视觉与机器人
机器人、具身智能、机器人学习、操作、导航和具身世界模型。
ATM：用于诊断和改进潜在世界模型的动作一致性转移矩阵
机构 * School of Software, Northeastern University（东北大学软件学院）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.RO、cs.AI、cs.CV
AI总结 提出ATM矩阵，通过轻量级探针比较真实与预测潜在转移中的动作信息，无需模拟器即可诊断世界模型质量，并引入AITS利用动作可识别性作为训练信号提升下游规划。
Comments 13 pages, 3 figures, 6 tables
Echo-Memory：动作世界模型中记忆的受控研究
机构 * Joy Future Academy（京东探索研究院）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.CV、cs.LG
AI总结 提出Echo-Memory框架，通过控制变量法研究动作条件世界模型中的记忆机制，发现原始上下文容量和块状状态空间递归对开放域返回任务至关重要。
Comments 9 figures and 28 pages, Code at \href{https://github.com/Echo-Team-Joy-Future-Academy-JD/Echo-Memory}{this URL}
PRISM：世界模型中基于先验引导的想象采样
机构 * Northeastern University（东北大学） ； University of California, Berkeley（加州大学伯克利分校） ； Qiyuan Lab（启元实验室） ； University of Florida（佛罗里达大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.RO、cs.AI
AI总结 提出PRISM框架，通过从世界模型编码器提取状态条件高斯先验，并利用精度加权高斯乘积更新规划器的采样分布，在不增加架构复杂度的情况下显著提升基于模型的连续控制性能。
视频世界模型的潜在空间记忆
机构 * Zhejiang University（浙江大学） ； Microsoft Research（微软研究院） ； Adelaide University（阿德莱德大学） ； Monash University（莫纳什大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.CV
AI总结 提出潜在空间记忆框架Mirage，通过在扩散潜在空间中直接构建和查询3D缓存，避免像素空间重建，实现高效视频生成，速度提升10.57倍，内存减少55倍。
Comments Project Page: https://aka.ms/latent-spatial-memory, Code: https://github.com/microsoft/LatentSpatialMemory
Prisma-World: 相机可控的多智能体视频世界模型
机构 * School of AIA, HUST（华中科技大学人工智能与自动化学院） ； S-Lab, NTU（南洋理工大学S-Lab） ； SenseTime Research（商汤科技研究院） ； FDU（复旦大学） ； SUAT（深圳大学） ； HKU（香港大学） ； CUHK（香港中文大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.CV
AI总结 提出Prisma-World，通过联合几何感知去噪过程实现多智能体视频生成中的跨视角一致性，支持灵活智能体数量和相机控制。
Comments Project page: https://huiqiang-sun.github.io/prisma-world/
FF-JEPA：基于潜在规划器的世界模型中的长时域规划
机构 * KU Leuven（鲁汶大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI
AI总结 提出FF-JEPA层次化方法，通过引入无动作潜在规划器预测子目标，将复杂轨迹分解为短期优化问题，解决长时域规划中计算昂贵和需要目标图像的问题。
DisCo: 具有离散相机运动控制的世界模型
机构 * Fudan University（复旦大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.CV
AI总结 提出DisCo，通过离散动作原语替代连续相机轨迹作为条件，解决可控视频生成中动作表示纠缠问题，提升动作跟随可靠性，并引入DisCoBench基准。
可执行世界模型在编码智能体时代的ARC-AGI-3应用
机构 * SingularityNET
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI
AI总结 提出一种编码智能体系统，通过维护可执行Python世界模型、验证观察、重构简化抽象和模型内规划，在ARC-AGI-3游戏中取得初步成果，GPT-5.5高推理下完全解决15个游戏。
Comments 13 pages. Accepted for publication at AGI-2026
MIRAGE: 具有隐式推理和生成世界模型的移动智能体
