机器人 / 具身智能

Segment to Focus: Guiding Latent Action Models in the Presence of Distractors

聚焦分割：在干扰物存在下引导潜在动作模型

Marcus Fechner, Hamza Adnan, Constantin C. Lüth, Matthew T. Jackson, Alexey Zakharov, J. Marius Zöllner

机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； University of Oxford（牛津大学） 纠错

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

AI总结 针对动作相关视觉干扰导致潜在动作模型失效的问题，提出MaskLAM方法，利用分割基础模型（如SAM）零样本获取智能体掩码，限制重建目标于智能体像素，迫使潜在动作编码内源动态，显著提升下游策略性能。

Deepfake-Eval-2024: A Multi-Modal In-the-Wild Benchmark of Deepfakes Circulated in 2024

Deepfake-Eval-2024：2024年传播的深度伪造多模态野外基准

Nuria Alina Chandra, Hannah Lee, Ryan Murtfeldt, Lin Qiu, Arnab Karmakar, Emmanuel Tanumihardja, Kevin Farhat, Ben Caffee, Changyeon Lee, Jongwook Choi, Sejin Paik, Aerin Kim, Oren Etzioni

机构 * University of Washington（华盛顿大学） ； Allen Institute for Artificial Intelligence（人工智能研究院） ； University of Maryland（马里兰大学） ； Chung-Ang University（Chung-Ang 大学） ； Georgetown University（乔治城大学） ； Miraflow AI 纠错

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

AI总结 针对现有学术基准过时且不反映真实深度伪造的问题，提出包含2024年社交媒体和用户提交的多模态深度伪造基准Deepfake-Eval-2024，评估发现开源模型性能大幅下降，而商业模型和微调模型表现更优但未达到专家水平。

TrackRef3D: Multi-View Consistent Track-then-Label for Open-World Referring Segmentation in 3D Gaussian Splatting

TrackRef3D: 面向开放世界3D高斯泼溅分割的多视角一致跟踪-标注方法

Yuyang Tan, Renhe Zhang, Hang Zhang, Ao Li, Xin Tan

机构 * East China Normal University, Shanghai, China（华东师范大学，上海，中国） ； Shanghai AI Laboratory（上海人工智能实验室） ； University of Electronic Science and Technology of China, Chengdu, China（电子科技大学，成都，中国） 纠错

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

AI总结 提出TrackRef3D全自动流水线，通过多视角一致跟踪-标注范式解耦目标发现与语义定位，无需人工标注实现开放世界3D高斯泼溅分割。

AEROS: A Single-Agent Operating Architecture with Embodied Capability Modules

AEROS：一种具有具身能力模块的单智能体操作架构

Xue Qin, Simin Luan, John See, Cong Yang, Zhijun Li

机构 * School of Software, Harbin Institute of Technology（哈尔滨工业大学软件学院） ； School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院） ； School of Mathematical and Computer Sciences, Heriot-Watt University, Malaysia Campus（赫瑞-沃森大学马来西亚分校数学与计算机科学学院） ； School of Future Science and Engineering, Soochow University（苏州大学未来科学与工程学院） 纠错

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

AI总结 提出AEROS架构，将机器人建模为单一持久智能主体，通过可安装的具身能力模块扩展能力，实现模块化可扩展性、可组合能力执行和一致的系统级安全。

Comments Submitted to Engineering Applications of Artificial Intelligence (EAAI). 48 pages, 5 figures, 9 tables

PEDESTRIANQA: A Benchmark for Vision-Language Models on Pedestrian Intention and Trajectory Prediction

PEDESTRIANQA: 面向行人意图与轨迹预测的视觉-语言模型基准

Naman Mishra, Shankar Gangisetty, C. V. Jawahar

机构 * CVIT, IIIT-Hyderabad, India（IIIT-海得拉巴计算机视觉与智能技术研究所，印度） 纠错

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

AI总结 提出大规模视频数据集PedestrianQA，将行人意图和轨迹预测转化为带结构化理由的问答任务，通过微调视觉-语言模型显著提升预测准确性与可解释性。

Efficient Long-Horizon Vision-Language-Action Models via Static-Dynamic Disentanglement

