated code will be open sourced alongside a later, updated submission

Teaching Video Generators to Remember: Eliciting Dynamic Memory for Out-of-Sight State Evolution

教会视频生成器记忆：为不可见状态演化引出动态记忆

Tianshuo Xu, Yichen Xie, Depu Meng, Chensheng Peng, Quentin Herau, Bo Jiang, Yihan Hu, Wei Zhan

机构 * Applied Intuition（应用直觉） ； University of California, Berkeley（加州大学伯克利分校） 纠错

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。

Shall We Play a Game? Language Models for Open-ended Wargames

我们要玩一场游戏吗？用于开放式兵棋推演的语言模型

Glenn Matlin, Isaac Song, Yixiong Hao, Parv Mahajan, Evan Montoya, Ryan Bard, Stuart R. Topp, Anthony Wen-Ming Zang, Mohammed Rehan Parwani, Soham Shetty, Mark Riedl

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)

Learning to Understand Body Language from Flight through Robust 3D Avatar Placing

通过鲁棒3D化身放置学习理解肢体语言

Dragos Costea, Alina Marcu, Cristina Lazar, Marius Leordeanu

机构 * National University of Science and Technology “Politehnica” Bucharest（布加勒斯特理工国立大学） ； “Simion Stoilow” Institute of Mathematics of the Romanian Academy（罗马尼亚科学院“西米翁·斯托伊洛夫”数学研究所） ； NORCE Norwegian Research Centre AS（挪威NORCE研究中心） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.CV

AI总结 该研究推出Drones2BodyLanguage数据集，结合轻量几何世界模型训练12种架构，可提升空中机器人对人类交际意图的感知准确率，为社交智能无人机提供数据支撑与方法。

Neural Radiance Fields for the Real World: A Survey

神经辐射场用于现实世界：综述

Wenhui Xiao, Remi Chierchia, Rodrigo Santa Cruz, Xuesong Li, David Ahmedt-Aristizabal, Olivier Salvado, Clinton Fookes, Leo Lebrat

机构 * Queensland University of Technology（昆士兰理工大学） ； Australian National University（澳大利亚国立大学） 纠错

专题命中 具身推理 ：robotics(abstract)；分类 cs.CV

AI总结 本文综述了神经辐射场在现实世界中的应用，总结了其在3D场景重建、计算机视觉和机器人技术中的影响，并探讨了当前研究的挑战与未来方向。

Comments Accepted to ACM Computing Surveys

Scaling GUI Agents with Visual State Transitions

通过视觉状态转换扩展 GUI 智能体

Xiangyan Liu, Kaixin Li, Haonan Wang, Biao Wu, Meng Fang, Longxu Dou, Chao Du, Michael Qizhe Shieh, Tianyu Pang

机构 * NUS（新加坡国立大学） ； Sea AI Lab（Sea人工智能实验室） ； UTS（悉尼科技大学） ； University of Liverpool（利物浦大学） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.AI

AI总结 研究通过状态转换预训练扩展 GUI 智能体，联合优化逆动力学和正向动力学预训练统一多模态模型，在桌面和移动 GUI 场景基准测试中优于基线，联合动力学优化有稳定改进，下游性能随转换数据量提升。

Spatial Reasoning in LLM Game Agents: Impact of Causal Context and Multi-Step Planning

大语言模型游戏智能体中的空间推理：因果上下文和多步规划的影响

Mohit Jiwatode, Ronja Fuchs, Robin Schmöcker, Bodo Rosenhahn, Alexander Dockhorn

专题命中 具身推理 ：navigation(abstract)；分类 cs.AI

AI总结 研究基于大语言模型的游戏智能体在复杂任务中表现不佳的问题，通过实验验证因果提示增强和多步规划可提升胜率并控制延迟，引入新基准评估，发现较大模型定位更准，融入因果上下文和多步规划能优化性能与速度。

Comments To be published at COG 2026

Recurrent Autoregressive Diffusion: Global Memory Meets Local Attention

循环自回归扩散：全局记忆与局部注意力相结合

Taiye Chen, Zihan Ding, Anjian Li, Christina Zhang, Zeqi Xiao, Yisen Wang, Chi Jin

机构 * Peking University（北京大学） ； Princeton University（普林斯顿大学） ； Nanyang Technological University（南洋理工大学） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.CV

AI总结 研究针对超长视频生成中现有模型的不足，提出循环自回归扩散（RAD）框架，结合循环块与局部注意力，解决训练推理差距等问题，在相关数据集实验中展现出长视频生成的优越性。

Comments Published at ECCV 2026. Project page: https://yeyutaihan.github.io/recurrent-autoregressive-diffusion/

Streaming Multi-Agent Autoregressive Diffusion Model with World State Registers

具有世界状态寄存器的流式多智能体自回归扩散模型

Sicheng Mo, Yuheng Li, Ziyang Leng, Krishna Kumar Singh, Bolei Zhou

机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； Adobe Research（Adobe研究院） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.CV

