MAPLE: Mondrian锚定的无学习室内探索先验
Kelvin Aladum提出MAPLE方法，一种无需训练的室内探索预测方法，通过将Mondrian过程适应为基于观察几何线索的在线生成先验，在KTH平面图和真实SLAM环境中表现优于非预测方法，与学习型预测方法相当，且计算资源需求低。实验表明更准确的地图预测不一定带来更好的探索效果。
推荐理由：无需训练的预测方法MAPLE在室内探索中表现优于非预测方法，与学习型预测方法相当，挑战了'更准确预测必然带来更好探索'的假设。
内容形态
论文研究 最新动态
值得读的 AI 论文与研究成果：架构创新、训练方法、能力测量与理论进展的精选解读。
136 条精选近 30 天 129 条共收录 362 条
更新
精选归档 · 第 3 页
arXiv · cs.RO精选AI 评分6565 arXiv · cs.RO精选AI 评分7575 SceneRig: 从单张图像重建仿真就绪3D场景的智能体系统
SceneRig是一个智能体系统，可将单张图像转换为可编辑、仿真就绪的3D场景。该系统结合几何、视觉和物理工具重建3D场景，并通过智能体在物理仿真器中执行编辑-验证循环实现物理稳定性。相比基线方法，SceneRig能改进实例分割、以对象为中心的外观和3D放置，同时保持场景物理稳定，且其场景能更准确地预测真实机器人策略结果。
推荐理由：从单张图像重建物理稳定的3D场景，解决了视觉相似与物理行为之间的矛盾，为机器人仿真提供了新工具。
arXiv · cs.RO精选AI 评分7070 AgenticRoboRL: 将编码智能体后训练引入具身机器人
研究人员提出AgenticRoboRL框架，通过监督微调和多轮强化学习对机器人规划器进行后训练，在LIBERO-PRO基准测试中，9B参数模型的成功率从18.1%提升至71.0%，接近Codex(GPT-5.5)的水平。该框架通过适配器连接规划器交互与任务结果，支持不同执行机制。
推荐理由：9B参数模型成功率从18.1%提升至71.0%，接近GPT-5.5水平，证明后训练对机器人规划器有效。
arXiv · cs.RO精选AI 评分7575 PhysCanvas：面向机器人策略评估与学习的视觉触觉世界模型
研究人员提出PhysCanvas，一种统一多模态的视觉触觉世界模型，用于接触密集型机器人操作。该模型整合多视角RGB、触觉图像、标记位移、任务状态和动作，通过一致性感知后训练将世界模型与真实世界成功率的相关性从0.602提升至0.885，并将策略在真实世界中的成功率从59.1%提升至70.8%。
推荐理由：通过统一视觉与触觉模态建模，PhysCanvas将机器人策略评估与学习的成功率相关性提升至88.5%，解决了仿真与真实世界接触动力学不一致的难题。
arXiv · cs.RO精选AI 评分6565 Planning under Noise with Neural Operators：在噪声环境下使用神经算子进行规划
作者提出Planning Under Noise (PUN)神经算子，用于在不确定控制执行噪声下进行规划。该方法通过学习噪声感知的价值场，解决了传统方法在复杂几何环境中导航的挑战。
推荐理由：通过神经算子解决控制噪声下的规划问题，在4D场景下实现95-100%成功率且速度领先。
arXiv · cs.RO精选AI 评分8080 UniWALM: 统一世界-动作-语言模型用于具身机器人控制
研究人员提出 UniWALM，一种统一的世界-动作-语言模型，在单一共享表征中学习视频、动作和语言。该模型在组合式抓取放置任务中表现优于基线模型，在真实世界的找物品任务中成功率从 11.1% 提升至 61.1%。
推荐理由：通过语言-感知-动作的统一表征，UniWALM 在机器人控制任务中实现了记忆依赖行为，无需外部规划器。
arXiv · cs.RO精选AI 评分6565 Joints, Camera, Action! 协同生成任意骨骼结构的3D运动与视频