通过静态-动态解耦实现高效长程视觉-语言-动作模型

Weikang Qiu, Huashuo Lei, Tinglin Huang, Rex Ying

机构 * Yale University（耶鲁大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 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 提出DySta框架，通过将视觉输入解耦为多级静态和动态令牌，减少上下文长度并复用KV缓存，实现高效多帧集成和推理，在基准测试和真实任务中显著提升性能。

Truthful Online Preference Aggregation for LLM Fine-Tuning in Mobile Crowdsourcing

移动众包中用于LLM微调的诚实在线偏好聚合

Shugang Hao, Lingjie Duan

机构 * Singapore University of Technology and Design（新加坡科技设计大学） ； Hong Kong University of Science and Technology（香港科技大学） 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 针对移动众包中工人可能策略性谎报偏好反馈的问题，提出一种动态贝叶斯博弈模型和在线加权聚合机制，确保工人诚实反馈并实现次线性遗憾。

FineBench: Benchmarking and Enhancing Vision-Language Models for Fine-grained Human Activity Understanding

FineBench: 细粒度人类活动理解的视觉-语言模型基准测试与增强

Gueter Josmy Faure, Min-Hung Chen, Jia-Fong Yeh, Hung-Ting Su, Winston H. Hsu

机构 * National Taiwan University（国立台湾大学） ； Google（谷歌） ； Independent Researcher（独立研究员） 纠错

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

AI总结 针对视觉-语言模型在细粒度人类活动理解上的不足，提出包含密集标注的长视频问答基准FineBench和增强框架FineAgent。

Comments CVPR'26 (Workshop on Video Large Language Models). Project Page: https://joslefaure.github.io/assets/html/finebench.html

How Many Training Samples Are Needed for the Inverse Kinematics Solutions by Artificial Neural Networks

人工神经网络求解逆运动学需要多少训练样本

Dong-Won Lim

机构 * The University of Suwon（苏won大学） 纠错

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

AI总结 研究通过数学框架和实验分析，确定人工神经网络求解机器人逆运动学所需的最小训练样本数，发现超过125个样本不再提升模型效率。

Comments 14 pages, 5 figures

NaviAgent: Graph-Driven Bilevel Planning for Scalable Tool Orchestration

NaviAgent: 一种基于图的双层规划用于可扩展的工具编排

Yan Jiang, Hao Zhou, Lizhong GU, Tianlong Li, Ruinan Jin, Wanqi Zhou, Ai Han

机构 * Department of Electrical and Computer Engineering, The Ohio State University, USA（电气与计算机工程系，俄亥俄州立大学，美国） 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 本文提出NaviAgent，一种基于图的双层规划框架，通过解耦任务规划与工具执行，提升大规模工具编排的可扩展性和鲁棒性，实验表明其在任务成功率和实际应用中表现优异。

Comments Accepted to ICML 2026

Journal ref Proceedings of the 43rd International Conference on Machine Learning (ICML), 2026

Comparative Evaluation of Deep Learning Models for Fake Image Detection

深度学习模型在虚假图像检测中的比较评估

Akhitha Pakala, Mohammed Mahir Rahman, Shahzad Memon, Tauseef Ahmed

机构 * University of East London（东伦敦大学） 纠错

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

AI总结 本研究通过统一的预处理和训练流程比较了四个预训练的CNN架构在虚假图像检测中的性能，发现VGG16在准确性上表现最佳，但EfficientNetB0在检测虚假图像时的敏感性较高，但对真实图像的可靠性较低，研究指出需要平衡数据集、高级增强和公平性意识训练来开发可靠的虚假图像检测系统。

Comments Accepted at ICCIIoT26 and waiting to be indexed

Journal ref 6th International Conference on Computational Intelligence & Internet of Things (ICCIIoT), 2026

ArchSIBench: Benchmarking the Architectural Spatial Intelligence of Vision-Language Models

ArchSIBench: 评估视觉-语言模型的建筑空间智能

Qirui Shen, Wenda Wang, Jiachen Lu, Zilong Huang, Jin Bai, Lei He, Hongxuan Chen, Weixin Huang

机构 * School of Architecture, Tsinghua University（清华大学建筑学院） 纠错

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

AI总结 本文提出ArchSIBench，一个基于建筑学、认知科学和心理学视角的建筑空间智能评估基准，通过17个细粒度子任务和3000个问题-答案对，评估多种VLMs在建筑空间感知、推理、导航、转换和配置方面的性能，发现大多数模型在空间转换和配置推理上仍与有建筑训练的人类评估者存在差距。

