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。
Co-VLA：面向双臂视觉-语言-动作系统的协调感知结构化动作建模
机构 * Donghua University（东华大学） ； Samsung R&D Institute China-Beijing (SRCB)（三星中国北京研究院） ； Samsung AI Center, DS Division（三星DS部门AI中心）
专题命中 VLA模型 ：VLA(title,title_cn)；vision-language-action(title,abstract)；action model(title)；分类 cs.RO
AI总结 针对双臂紧耦合任务中隐式协调不足的问题，提出Co-VLA框架，通过结构化动作专家和潜在感知控制器显式引入协调先验，在仿真和真实场景中显著提升成功率和效率。
Bring My Cup! 使用视觉注意力提示个性化视觉-语言-动作模型
机构 * GSAI, POSTECH（POSTECH 人工智能研究所） ； IME, POSTECH（POSTECH 信息媒体研究所）
专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(title,abstract)；action model(title)；分类 cs.RO、cs.AI
AI总结 针对VLA模型难以处理个性化指令的问题，提出无需训练的视觉注意力提示（VAP）方法，通过参考图像作为非参数记忆，利用开放词汇检测和嵌入匹配定位个人物品，并以视觉提示注入模型，在多个仿真和真实场景中显著提升成功率和正确物体操作。
Comments ICML 2026. Project page: https://vap-project.github.io/
EquiVLA: 旋转等变视觉-语言-动作模型的通用框架
机构 * VinRobotics ； VinUniversity ； 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）
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 提出EquiVLA，首个端到端SO(2)等变VLA框架，通过EquiPerceptor和EquiActor实现从视觉到动作的近似等变链，在LIBERO、CALVIN和真实机器人任务上显著提升性能。
Comments Comment: First version 22 pages, project site: https://equivla.github.io/
Mix-QVLA：任务证据感知的视觉-语言-动作模型混合精度量化
机构 * Rochester Institute of Technology（罗彻斯特理工学院）
专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(title)；action model(title)；分类 cs.CV
AI总结 提出Mix-QVLA框架，通过任务证据感知的混合精度后训练量化，在保持任务性能的同时大幅降低VLA模型的内存和计算开销，在LIBERO上实现4.1GB内存和1.52倍加速。
MemoryWAM：具有持久记忆的高效世界动作建模
机构 * The Chinese University of Hong Kong（香港中文大学） ； Tsinghua University（清华大学） ； Zhejiang University（浙江大学）
专题命中 VLA模型 ：VLA(summary_cn,abstract)；action model(title,abstract)；vision-language-action(abstract)；分类 cs.RO
AI总结 提出MemoryWAM，通过混合记忆设计和定制注意力机制，在长时域机器人操作任务中实现高效记忆依赖决策，优于现有VLA和WAM基线。
Tri-Info: 基于信息论的VLA模型可泛化、可解释的故障预测
机构 * InfoBodied AI Lab, The University of Hong Kong（香港大学信息具身人工智能实验室） ； HKU Musketeers Foundation Institute of Data Science（香港大学赛马会数据科学研究院）
专题命中 VLA模型 ：VLA(title,title_cn)；vision-language-action(abstract)；分类 cs.RO、cs.CV、cs.AI
AI总结 提出Tri-Info方法，通过信息论信号捕捉动作多样性、时间一致性和状态耦合，实现跨架构、环境及仿真到现实的零样本故障检测，准确率达83%。
ImageWAM：世界动作模型真的需要视频生成，还是只需要图像编辑？
机构 * Shanghai Jiao Tong University（上海交通大学） ； Eastern Institute of Technology（东方理工学院） ； Tencent Robotics X（腾讯机器人X） ； Tsinghua University（清华大学） ； Zhongguancun Academy（中关村学院）