Noam Rotstein提出了一种新模型，能够协同生成任意骨骼结构的3D运动与视频，并自动定位相机位置将运动放置到3D场景中。该模型通过分离运动模型与视频模型，使用交叉注意力层连接，支持从文本生成多样化骨骼动画，并能将视频转换为骨骼运动，实现关键帧控制。研究团队使用生成式视频编辑器创建了近20万训练对，评估显示该方法比视频优先管道更忠实于文本描述，且运动能响应周围场景。
推荐理由：通过分离运动模型与视频模型，实现了任意骨骼结构的3D运动与视频的协同生成，解决了现有方法仅支持人类骨骼或参数量过大的问题。
arXiv · cs.RO精选AI 评分6565 自适应穿越管道：面向双足人形机器人的姿态感知导航
本文提出了一种基于自适应穿越管道(ATT)的姿态感知导航框架，结合区间速度-航向(IVH)控制和增强侧步的AMP运动先验，使双足人形机器人能够通过调整身体偏航改变有效足迹，实现窄通道穿越和社交感知避让。该方法已在MuJoCo仿真和实际机器人部署中进行了演示，并计划在宇树G1上进行定量评估。
推荐理由：通过自适应穿越管道和速度-航向控制，人形机器人能在狭窄通道和社交场景中灵活调整姿态，提升导航稳定性。
arXiv · cs.RO精选AI 评分6565 RoboJudge: 多模态大模型作为具身视频生成的评判者
研究团队提出RoboJudge-Bench基准，用于评估多模态大模型作为具身视频生成评判者的能力。该基准涵盖800个人类标注的视频，测量物理遵循和指令对齐两个维度。研究团队还构建了RoboJudge-Train数据集，并基于此训练出RoboJudge-9B模型，在评测中达到与人类判断的最高一致性，皮尔逊相关系数达0.719，比最佳基线模型Gemini-3.7-Flash高出0.089。
推荐理由：首个系统性评测多模态大模型对具身视频生成判断能力的基准，揭示了通用模型与专业模型在物理遵循和指令对齐上的评估差异。
arXiv · cs.RO精选AI 评分7070 多视角潜在动作预训练用于跨具身机器人视频学习
Oliver Hausdörfer提出一种多视角潜在动作模型(LAM)，通过交叉注意力解决深度和遮挡问题，将同步多摄像头视图压缩为潜在动作。实验表明，双视角LAM预训练将真实6D动作解码准确率提高17%，下游策略成功率提升13.5%，单次跨具身学习即可实现技能迁移，硬件实验中成功率提升20%。
推荐理由：多视角潜在动作预训练将6D动作解码准确率提升17%，证明视频与机器人数据互补且任务依赖性强。
arXiv · cs.RO精选AI 评分7070 前沿大语言模型进入机器人领域：在RoboColiseum上的跨模型评估
研究团队在RoboColiseum平台上对GPT-6 Astra、GPT-6.1 Sol、Claude Opus 5.5和Gemini 4 Argon四个模型进行了多维度比较评估，涵盖指令跟随、空间推理、通用操作和鲁棒性四个方面。结果显示所有模型在指令跟随上表现优异，空间推理能力强，但通用操作能力较弱；Astra在指令跟随和鲁棒性上领先，Opus在空间推理、通用操作和整体性能上领先。
推荐理由：大模型在机器人任务上展现出指令理解与空间推理优势，但执行能力仍存明显差距，模型间互补性强。
arXiv · cs.RO精选AI 评分6565 EventSync: 面向历史依赖操作的事件驱动记忆更新
Jingjiao Zhao提出EventSync框架，通过事件驱动记忆更新协调任务推理和动作执行，在RoboMME基准上达到64.5%的整体成功率，比最佳基线高出20个百分点。该框架结合视觉语言模型生成子目标和视觉语言-动作模型执行，并通过轻量级事件监控器确定子目标完成状态。
推荐理由：事件驱动记忆更新解决了机器人操作中历史依赖任务的关键挑战，在RoboMME上实现64.5%成功率，领先基准20个百分点。
HuggingFace Daily Papers精选AI 评分6565 SolarRenderer: 少步生成式参考渲染
研究人员提出SolarRenderer，一种结构条件视频渲染器，通过冻结MiniMax-H3 33B主干模型并使用两个轻量级LoRA适配器，实现了四步渲染，比50步采样快12.3倍。该模型在136K帧对齐语料上训练，可在16种结构表示上达到最先进结果，并能泛化到11种未见表示，包括姿态骨架、绘图和点云。
推荐理由：四步渲染比传统方法快12.3倍，同时保持对11种新结构表示的泛化能力，为实时视频生成开辟新路径。