Comments 51 pages

Multimodal Fusion for Sim2real Transfer in Visual Reinforcement Learning

多模态融合用于视觉强化学习中的仿真到现实迁移

Zichun Xu, Jingdong Zhao, Chenyu Guo, Qianxue Zhang, Liao Zhang, Xiao Zhang, Yiming Ren, Lian Zhang, Zengren Zhao

机构 * Medical Artificial Intelligence Lab, The First Hospital of Hebei Medical University, Hebei Medical University（医学人工智能实验室，河北医科大学第一医院，河北医科大学） ； State Key Laboratory of Robotics and Systems, Harbin Institute of Technology（机器人系统国家重点实验室，哈尔滨工业大学） 纠错

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

AI总结 本文提出基于视觉变换器的多模态融合框架，通过融合RGB和深度信息提升泛化能力，并设计对比学习方案和课程式域随机化方案以提高样本效率和迁移性能，实验结果表明该方法在现实任务中表现优异。

Probing Embodied LLMs: When Higher Observation Fidelity Hurts Problem Solving

探查具身大语言模型：当更高的观察保真度损害问题解决

Oussama Zenkri, Oliver Brock

机构 * Robotics and Biology Laboratory, Technische Universität Berlin, Germany（柏林技术大学机器人与生物学实验室） ； Science of Intelligence, Research Cluster of Excellence, Berlin, Germany（柏林科学智能研究卓越集群） ； Robotics Institute Germany (RIG)（德国机器人研究所（RIG）） 纠错

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

AI总结 本文研究了具身大语言模型在不同观察信息下的行为，发现高保真度观察反而降低了问题解决能力，核心方法是通过实验改变可用信息并测量行为变化，主要贡献是揭示了感知误差与推理失败的交互影响。

Comments Submitted to From Animals to Animats: The 18th International Conference on the Simulation of Adaptive Behavior (SAB)

Towards LLM-Assisted Architecture Recovery for Real-World ROS~2 Systems: An Agent-Based Multi-Level Approach to Hierarchical Structural Architecture Reconstruction

面向现实世界ROS~2系统的LLM辅助架构恢复：一种基于智能体的多级方法用于分层结构架构重建

Dominique Briechle, Raj Chanchad, Tobias Geger, Ruidi He, Dhruv Jajadiya, Dhruv Kapadiya, Andreas Rausch, Meng Zhang

机构 * Institute for Software and Systems Engineering, Clausthal University of Technology, Clausthal-Zellerfeld 38678, Germany（软件与系统工程研究所， Clausthal 技术大学， Clausthal-Zellerfeld 38678，德国） 纠错

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

AI总结 本文提出了一种基于智能体的多级方法，用于恢复复杂ROS~2系统中的分层结构架构，通过改进的提示和多级中间架构表示，提高了架构恢复的一致性和可扩展性。

STABLE: Simulation-Ready Tabletop Layout Generation via a Semantics-Physics Dual System

STABLE: 通过语义-物理双系统生成仿真准备的桌面布局

Zhen Luo, Yixuan Yang, Xudong Xu, Jinkun Hao, Zhaoyang Lyu, Feng Zheng, Jiangmiao Pang, Yanwei Fu

机构 * Shanghai AI Laboratory（上海人工智能实验室） 纠错

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

AI总结 本文提出STABLE，一种通过语义-物理双系统生成仿真准备的桌面布局的方法，通过语义推理模块生成粗略布局，物理校正模块校正布局以确保物理合理性，从而提升场景的物理有效性。

Comments ICML 2026

CutVerse: A Compositional GUI Agents Benchmark for Media Post-Production Editing

CutVerse: 一个用于媒体后期制作编辑的组合式GUI代理基准测试

Haobo Hu, Xiangwu Guo, Zhiheng Chen, Difei Gao, Haotian Liu, Libiao Jin, Qi Mao

机构 * MIPG, Communication University of China（MIPG，中国传媒大学） ； National University of Singapore（新加坡国立大学） ； USEIT AI（USEIT人工智能） 纠错

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

AI总结 本研究提出CutVerse，一个用于评估自主GUI代理在真实媒体后期制作环境中的能力的基准测试，揭示现有代理在复杂、长周期媒体后期制作工作流中的局限性。