AI总结 研究多智能体交互世界模型共享状态维护难题，提出WorldWeaver模型，利用跨智能体世界状态寄存器及混合变压器设计，经双智能体我的世界视频生成实验验证，该模型能提升逻辑一致性与生成质量。

Comments Project page: https://vail-ucla.github.io/worldweaver/

GeoWorldAD: Geometry World Action Model for Autonomous Driving

GeoWorldAD：用于自动驾驶的几何世界行动模型

Songyan Zhang, Jinyuan Tian, Hanbing Li, Daqi Liu, Hao Chen, Wenhui Huang, Fang Li, Guang Chen, Hangjun Ye, Long Chen, Kuiyuan Yang, Chen Lv

机构 * Nanyang Technological University（南洋理工大学） ； Xiaomi EV（小米汽车） ； Zhejiang University（浙江大学） ； Harvard University（哈佛大学） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.RO

AI总结 研究自动驾驶中安全高效规划决策问题，提出GeoWorldAD模型，通过在自我对齐3D空间中规划轨迹、用潜在未来几何标记预测场景演变，并逐步聚合多尺度几何线索，实验证明该模型在自动驾驶方面性能先进。

Generative World Renderer at the Speed of Play

以游戏速度运行的生成式世界渲染器

Guixu Lin, Zheng-Hui Huang, Siqi Yang, Ming-Hsuan Yang, Kaipeng Zhang, Zhixiang Wang

机构 * Alaya Lab（阿莱雅实验室） ； University of California, Merced（加州大学默塞德分校） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.CV

AI总结 研究如何提升生成式世界渲染器AlayaRenderer的速度，核心方法是将其重构为自回归流模型并引入轻量级编解码器，主要贡献是大幅降低推理成本，实现30 FPS可玩的生成式世界，保留核心渲染能力。

Comments Project page: https://alaya-renderer-flash.alayalab.ai/

Integrity-Gated Eco-CACC: Epistemic Admissibility for Cooperative Driving at Signalized Intersections

完整性门控生态协同自适应巡航控制：信号交叉口协同驾驶的认知可容许性

Lyes Saad Saoud, Moussa Ayyash

机构 * Chicago State University（芝加哥州立大学） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.RO

AI总结 研究信号交叉口Eco-CACC系统，提出完整性门控框架，结合多种因素构建统一完整性度量调节控制权，仿真表明其在模型一致时保持效率，完整性下降时能早期保守响应，解决现有方法在传感等问题下的不足。

The Theory of Mind Utility: Formal Specification of a Mentalizing Mechanism

心智理论效用：心理化机制的形式化规范

Nikolos Gurney, Stacy Marsella

机构 * Institute for Creative Technologies, University of Southern California（南加州大学创意技术研究所） ； Khoury College of Computer Sciences, Northeastern University（东北大学库里计算机科学学院） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.AI

AI总结 提出心智理论效用（ToM-U）框架，通过局部认知世界模型（LEWM）形式化推断他人信念的计算问题，定义结构、推理过程及失败痕迹，区别于贝叶斯心智理论等方法。

Distilling Global Traversability Priors for Image-based Affordance Prediction in Off-road Environments

用于越野环境中基于图像的可承受性预测的全局可通行性先验知识提炼

Matthew Sivaprakasam, Samuel Triest, Micah Nye, Deegan Atha, Shehryar Khattak, David Fan, Wenshan Wang, Sebastian Scherer

机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Field AI（现场人工智能公司） 纠错

专题命中 具身推理 ：navigation(abstract)；分类 cs.RO

AI总结 研究非结构化地形长距离自主导航易短视问题，利用卫星图像计算导航路径监督网络，直接从FPV图像提取远距离可通行性感知边界，提升长距离越野导航性能，减少人工干预。

Planning with Transformers: Chain of Computation and Structured Context Windows

使用Transformer进行规划：计算链与结构化上下文窗口

Ehsan Futuhi, Nathan R. Sturtevant

机构 * Department of Computing Science, University of Alberta（阿尔伯塔大学计算科学系） ； Alberta Machine Intelligence Institute (Amii)（阿尔伯塔机器智能研究所） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.LG

AI总结 研究大语言模型解决规划问题的不足，提出计算链架构，利用结构化上下文窗口，让语言模型学习规划策略、预测世界模型并执行算术运算，在多个任务上取得高成功率，能解决复杂汉诺塔问题且减少训练数据。

Attention from Above: A Multimodal Model for Drone-Based Object Localization

自上而下的注意力：一种基于无人机的目标定位多模态模型

Hyun-Ki Jung

专题命中 具身推理 ：world model(abstract)；分类 cs.CV

AI总结 针对无人机目标检测，本文基于YOLO-World框架，用A2C2f层替换C2f层，引入注意力机制和并行处理结构，提升小目标检测性能，在VisDrone数据集实验中各项指标显著优于原模型，提供了高精度检测方案。

Comments Preprint. Accepted for publication in the International Journal of Interactive Mobile Technologies