视觉与机器人
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。
GIVE：在视觉-语言-动作模型中接地人类手势
机构 * MARS Lab, Nanyang Technological University（南洋理工大学MARS实验室）
专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(title,abstract)；action model(title)；分类 cs.RO
AI总结 针对VLA模型忽略手势导致意图理解不准的问题，提出GIVE方法，通过视觉和语义双路径增强手势理解，在真实HRI实验中目标识别准确率提升40%，任务成功率提升80%。
Comments Project page: https://luis-cloud-sg.github.io/GIVE-project/
$μ$VLA：部分可观测操作中VLA模型的循环记忆研究
机构 * CogAI Lab, Moscow, Russia（CogAI实验室，莫斯科，俄罗斯） ； MIRAI, Moscow, Russia（MIRAI，莫斯科，俄罗斯）
专题命中 VLA模型 ：VLA(title,title_cn)；vision-language-action(abstract)；分类 cs.RO、cs.LG
AI总结 针对VLA模型在部分可观测场景中的记忆缺失问题，提出仅通过可学习记忆令牌和截断反向传播时间实现最小化循环记忆增强，在MIKASA-Robo上将训练任务成功率从0.42提升至0.84，并在LIBERO上保持全可观测性能。
Comments 34 pages, 20 figures, 9 tables
VLADriveBench：评估自动驾驶VLA中的CoT-动作关系
机构 * Uber AV Labs（优步自动驾驶实验室）
专题命中 VLA模型 ：VLA(title,title_cn)；vision-language-action(abstract)；分类 cs.CV
AI总结 提出VLADriveBench框架，结合观察指标和CoT干预协议评估VLA模型中思维链与驾驶动作的相关性和因果性，发现不同模型表现差异显著。
PersonaDrive: 面向闭环驾驶模拟的人类风格检索增强VLA智能体
机构 * University of California, Irvine（加利福尼亚大学尔湾分校）
专题命中 VLA模型 ：VLA(title,title_cn)；vision-language-action(abstract)；分类 cs.AI
AI总结 提出PersonaDrive流水线，通过检索风格指令下的人类驾驶演示来调节视觉-语言-动作（VLA）驾驶智能体，实现闭环模拟中多样化的非自车智能体行为，无需针对每种风格重新训练。
AIR-VLA+: 通过级联双动作解码器与非对称MoE解耦空中机器人的移动与操作
机构 * The Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Automation, Beijing Institute of Technology（北京理工大学自动化学院） ； College of Automotive and Energy Engineering, Tongji University（同济大学汽车与能源工程学院） ； School of Transportation Science and Engineering, Beihang University（北京航空航天大学交通科学与工程学院） ； Information Science, East China Normal University（华东师范大学信息科学）
专题命中 VLA模型 ：VLA(title,title_cn)；分类 cs.RO
AI总结 针对空中机器人移动与操作在动作尺度、动力学和控制目标上的显著差异，提出级联双动作解码器与非对称MoE架构，实现解耦协调控制，在AIR-VLA基准上取得48.0平均分，任务完成度提升80.2%。
学习辅助：面向隐式人机协作的协作式VLA模型
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Massachusetts Institute of Technology（麻省理工学院）
专题命中 VLA模型 ：VLA(title_cn,summary_cn)；vision-language-action(abstract)；分类 cs.RO
AI总结 本文研究利用视觉-语言-动作（VLA）模型通过模仿学习实现人机协作，发现动作分块策略在隐式协作中存在演示动作泄漏问题，提出推理时引导方法缓解过早辅助行为，并通过用户研究验证其有效性。
选择性观察，适应性行动：双水平结构分解用于双臂机器人操作
机构 * Dongguk University（东国大学）
专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(abstract)；分类 cs.RO
AI总结 提出基于双水平结构分解的双臂操作VLA框架，通过视觉选择路由和动作专家混合机制分别处理视觉相关性和双臂交互模式，在模拟和真实任务中成功率分别提升27.7%和43.3%。
SERF：面向长时域移动操作任务的时空环境与机器人特征地图
机构 * UC San Diego（加州大学圣地亚哥分校） ； Agency for Defense Development（国防发展局） ； SceniX Inc.（SceniX公司） ； University of Michigan（密歇根大学）