机构 * Beihang University（北京航空航天大学） ； Northwestern Polytechnical University（西北工业大学） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） ； National University of Singapore（新加坡国立大学） ； Peking University（北京大学）
专题命中 具身推理 ：world model(title)；navigation(abstract)；分类 cs.AI
AI总结 提出MIRAGE框架，通过从显式推理轨迹学习连续潜在表示，使移动智能体能够内部推理并预测未来屏幕状态，在减少生成token的同时提升执行效率。
MBench: 视频世界模型记忆能力的综合基准
机构 * Tsinghua University（清华大学） ； WeChat Vision, Tecent Inc.（微信视觉，腾讯公司） ； Peking University（北京大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.CV
AI总结 提出MBench基准，通过实体一致性、环境一致性和因果一致性三个核心维度及其12个子维度，系统评估视频世界模型的长期记忆能力，并揭示现有方法在长期状态保持上的关键局限。
Comments Project Page: https://peanutup.github.io/MBench-project/
以实体为中心的世界模型：交互感知的掩码用于因果视频预测
机构 * Genentech, Inc.（基因泰克公司）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.CV
AI总结 本文提出IA-JEPA，通过运动中心的自监督掩码策略，优先捕捉物理交互，提升因果推理任务的准确性，并在真实世界动作和物理谜题中验证了其泛化能力。
Comments 12 pages, 4 figures
SleepWalk：一种三层压力测试基准，用于指导的视觉-语言导航
机构 * Indian AI Research Organization (IAIRO)（印度人工智能研究组织） ； ĸragya Lab, BITS Pilani Goa（BITS Pilani Goa 的 ĸragya 实验室） ； University of Dhaka（达卡大学） ； Delhi Technological University（德里技术大学） ； Apple（苹果公司） ； Meta
专题命中 具身推理 ：navigation(title,abstract)；分类 cs.CV
AI总结 本文提出SleepWalk基准，用于评估基于指令的轨迹预测，针对局部化、交互导向的具身推理，揭示当前VLM在空间推理中的系统性失败。
潜在世界模型如何理解部分可观测的安全约束？
机构 * UC San Diego（加州大学圣地亚哥分校） ； Carnegie Mellon University（卡内基梅隆大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.RO
AI总结 研究潜在世界模型在部分可观测安全约束下的故障模式，提出互信息度量和滚动预测度量来诊断估计间隙和预测间隙，并通过多模态监督和共形风险校准缓解问题，提高机器人操作安全性。
Comments 10 tables 5 figures
迈向编译器世界模型：学习潜在动态以实现高效张量程序搜索
机构 * Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences（中国科学院大学杭州高等研究院） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） ； University of Chinese Academy of Sciences（中国科学院大学）
专题命中 具身推理 ：world model(title)；分类 cs.LG
AI总结 提出一种受世界模型启发的评估器，通过轻量级过渡模型在连续潜在空间中展开调度动作，避免昂贵AST变异和重复编码，在TVM AutoScheduler中实现比Ansor更优的延迟和测量效率。
面向欧拉-拉格朗日机器人动力学的物理感知稀疏学习与选择性在线自适应
机构 * The University of Manchester（曼彻斯特大学） ； International Institute of Information Technology Hyderabad（海得拉巴国际信息技术学院） ； Delft University of Technology（代尔夫特理工大学） ； Newcastle University（纽卡斯尔大学）
专题命中 具身推理 ：world model(abstract)；robotic(abstract)；分类 cs.RO
AI总结 提出一种保结构残差学习框架，将模型误差分解为惯性修正、科里奥利项和广义力残差，通过物理约束学习机械部分，并用稀疏历史依赖潜变量模型和贝叶斯线性回归在线自适应扰动敏感部分，提升多机器人平台动力学预测与轨迹跟踪性能。
从USD场景到知识图谱：基于LLM的零样本本体接地
机构 * Technical University of Berlin（柏林工业大学） ； Fraunhofer FOKUS（弗劳恩霍夫开放通信系统研究所）
专题命中 具身推理 ：分类 cs.RO、cs.AI、cs.CV；robotics(comments)
AI总结 研究利用大语言模型（LLM）零样本地将3D场景对象自动映射到本体类别，无需训练，在厨房场景中达到90-96%准确率，并揭示语义线索是关键。