HuggingFace Daily Papers精选AI 评分6565 Sage-A1.5：从长周期执行到科学探索的能力组合模型
Sage-A1.5是一个35B参数的混合专家智能体模型，在A1基础上通过自适应能力组合提升长周期问题解决能力。该模型具有三大改进：智能体编排、验证和开放科学发现，支持任务分解、并行协作、进度检查和策略修订，并能进行探索性科学研究。
推荐理由：通过能力组合实现长周期任务执行与科学探索，Sage-A1.5展示了智能体协作与验证的新路径。
HuggingFace Daily Papers精选AI 评分7070 LaLa-World: 通过自然语言动作扩展潜在世界模型
研究团队提出LaLa-World，一种语言条件潜在世界模型，通过语言描述数值动作和视觉变化，实现跨域学习。该模型在MPC规划性能上优于现有LWM，训练成本降低6倍，推理速度提高13.9倍。基于此的LaLa-Policy在LIBERO和RoboCasa上与Cosmos Policy竞争，推理速度提升5.5倍。
推荐理由：用语言描述动作和视觉变化，让单一预测器跨域学习，6倍降低训练成本仍保持规划性能。
HuggingFace Daily Papers精选AI 评分7070 Agent Mosaic：识别智能体LLM系统中的信息泄露风险
研究人员通过实验发现，现代LLM智能体能够从可访问文档中检索信息并披露敏感结论，造成马赛克效应风险。在模拟测试中，即使添加分类标签和聚合规则，GPT-5.6-Sol等模型仍以32.37%的泄露率披露禁止信息，且拒绝回答反而可能暴露禁止结论。研究使用了30个合成案例和两个开源测试平台，共测试了10,800个模拟答案和1,440个实时答案。
推荐理由：即使添加分类标签和聚合规则，AI智能体仍会以32.37%的泄露率通过马赛克效应暴露敏感信息，拒绝回答反而可能暴露禁止结论。
HuggingFace Daily Papers精选AI 评分7575 Foundation4D: 面向自动驾驶的统一感知与重建模型
NVIDIA发布Foundation4D，一种统一的前馈模型，可从多摄像头驾驶视频中实现几何估计、3D检测、语义占用和高斯重建。该模型共享骨干网络，使用分解时空注意力高效跨摄像头和时间组合观测，并通过位图优化优化相机轨迹。
推荐理由：统一模型同时处理几何估计、3D检测和语义占用，任务组合提升1.2点mAP，为无激光雷达场景重建提供新思路。
HuggingFace Daily Papers精选AI 评分7575 SplatLab: 3D高斯溅射研究的自主科学发现系统
SplatLab是一个针对3D高斯溅射(3DGS)的自主研究系统，能够复现已发表论文、提出扩展方案、训练模型并撰写论文。该系统在Mip-NeRF 360和LLFF数据集上，其生成的论文在PSNR指标上比复现目标高出+0.18至+3.78 dB，包括在天文摄影星云渲染上取得的+3.78 dB提升。
推荐理由：SplatLab 将科研周期从数月压缩至数天，通过可验证的实验流程和自动生成的论文，实现了3D高斯溅射研究的自主发现。
HuggingFace Daily Papers精选AI 评分6565 迈向物理AI中的递归自我改进
该论文探讨了递归自我改进(RSI)在物理AI中的应用，分析了机器人学习中的能力改进与改进过程改进的路径，并总结了现有研究的评估原则和研究方向。
推荐理由：递归自我改进机制在物理世界面临学习成本与安全挑战，现有研究尚未完全证明递归增益的独立性。
HuggingFace Daily Papers精选AI 评分7070 Self-Distilling Future Video Representations for World Action Models
研究人员提出FRED框架，通过自蒸馏方法提升世界行动模型(WAMs)的未来视频表示质量。该框架在真实操作场景中表现优异，特别是在长时程和跨领域任务上，零样本泛化能力显著提升，人机技能迁移成功率从19.4%提高到50.0%。
推荐理由：通过自蒸馏提升未来视频表示质量，使机器人零样本泛化能力提升近2.6倍，人机技能迁移成功率突破50%。