机器人 / 具身智能

EduSim-LLM: An Educational Platform Integrating Large Language Models and Robotic Simulation for Beginners

EduSim-LLM: 一个整合大语言模型和机器人模拟的教育平台，用于初学者

Shenqi Lu, Liangwei Zhang

机构 * Hangzhou Dianzi University Information Engineering College（杭州电子科技大学信息工程学院） 纠错

专题命中 机器人数据与评测 ：robotic(title,abstract)；robotics(abstract)；manipulation(abstract)；分类 cs.RO

AI总结 EduSim-LLM通过整合大语言模型与机器人模拟，实现自然语言到机器人行为的转换，提升初学者在人机交互和多机器人协作中的控制与操作能力。

Stochastic Online Optimization for Cyber-Physical and Robotic Systems

随机在线优化用于网络物理和机器人系统

Hao Ma, Melanie Zeilinger, Michael Muehlebach

专题命中 机器人数据与评测 ：robotic(title,abstract)；分类 cs.RO、cs.LG

AI总结 本文提出了一种基于梯度的在线优化框架，用于解决网络物理和机器人系统中的随机规划问题，通过整合动态近似模型和非凸设置下的收敛分析，提升算法收敛性并验证其在多种机器人仿真和实际实验中的有效性。

Comments 46 pages, 16 figures

RoboRefer: Towards Spatial Referring with Reasoning in Vision-Language Models for Robotics

RoboRefer: 向视觉语言模型在机器人中的空间指称推理迈进

Enshen Zhou, Jingkun An, Cheng Chi, Yi Han, Shanyu Rong, Chi Zhang, Pengwei Wang, Zhongyuan Wang, Tiejun Huang, Lu Sheng, Shanghang Zhang

机构 * School of Software, Beihang University（北京航空航天大学软件学院） ； State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机学院） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） 纠错

专题命中 机器人数据与评测 ：robotics(title)；分类 cs.RO、cs.AI、cs.CV

AI总结 RoboRefer通过整合深度编码器和强化微调方法，实现了视觉语言模型在机器人中的空间指称推理，提升了复杂场景下的交互能力。

Comments Accepted by NeurIPS 2025. Project page: https://zhoues.github.io/RoboRefer/

Towards reliable subsea object recovery: a simulation study of an auv with a suction-actuated end effector

迈向可靠的深海物体回收：配备吸盘驱动末端执行器的AUV的仿真研究

Michele Grimaldi, Yosaku Maeda, Hitoshi Kakami, Ignacio Carlucho, Yvan Petillot, Tomoya Inoue

专题命中 机器人数据与评测 ：manipulation(abstract)；navigation(abstract)；robotic(abstract)；分类 cs.RO

AI总结 本文提出了一种基于仿真的深海物体回收研究，利用配备吸盘驱动末端执行器的HSV，通过高保真度仿真评估自主深海干预行为。

STEMNIST: Spiking Tactile Extended MNIST Neuromorphic Dataset

STEMNIST：基于事件的神经形态触觉数据集

Anubhab Tripathi, Li Gaishan, Zhengnan Fu, Chiara Bartolozzi, Bert E. Shi, Arindam Basu

专题命中 机器人数据与评测 ：robotics(abstract)；manipulation(abstract)；robotic(abstract)

AI总结 STEMNIST是一个扩展至35个字母数字类别的神经形态触觉数据集，用于评估基于事件的触觉识别性能。

ManiBox: Enhancing Embodied Spatial Generalization via Scalable Simulation Data Generations

ManiBox: 通过可扩展的模拟数据生成增强具身空间泛化

Hengkai Tan, Xuezhou Xu, Chengyang Ying, Xinyi Mao, Zeyuan Wang, Songming Liu, Xingxing Zhang, Zhizhong Su, Hang Su, Jun Zhu

机构 * Tsinghua University（清华大学） ； National University of Singapore（新加坡国立大学） ； Horizon Robotics 纠错

专题命中 机器人数据与评测 ：embodied agent(abstract)；manipulation(abstract)；分类 cs.RO、cs.LG

AI总结 ManiBox通过可扩展的模拟数据生成提升具身智能体的空间泛化能力，有效减少仿真到现实的差距。

A Novel Deep Learning Method for Segmenting the Left Ventricle in Cardiac Cine MRI

一种用于心脏 cine MRI 中左心室分割的新型深度学习方法

Wenhui Chu, Aobo Jin, Hardik A. Gohel

机构 * Dept. of Computer Science, University of Houston-Victoria, Victoria, USA.（计算机科学系，休斯顿-维克托利亚大学，维克托利亚，美国） 纠错

专题命中 机器人数据与评测 ：robotics(abstract)；分类 cs.CV、cs.LG

AI总结 本研究提出GBU-Net，一种基于组批归一化U-Net的新型深度学习方法，用于提高心脏cine MRI中左心室分割的精度和上下文理解能力。

Comments 9 pages, 5 figures

DST-Calib: A Dual-Path, Self-Supervised, Target-Free LiDAR-Camera Extrinsic Calibration Network