Comments Accepted to the IEEE ICRA 2026 International Joint Workshop on Ontologies, Semantic Maps and Autonomous Robotics Standardization (J-WOSMARS 2026), Vienna, 2026
VoLo: 面向开放词汇长时程操控的物理编排器
机构 * NVIDIA（英伟达） ； University of Michigan（密歇根大学）
专题命中 机器人基础模型 ：manipulation(title,abstract)；分类 cs.RO
AI总结 提出VoLoAgent，利用VLM将VLA/WAM作为可中断工具进行物理编排，实现开放词汇长时程操控，并在新基准RoboVoLo上显著优于现有系统。
Ego-Pi: 面向自我中心人类与机器人数据的VLA微调
机构 * Stanford University（斯坦福大学） ； Meta
专题命中 机器人基础模型 ：robotics(abstract)；manipulation(abstract)；robotic(abstract)；分类 cs.RO、cs.AI
AI总结 为解决机器人数据稀缺问题，利用自我中心人类数据，基于π₀.₅模型微调，使机器人学习新任务语义并组合现有技能，无需对应机器人数据。
你的模型已经知道：面向视觉-语言-动作模型的注意力引导安全过滤器
机构 * University of California Los Angeles（加州大学洛杉矶分校）
专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO、cs.LG
AI总结 本文发现VLA模型中的少数注意力头能可靠定位目标物体，利用这一特性提出无需训练的安全框架，结合控制障碍函数和实时目标跟踪器，实现动态障碍物下的碰撞避免，在动态场景中性能提升43%。
Comments Under review
CT-VAM: 一种小脑-丘脑启发的视觉-动作模型用于高效视觉运动控制
机构 * University of Science and Technology of China（中国科学技术大学） ； AIRLab, Department of Automation（自动化系AIRLab）
专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO、cs.AI
AI总结 提出CT-VAM模型，通过TARS条件注意力解码器融合异构输入，以68M参数实现与大型VLA模型相当的LIBERO成功率，并降低推理延迟，支持高频控制。
BORA: 弥合离线强化学习与在线残差适应以实现真实世界灵巧VLA模型
机构 * Shanghai Jiao Tong University（上海交通大学） ； CASIA（中国科学院自动化研究所） ； Shanghai AI Laboratory（上海人工智能实验室） ； USTC（中国科学技术大学）
专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO、cs.AI
AI总结 提出BORA框架，通过离线构建动作条件价值引导的评论家，并结合在线冻结VLA基础、引入人类在环的分块残差适应机制，解决灵巧操作中高维探索导致的时间不一致、样本低效和硬件风险问题，在五个真实灵巧任务上平均成功率提升33%。
Comments 24 pages,11 figures
UAOR: 面向视觉-语言-动作模型的不确定性感知观测重注入
机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； New Laboratory of Pattern Recognition (NLPR), Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所模式识别新技术实验室） ； Shanghai Jiao Tong University（上海交通大学） ； FiveAges（五代）
专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO、cs.CV
AI总结 提出UAOR模块，通过动作熵检测不确定性，在语言模型高不确定层重注入观测信息，无需额外训练或数据，提升VLA模型在仿真和真实任务中的性能。
ProbeAct: 视觉-语言-动作模型中的探针引导无训练故障恢复
机构 * University of California Los Angeles（加利福尼亚大学洛杉矶分校）
专题命中 机器人基础模型 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO
AI总结 提出ProbeAct框架，通过轻量级隐藏状态探针、运动学状态机和分层控制屏障函数，无需训练即可检测并恢复VLA模型的抓取与放置失败，在LIBERO-plus上将成功率从69.6%提升至74.1%。
Comments under review
状态后门：针对状态空间中视觉-语言-动作模型的隐蔽现实世界投毒攻击