Efficient Emotion-Aware Iconic Gesture Prediction for Robot Co-Speech

高效的情绪感知图标手势预测用于机器人同声传译

Edwin C. Montiel-Vazquez, Christian Arzate Cruz, Stefanos Gkikas, Thomas Kassiotis, Giorgos Giannakakis, Randy Gomez

机构 * School of Engineering（工程学院） ； Honda Research Institute Japan（本田日本研究院） ； Department of Electronic Engineering（电子工程系） 纠错

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

AI总结 本文提出一种轻量级的transformer模型，通过文本和情绪单独生成图标手势的位置和强度，无需音频输入，在BEAT2数据集上优于GPT-4o，在语义手势位置分类和强度回归方面表现更佳，且计算紧凑，适合实时部署。

WARC-Bench: Web Archive Based Benchmark for GUI Subtask Executions

WARC-Bench：基于网络存档的GUI子任务执行基准

Sanjari Srivastava, Gang Li, Cheng Chang, Rishu Garg, Manpreet Kaur, Charlene Y. Lee, Yuezhang Li, Yining Mao, Ignacio Cases, Yanan Xie, Peng Qi

机构 * Uniphore 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 本文提出WARC-Bench，一个基于网络存档的GUI子任务执行基准，通过438个任务评估多模态AI代理在子任务上的能力，实验表明SFT和RLVR方法在提升子任务执行效果上取得显著成果。

Harnessing Self-Supervised Features for Art Classification

利用自监督特征进行艺术分类

Federico Melis, Davide Bilardello, Emanuele Prato, Evelyn Turri, Lorenzo Baraldi

机构 * University of Modena and Reggio Emilia（摩德纳和雷吉奥艾米利亚大学） 纠错

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

AI总结 本文研究了监督和自监督主干作为特征提取器在艺术分类和检索中的有效性，特别是绘画，通过DINO家族和CLIP模型的实验评估，证明自监督主干在艺术分类中能带来一致的性能提升，并为现实应用如虚拟现实中的博物馆导航提供了见解。

Comments IRCDL 2026

Who Generated This 3D Asset? Learning Source Attribution for Generative 3D Models

谁生成了这个3D资产？学习生成3D模型的来源归属

Sihan Ma, Siyuan Liang, Dacheng Tao

机构 * College of Computing & Data Science, Nanyang Technological University, Singapore（南洋理工大学计算机与数据科学学院） 纠错

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

AI总结 该研究提出了一种方法，用于确定给定3D资产是由哪种生成模型创建的，通过构建首个被动来源归属基准，发现生成3D模型留下稳定的指纹特征，从而建立了可信的3D内容来源的新标准。

Confidence-Gated Robot Autonomy: When Does Uncertainty Actually Help?

置信度门控机器人自主性：不确定性何时真的有帮助？

Johannes A. Gaus, Jhon P. F. Charaja, Daniel Haeufle

机构 * Hertie Institute for Clinical Brain Research & Center for Integrative Neuroscience, University of Tübingen（赫尔特研究所临床脑研究与整合神经科学中心，图宾根大学） 纠错

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

AI总结 本文研究了不确定性在机器人自主性决策中的作用，发现当基础模型具备一定能力时，简单的不确定性代理足以实现选择性门控，但无法用于语义新颖性检测。

Comments ICRA 2026 workshop paper

COCO-Inpaint: A Benchmark for Detecting and Localizing Inpainting-Based Image Manipulations

COCO-Inpaint：用于检测和定位基于修补的图像篡改的基准

Haozhen Yan, Yan Hong, Jiahui Zhan, Suning Lang, Yikun Ji, Huijia Zhu, Jun Lan, Jianfu Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Ant Group（蚂蚁集团） 纠错

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

AI总结 本文提出COCO-Inpaint基准，用于检测和定位基于修补的图像篡改，通过高质样本、多样场景和大规模覆盖，揭示修补与真实区域的内在不一致。

Comments 6 pages, 8 figures

Minerva-Ego: Spatiotemporal Hints for Egocentric Video Understanding

Minerva-Ego：眼动视频理解的空间时间提示

Arsha Nagrani, Jasper Uijilings, Shyamal Buch, Tobias Weyand, Sudheendra Vijayanarasimhan, Bo Hu, Ramin Mehran, David A Ross, Cordelia Schmid