专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(abstract)；分类 cs.RO
AI总结 提出SERF地图，将环境与机器人身体表示为共享潜空间中的神经点，并在线更新，作为VLA模型的状态输入，提升长时域移动操作中的推理能力，在BEHAVIOR-1K上优于纯图像基线。
Comments Project page: https://existentialrobotics.org/serf/
MaskWAM：统一掩码提示与预测的世界-动作模型
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Tencent Robotics X（腾讯机器人X实验室） ； Tsinghua University（清华大学）
专题命中 VLA模型 ：action model(title,abstract)；分类 cs.RO、cs.CV、cs.LG
AI总结 提出MaskWAM，通过统一掩码输入与预测的混合Transformer架构，解决世界-动作模型的空间瓶颈，提升策略泛化能力，在LIBERO等任务上显著优于基线。
NavWAM：用于目标条件视觉导航的导航世界动作模型
机构 * The University of Tokyo（东京大学） ； National Institute of Informatics（国立信息学研究所） ； AIRoA ； ATR
专题命中 VLA模型 ：action model(title,abstract)；分类 cs.RO、cs.CV
AI总结 提出NavWAM，一种扩散变换器策略，通过联合学习未来观测、目标进度值和动作块，将导航世界模型预测直接转化为可执行动作，在离线基准和真实机器人部署中优于基于规划的世界模型基线。
Comments Project page: https://dachii-azm.github.io/navwam/
在 $z=7.31$ 的恒星形成星系中直接探测冷分子气体
专题命中 VLA模型 ：VLA(summary_cn,abstract)
AI总结 利用VLA和ALMA观测，在z=7.31星系REBELS-25中探测到CO(3-2)和CO(7-6)发射，直接证实大爆炸后约7亿年存在巨大气体储库，气体质量约10^11太阳质量，气体分数约0.95，并约束了星际介质条件。
Comments Accepted for publication in MNRAS. Main text: 17 pages, 6 figures
Journal ref MNRAS, Volume 549, Issue 3, July 2026, stag924
扩散Transformer世界-动作模型用于自动驾驶场景预测
机构 * Stanford University（斯坦福大学）
专题命中 VLA模型 ：action model(title)；分类 cs.RO、cs.CV、cs.AI
AI总结 提出紧凑潜世界模型，结合扩散Transformer（DiT）预测未来场景，在nuScenes上实现4.8倍更好的KID，并实现动作可控性（转向ρ=0.81）。
Comments 10 pages, 9 figures, 2 tables
基于自回归策略的实时执行
机构 * Korea Institute of Science and Technology（韩国科学技术研究院） ； Seoul National University（首尔大学） ； Google Research（谷歌研究院）
专题命中 VLA模型 ：vision-language-action(abstract)；action model(abstract)；分类 cs.RO、cs.AI
AI总结 通过异步推理和约束解码实现自回归策略的实时执行，在保证低延迟的同时提升任务完成速度，实验表明其性能优于流匹配策略。
通过射电望远镜利用地磁转换搜索高频引力波
专题命中 VLA模型 ：VLA(abstract,abstract_cn)
AI总结 利用甚大阵列和阿塔卡马大型毫米波/亚毫米波阵列，通过逆Gertsenshtein效应搜索高频引力波，未发现信号，将特征应变上限提高至三个数量级。
Comments 6 pages, 3 figures + Supplemental Materials(8 pages, 5 figures)
SPARC：来自机器人演示的可靠空间标注
机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； NVIDIA（英伟达） ； Robotics Institute Germany（德国机器人研究所）
专题命中 机器人基础模型 ：embodied foundation model(abstract)；分类 cs.RO、cs.CV
AI总结 提出SPARC框架，利用机器人任务的时空结构生成可靠性评分，自动标注演示中的空间信息，减少噪声标签并保留更多有用样本，在物体定位基准上优于纯检测基线。
EWAM：一种用于具身智能闭环在线自适应的增强世界动作模型
机构 * Astronex Robotics ； Nanjing University of Information Science and Technology（南京信息工程大学）
专题命中 部署与泛化 ：action model(title,abstract)；分类 cs.RO、cs.AI
AI总结 提出EWAM架构，基于冻结的Cosmos3骨干网络，通过四个轻量级神经层实现零样本在线自适应，无需微调或额外演示数据，显著减少新任务布局的部署数据需求。
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