视觉与机器人

VLA / 视觉-语言-动作模型

视觉-语言-动作模型、机器人基础模型和语言条件机器人控制。

2026-03-30 至 2026-03-30 共收录 2 篇信号源：cs.RO, cs.CV, cs.AI, cs.LG

1. 动作表示与策略 2 篇

2509.15219 2026-03-30 cs.CV cs.LG cs.MA cs.MM cs.RO 75%

Out-of-Sight Embodied Agents: Multimodal Tracking, Sensor Fusion, and Trajectory Forecasting

视线外的具身智能体：多模态跟踪、传感器融合与轨迹预测

Haichao Zhang, Yi Xu, Yun Fu

机构 * Department of Electrical and Computer Engineering, Northeastern University（东北大学电气与计算机工程系）； Khoury College of Computer Sciences, Northeastern University（东北大学库里计算机科学学院）

专题命中动作表示与策略：vision-language-action(abstract)；action model(abstract)；分类 cs.RO、cs.CV、cs.LG

AI总结本文提出改进的视线外轨迹预测方法，通过视觉定位去噪模块提升轨迹预测性能，实验表明在Vi-Fi和JRDB数据集上达到最优效果，为自动驾驶、机器人和监控提供新方向。

Comments Published in IEEE Transactions on Pattern Analysis and Machine Intelligence (Early Access), pp. 1-14, March 23, 2026

Journal ref IEEE Transactions on Pattern Analysis and Machine Intelligence, 2026

2603.26322 2026-03-30 cs.RO 70%

DiffusionAnything: End-to-End In-context Diffusion Learning for Unified Navigation and Pre-Grasp Motion

DiffusionAnything: 端到端的上下文扩散学习用于统一导航和预抓取运动

Iana Zhura, Yara Mahmoud, Jeffrin Sam, Hung Khang Nguyen, Didar Seyidov, Miguel Altamirano Cabrera, Dzmitry Tsetserukou

机构 * Intelligent Space Robotics Laboratory, Center for Digital Engineering, Skolkovo Institute of Science and Technology（斯科尔科沃科学技术学院数字工程中心智能空间机器人实验室）

专题命中动作表示与策略：vision-language-action(abstract)；VLA(abstract)；分类 cs.RO

AI总结本文提出一种端到端的上下文扩散学习方法，通过多尺度特征调制实现统一的导航与精细操控，仅需5分钟自监督数据即可实现零样本泛化。