机构 * Google（谷歌） ； DeepMind（深度Mind） 纠错

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

AI总结 本文提出Minerva-Ego基准，通过多步骤多模态问题和密集标注的时空推理轨迹评估眼动视频理解模型，发现提示'何时何地'显著提升性能。

Articraft: An Agentic System for Scalable Articulated 3D Asset Generation

Articraft: 一种可扩展的拟人化3D资产生成代理系统

Matt Zhou, Ruining Li, Xiaoyang Lyu, Zhaomou Song, Zhening Huang, Chuanxia Zheng, Christian Rupprecht, Andrea Vedaldi, Shangzhe Wu

机构 * University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 本文提出Articraft代理系统，利用大语言模型生成大规模拟人化3D资产，构建了包含10000+资产的Articraft-10K数据集，应用于机器人仿真和虚拟现实等下游任务。

Comments Project page: https://articraft3d.github.io/

Do-Undo Bench: Reversibility for Action Understanding in Image Generation

Do-Undo基准：图像生成中动作理解的可逆性

Shweta Mahajan, Shreya Kadambi, Hoang Le, Rajeev Yasarla, Apratim Bhattacharyya, Munawar Hayat, Fatih Porikli

机构 * York University（约克大学） ； Vector Institute for AI（人工智能向量研究所） ； Qualcomm AI Research（高通人工智能研究） 纠错

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

AI总结 本文提出Do-Undo任务和基准，解决视觉-语言模型在理解并生成由现实动作驱动的场景变换中的关键缺口。通过要求模型模拟现实动作的后果并逆转至原始状态，测试真正的因果理解。实验表明当前模型在动作可逆性上存在困难，凸显评估动作理解的必要性。

Comments Project page: https://s-mahajan.github.io/Do-Undo-Bench/

HetScene: Heterogeneity-Aware Diffusion for Dense Indoor Scene Generation

HetScene: 基于异质性的扩散方法用于密集室内场景生成

Zini Chen, Junming Huang, Rong Zhang, Jiamin Xu, Cheng Peng, Chi Wang, Weiwei Xu

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

AI总结 本文提出HetScene方法，通过将物体分解为主次物体，解决密集布局和复杂空间依赖的生成问题，提升场景生成的物理合理性和可扩展性。

Ego2World: Compiling Egocentric Cooking Videos into Executable Worlds for Belief-State Planning

Ego2World：将第一人称视角烹饪视频编译为可执行世界以支持信念状态规划

Qinchuan Cheng, Zhantao Gong, Pengzhan Sun, Angela Yao, Xulei Yang, Shijie Li

机构 * Xi’an Jiaotong University（西安交通大学） ； Nankai University（南开大学） ； National University of Singapore（新加坡国立大学） ； A*STAR 纠错

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

AI总结 本文提出Ego2World基准，通过编译第一人称视角烹饪视频为可执行符号世界，支持信念状态规划。实验表明，信念维护对任务完成至关重要。

Comments Project page: https://sj-li.com/PROJ/Ego2World/

CoGE: Sim-to-Real Online Geometric Estimation for Monocular Colonoscopy

CoGE：用于内镜的仿真到现实在线几何估计

Liangjing Shao, Beilei Cui, Hongliang Ren

机构 * Department of Electronic Engineering, The Chinese University of Hong Kong, Hong Kong SAR, China（香港中文大学电子工程系，香港特别行政区，中国） ； Shenzhen Loop Area Institute, China（深圳环湖研究所，中国） 纠错

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

AI总结 本文提出CoGE框架，通过光照感知监督模块和结构感知感知模块，实现内镜中在线单目几何估计，仅用仿真数据训练即可在仿真和真实场景中取得最佳性能。

Comments Early Accepted by MICCAI 2026

ABRA: Agent Benchmark for Radiology Applications

ABRA：放射学应用代理基准测试

Bulat Maksudov, Vladislav Kurenkov, Kathleen M. Curran, Alessandra Mileo

机构 * School of Computing（计算学院） ； Dublin City University（都柏林城市大学） ； School of Medicine（医学院） ； University College Dublin（都柏林大学） 纠错

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

AI总结 ABRA是一个放射学代理基准测试，通过21个功能调用工具操作OHIF查看器和Orthanc DICOM服务器，包含655个生成任务，评估代理在规划、执行和结果方面的性能。