专题命中 VLA模型 ：action model(title,abstract)；VLA(abstract,abstract_cn)；分类 cs.RO、cs.CV
AI总结 提出ImageWAM框架，利用预训练图像编辑模型替代视频生成进行机器人动作预测，通过编辑去噪的KV缓存作为世界动作上下文，在多个模拟和真实实验中优于基线，计算量降至1/6，延迟降至1/4。
Comments Project Page: https://zhangwenyao1.github.io/ImageWAM/
EventVLA: 面向长程视觉-语言-动作策略的事件驱动视觉证据记忆
机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Dalian University of Technology（大连理工大学） ； Huawei Technologies Co., Ltd.（华为技术有限公司） ； The University of Hong Kong（香港大学） ； Tsinghua University（清华大学） ； Peking University（北京大学）
专题命中 VLA模型 ：vision-language-action(title,abstract)；VLA(abstract,abstract_cn)；分类 cs.CV
AI总结 针对长程机器人操作中记忆瓶颈问题，提出EventVLA框架，通过动态关键帧证据记忆模块自主捕获任务关键视觉事件，在17个模拟和4个真实任务中平均成功率提升40%。
慢速大脑，快速规划器：延迟鲁棒的VLM增强城市导航
机构 * Amazon FAR（亚马逊 FAR） ； UCLA（加州大学洛杉矶分校） ； Independent（独立） ； Zhejiang University（浙江大学）
专题命中 VLA模型 ：vision-language-action(abstract)；action model(abstract)；分类 cs.RO
AI总结 针对移动机器人在人行道导航中轨迹评分差距问题，提出一种无需训练的延迟鲁棒轨迹级融合层，利用VLM选择候选轨迹并与规划器输出融合，在挑战场景下降低ADE 30%。
Lagrange: 一种面向通用端到端驾驶的开放词汇、基于能量的稀疏框架
专题命中 VLA模型 ：vision-language-action(abstract)；VLA(abstract)；分类 cs.AI
AI总结 提出Lagrange框架，利用掩码潜在场和视觉语言模型实现开放词汇、稀疏计算，通过拉格朗日动作最小化确保运动学约束，在nuScenes和CODA基准上验证了鲁棒性和可解释性。
FlexLAM: 解决潜在动作学习中的瓶颈权衡
机构 * University of Tsukuba（筑波大学） ； The University of Tokyo（东京大学）
专题命中 VLA模型 ：action model(abstract)；分类 cs.RO、cs.LG
AI总结 针对潜在动作模型中固定容量瓶颈导致的权衡问题，提出FlexLAM，通过嵌套dropout实现变长潜在动作，在不增加架构或损失的情况下，在稀缺标签和低回报任务中优于固定容量模型，并支持推理时调整令牌预算。
区分具有有界相干记忆的量子过程
专题命中 VLA模型 ：action model(abstract)
AI总结 提出自主区分机器（MAD）作为有界相干记忆下的量子过程区分框架，证明其层次结构单调且完备，数值实验显示增加相干记忆可系统提升区分性能。
频率感知流匹配用于连续且一致的机器人动作生成
机构 * Beihang University（北京航空航天大学） ； Peking University（北京大学） ； The Chinese University of Hong Kong（香港中文大学） ； PKU-Psibot Lab（北大-智源机器人实验室） ； Zhongguancun Laboratory（中关村实验室） ； Hefei Comprehensive National Science Center（合肥综合性国家科学中心）
专题命中 动作表示与策略 ：action model(abstract)；分类 cs.RO、cs.AI
AI总结 提出频率感知流匹配（FAFM），通过离散余弦变换将离散动作序列转换到频域进行流匹配，并正则化一阶时间导数以生成平滑连续的动作，提升成功率、多模态表达性和运动平滑性。
HumanScale: 以自我为中心的人类视频在具身预训练中可超越真实机器人数据
机构 * PKU（北京大学） ； NUS（新加坡国立大学） ； MIT（麻省理工学院） ； UCSB（加州大学圣塔芭芭拉分校） ； NVIDIA（英伟达）
专题命中 数据集与评测 ：embodied foundation model(abstract)；分类 cs.CV
AI总结 本文通过系统比较发现，经过精心设计的过滤和标注流程，以自我为中心的人类视频在具身基础模型预训练中不仅可行，而且性能优于遥操作真实机器人数据，验证了“预训练于人类视频+少量机器人数据适配”的可扩展范式。
Comments Github: https://github.com/DAGroup-PKU/HumanNet/
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