机构 * Laboratory Of Intelligent Collaborative Computing, University of Electronic Science and Technology of China（智能协同计算实验室，电子科学与技术大学） ； National Key Laboratory of Wireless Communications, University of Electronic Science and Technology of China（无线通信国家重点实验室，电子科学与技术大学） ； School of Computer Science and Engineering, University of Electronic Science and Technology of China（计算机科学与工程学院，电子科学与技术大学） ； College of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics（计算机科学与技术学院，南京航空航天大学） ； College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院，南洋理工大学）
专题命中 机器人基础模型 ：robotics(abstract)；embodied AI(abstract)；分类 cs.LG
AI总结 提出状态后门攻击，利用机器人手臂初始状态作为触发器，通过偏好引导遗传算法优化触发器的隐蔽性和有效性，在五个VLA模型和五个真实任务中实现超过90%的攻击成功率。
ReCoVLA: VLM引导的奖励编译用于视觉-语言-动作策略的故障恢复
机构 * University of Southern California（南加州大学） ； Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室） ； Harvard University（哈佛大学）
专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.AI、cs.LG
AI总结 提出ReCoVLA框架，通过冻结预训练VLA策略，利用外部VLM推断故障模式并编译结构化奖励，训练残差恢复策略，实现零样本仿真到真实部署，在多种操作任务中提升成功率。
Comments 19 pages, 7 figures
面向物理AI的驾驭工程：机器人中间件即驾驭层
机构 * Daegu Gyeongbuk Institute of Science and Technology (DGIST)（大邱庆北科学技术院）
专题命中 机器人基础模型 ：robotics(abstract)；分类 cs.RO、cs.AI
AI总结 本文提出机器人中间件作为物理AI的驾驭层，需同时干预控制、计算和通信，并补充投影、隔离和转移三种缺失的强制功能，以ROS 2驾驭配置文件为例。
Comments 6 pages, 2 figures, 2 tables. Big Ideas track submission to the 27th ACM/IFIP International Middleware Conference (Middleware 2026)
TBD-VLA: 时序块扩散视觉语言动作模型
机构 * University of Virginia（弗吉尼亚大学）
专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.CV
AI总结 提出TBD-VLA框架，通过时序块扩散机制实现离散令牌VLA模型的并行动作生成，兼顾时序连贯性与推理速度，在仿真和真实任务中优于先前方法。
回到熟悉的未来：通过预想里程碑选择实现VLA策略的故障恢复
机构 * Seoul National University（首尔大学） ； Yonsei University（延世大学） ； Soongsil University（崇实大学）
专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO
AI总结 提出B2FF框架，通过预生成熟悉未来状态里程碑并选择恢复目标，使VLA策略在偏离轨迹时无需微调即可稳健恢复，成功率从56.3%提升至74.0%。
MotionVLA: 将几何运动注入视觉-语言-动作模型
机构 * Huazhong University of Science and Technology（华中科技大学） ； D-Robotics（大疆机器人） ； Wuhan University（武汉大学）
专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO
AI总结 提出MotionVLA，通过运动历史接口将过去视频窗口转换为紧凑的连续轨迹场令牌，解决长程操作中的几何漂移和时间线索碎片化问题，提升动作平滑性和执行效率。
Comments 17 pages, 8 figures
CodeGraphVLP：代码规划器与语义图状态的结合用于非马尔可夫视觉-语言-动作模型
机构 * University of Arkansas（亚拉巴马大学） ； Max Planck Research School for Intelligent Systems and the University of Stuttgart（马克斯·普朗克智能系统研究学校和斯图加特大学） ； Center of AI Research, VinUniversity（Vin大学人工智能研究中心） ； TU Wien（维也纳技术大学） ； University of Liverpool（利物浦大学）
专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO
AI总结 CodeGraphVLP结合语义图状态与可执行代码规划器，提升非马尔可夫长周期任务的视觉语言动作执行效率，降低规划延迟并提高任务完成率。
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