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。
基于运动学的路由、基于观测的执行：MoE增强视觉-语言智能体（VLA）中的运动学监督专家路由
专题命中 VLA模型 ：VLA(title,title_cn)；分类 cs.RO
AI总结 本研究针对MoE增强VLA的专家路由问题，提出KinRT方法，通过运动学聚类监督路由器训练，在两个平台上验证其性能优于现有模型，相关代码与平台将开源。
Comments 9 pages
HBVLA: 推动面向视觉-语言-动作模型的1位后训练量化
专题命中 VLA模型 ：vision-language-action(title,abstract)；action model(title)；VLA(abstract,abstract_cn)；分类 cs.LG
AI总结 HBVLA通过改进的二值化框架，实现对视觉-语言-动作模型的高效1位量化，保留了高精度性能，适用于资源受限的机器人部署。
MPCoT: 奖励引导的多路径潜在推理用于测试时可扩展的视觉-语言-动作
机构 * Department of Electrical and Computer Engineering, Boston University（波士顿大学电气与计算机工程系） ； Department of Computer Science, Tsinghua University（清华大学计算机系）
专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(title,abstract)；分类 cs.RO、cs.AI
AI总结 提出MPCoT框架，通过奖励引导的多路径潜在推理，在保持零推理令牌和原始动作接口的同时，提升长时域和高不确定性控制任务中的VLA策略性能。
Comments 14 pages, 5 figures, submitted to CoRL
通过自演示生成控制对视觉-语言动作（VLA）模型进行微调以实现多任务操作
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
专题命中 VLA模型 ：VLA(title_cn,summary_cn)；vision-language-action(abstract)；分类 cs.RO、cs.CV、cs.LG
AI总结 本文针对VLA模型部署到新机器人时因硬件不匹配导致性能下降的问题，提出自监督方法生成在线交互rollout数据微调VLA模型，使模型在目标机器人上同时具备先验任务能力、指令遵循能力与高效学习新技能的能力。
Comments Project Page: this https URL (https://self-supervised-control.pages.dev/)
EXIMO：基于视觉语言模型引导的视觉语言动作策略探索
机构 * Google DeepMind（谷歌DeepMind）
专题命中 VLA模型 ：VLA(title,summary_cn)；vision-language-action(abstract)；分类 cs.AI
AI总结 本研究提出EXIMO算法，通过VLM引导的探索、模仿、优化三阶段微调VLA策略，解决了VLA策略微调样本效率低的问题，性能显著优于现有方法。
OrthoSkillVLA：通过梯度感知技能子空间自适应实现持续技能学习
机构 * School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； School of Electronic Science and Engineering, Southeast University（东南大学电子科学与工程学院）
专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(abstract,abstract_cn)；action model(abstract)；分类 cs.RO、cs.CV
AI总结 OrthoSkillVLA是一种参数高效的持续技能学习框架，通过对VLM和ActionHead施加独立子空间约束、引入特征感知MoE解码器，实现预训练VLA模型的技能学习，可缓解灾难性遗忘。
Comments Accepted by PRCV 2026
EATR-Stereo：面向人形机器人视觉-语言-动作控制的具身感知配对立体证据路由
机构 * Harbin Institute of Technology（哈尔滨工业大学）
专题命中 VLA模型 ：VLA(summary_cn,abstract)；vision-language-action(title)；分类 cs.RO
AI总结 EATR-Stereo是具身感知的令牌路由框架，在冻结预训练VLA模型的前提下，通过选择性路由配对立体证据，提升了人形机器人长时程视觉-语言-动作控制的任务成功率。
Comments 8 pages, 5 figures
WNM-3D：一种用于闭环视觉语言导航的带3D场景条件的世界导航模型
专题命中 VLA模型 ：VLA(abstract,abstract_cn)；vision-language-action(abstract)；action model(abstract)；分类 cs.RO、cs.CV、cs.AI
AI总结 该研究提出带3D场景条件的WNM-3D模型，通过几何编码器与适配器整合场景上下文，经多阶段训练后在GN-Bench等数据集上的闭环导航性能优于同类模型。
DECOWAM：用于腿式移动操作的解耦全身世界-动作模型
机构 * Tsinghua University（清华大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Harbin Institute of Technology（哈尔滨工业大学） ； Hangzhou Yunshenchu Technology Co., Ltd. (DEEP Robotics)（杭州云神初科技有限公司（深智机器人））
专题命中 VLA模型 ：action model(title,abstract)；分类 cs.RO、cs.AI
AI总结 本研究提出DECOWAM模型，通过解耦全身动作因素提升移动操作的视觉与动作预测性能，在真实机器人数据集ARMDOG上验证了其在协调性和鲁棒性上的优势。