DST-Calib: 一种双路径、自监督、无目标的激光雷达-摄像头外参校准网络

Zhiwei Huang, Yanwei Fu, Yi Zhou, Xieyuanli Chen, Qijun Chen, Rui Fan

机构 * Department of Control Science & Engineering, the College of Electronics & Information Engineering, Tongji University（控制科学与工程系，电子与信息工程学院，同济大学） ； Department of Mechanical Engineering, the School of Mechanical Engineering, Tongji University（机械工程系，机械工程学院，同济大学） ； School of Robotics, Hunan University（机器人学院，湖南大学） ； College of Intelligence Science and Technology, National University of Defense Technology（智能科学与技术学院，国防科学技术大学） ； Department of Control Science & Engineering, the College of Electronics & Information Engineering, Shanghai Research Institute for Intelligent Autonomous Systems, the State Key Laboratory of Intelligent Autonomous Systems, and Frontiers Science Center for Intelligent Autonomous Systems, Tongji University（控制科学与工程系，电子与信息工程学院，上海智能自主系统研究院，智能自主系统国家重点实验室，智能自主系统前沿科学中心，同济大学） ； National Key Laboratory of Human-Machine Hybrid Augmented Intelligence, Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University（人机混合增强智能国家重点实验室，人工智能与机器人研究院，西安交通大学） 纠错

专题命中 机器人数据与评测 ：robotic(abstract)；分类 cs.RO、cs.CV

AI总结 DST-Calib通过双路径自监督方法，无需目标实现激光雷达与摄像头的高效外参校准，提升泛化能力。

Sample-Efficient Online Learning in LM Agents via Hindsight Trajectory Rewriting

通过回顾轨迹重写实现LM代理的样本高效在线学习

Michael Y. Hu, Benjamin Van Durme, Jacob Andreas, Harsh Jhamtani

机构 * New York University（纽约大学） ； Microsoft（微软） 纠错

专题命中 机器人数据与评测 ：navigation(abstract)；分类 cs.AI、cs.LG

AI总结 ECHO通过回顾轨迹重写提升LM代理的样本效率，有效利用过去经验以更快适应新环境。

Loupe: A Generalizable and Adaptive Framework for Image Forgery Detection

Loupe：一种通用且适应性强的图像伪造检测框架

Yuchu Jiang, Jiaming Chu, Jian Zhao, Xin Zhang, Xu Yang, Lei Jin, Chi Zhang, Xuelong Li

专题命中 机器人数据与评测 ：manipulation(abstract)；分类 cs.AI、cs.CV

AI总结 Loupe提出了一种轻量且高效的图像伪造检测与定位框架，通过补丁级融合和条件查询设计提升分类准确性和空间定位性能，在挑战中取得领先成绩。

Comments There is some controversy over the methods of the content

Machine Learning - Driven Materials Discovery: Unlocking Next-Generation Functional Materials - A review

机器学习驱动的材料发现：解锁下一代功能材料——综述

Dilshod Nematov, Mirabbos Hojamberdiev

专题命中 机器人数据与评测 ：robotic(abstract)；分类 cs.AI、cs.LG

AI总结 本文综述了机器学习驱动的材料发现方法，探讨其在预测材料性质、发现新化合物及优化材料结构中的应用，展示了AI在加速材料研发中的关键作用。

Journal ref Computational Condensed Matter, 2025

Adapting Depth Anything to Adverse Imaging Conditions with Events

在恶劣成像条件下适应Depth Anything以应对事件

Shihan Peng, Yuyang Xiong, Hanyu Zhou, Zhiwei Shi, Haoyue Liu, Gang Chen, Luxin Yan, Yi Chang

机构 * National Key Lab of Multispectral Information Intelligent Processing Technology, School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（multispectral information intelligent processing technology 国家重点实验室，人工智能与自动化学院，华中科技大学） ； School of Computing, National University of Singapore（computing 学院，新加坡国立大学） ； School of Computer Science and Engineering, Sun Yat-Sen University（computer science and engineering 学院，中山大学） 纠错

专题命中 机器人数据与评测 ：robotic(abstract)；分类 cs.CV

AI总结 本文提出ADAE框架，通过熵感知空间融合和运动引导时间校正，提升Depth Anything在恶劣成像条件下的深度估计性能。

Comments This work has been submitted to the IEEE for possible publication

LabelAny3D: Label Any Object 3D in the Wild

LabelAny3D: 在真实世界中标注任意物体的3D

Jin Yao, Radowan Mahmud Redoy, Sebastian Elbaum, Matthew B. Dwyer, Zezhou Cheng

机构 * University of Virginia（弗吉尼亚大学） 纠错

专题命中 机器人数据与评测 ：robotics(abstract)；分类 cs.CV

AI总结 LabelAny3D通过分析-合成框架生成高质量3D标注，提升单目3D检测性能，推动真实世界3D识别发展。

Comments NeurIPS 2025. Project page: https://uva-computer-vision-lab.github.io/LabelAny3D/