Comments 8 pages, 5 figures. Introduces DECOWAM, a decoupled whole-body world-action model for legged mobile manipulation, and the ARMDOG real-robot dataset
面向外科世界动作建模：外科手术运动规划的初步联合视觉-轨迹预测
机构 * University of Macau（澳门大学） ； University of Macau Advanced Research Institute in Hengqin（澳门大学横琴研究院） ； The Chinese University of Hong Kong（香港中文大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； Tongren Hospital（同仁医院） ； Duke University（杜克大学）
专题命中 VLA模型 ：action model(title,abstract)；分类 cs.RO、cs.CV
AI总结 本文提出初步联合视觉-轨迹世界动作模型，从历史手术观测中同时预测未来视觉状态与器械轨迹，采用分块自回归展开法，提升了预测性能，证明了联合预测的可行性，但仍存在长范围预测的退化与误差挑战。
HiTac-WAM：一种用于接触丰富型机器人操作的分层触觉世界动作模型
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； ImprintX Robotics（ImprintX机器人公司） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院）
专题命中 VLA模型 ：action model(title,abstract)；分类 cs.RO
AI总结 本文提出HiTac-WAM这一分层触觉世界动作模型，通过分层结构建模触觉状态的物理依赖关系，在机器人接触操作任务中提升了预测精度与操作成功率。
Comments 8 pages, 7 figures, and 3 tables
机器人学习中隐式动作的关键影响因素
机构 * College of Intelligent Robotics and Advanced Manufacturing, Fudan University（复旦大学智能机器人与先进制造学院） ； Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Guangdong Provincial Key Laboratory of Computility Microelectronics, Faculty of Computility Microelectronics, Shenzhen University of Advanced Technology（深圳先进技术研究院计算机微科学与技术学院、广东省计算微电子重点实验室） ； School of Aeronautics and Astronautics, Sichuan University（四川大学航空航天学院） ； Suzhou Evans Intelligent Technology Co., Ltd.（苏州伊文斯智能科技有限公司） ； Morphi Intelligence Technology Co., Ltd.（墨飞智能科技有限公司） ； School of Artificial Intelligence, Wuhan University（武汉大学人工智能学院） ； Xiaomi EV（小米汽车）
专题命中 VLA模型 ：action model(abstract)；分类 cs.RO、cs.CV
AI总结 本研究通过统一框架整合代表性隐式动作模型，系统探究41种设计选择，发现用隐式动作微调视觉语言模型主干可为下游机器人操纵策略学习提供更强初始化。
Comments Project page: this https URL (https://carldegio.github.io/latent_action.github.io)
ROBOSHACKLES: 面向具身基础模型中人体伤害预防的安全数据集
机构 * Institute of Al for Industries, Chinese Academy of Sciences（工业人工智能研究所，中国科学院） ； University of Science and Technology of China（中国科学技术大学）
专题命中 数据集与评测 ：embodied foundation model(title,abstract)；分类 cs.RO
AI总结 为解决机器人伤害人类数据难以安全收集的问题，提出基于真实观测的安全数据构建流水线，生成包含1万条视频的ROBOSHACKLES数据集，涵盖直接和间接伤害类别，评估发现现有模型在安全关键场景下100%产生不安全动作。
RoMAN-Flow：驯服自回归归一化流用于机器人操作中的离线强化学习
专题命中 数据集与评测 ：action model(abstract)；分类 cs.CV
AI总结 该研究针对机器人操作离线强化学习中AR-NFs采样开销大的问题，提出RoMAN-Flow框架，通过无采样的优势加权似然目标和策略蒸馏方法，在保证性能的同时大幅降低推理延迟。
面向规划的端到端自动驾驶：架构、评估与新兴范式
机构 * University of Macau（澳门大学） ； Chongqing University（重庆大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Tongji University（同济大学） ； Beihang University（北京航空航天大学）
专题命中 数据集与评测 ：vision-language-action(abstract)；分类 cs.RO
AI总结 本综述梳理了端到端自动驾驶从回归任务向面向规划系统的转变，沿四个维度整合方法，分析基准转变，指出需结合一致评估解读架构进展，并总结了多项开放性挑战。
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