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。
文本-视觉协同指导的图像编辑
机构 * The Hong Kong Polytechnic University（香港理工大学） ； OPPO Research Institute（OPPO研究院）
专题命中 机器人数据与评测 ：manipulation(abstract)；分类 cs.CV
AI总结 提出TV-Edit框架，联合文本指令的语义表达与稀疏视觉指令的空间引导，实现精确且忠实于意图的图像编辑，显著优于现有方法。
基于车道的地图定位实现以车辆为中心的路线生成：一种有效且低成本的方法
机构 * National Taipei University（台北国立大学）
专题命中 机器人数据与评测 ：navigation(abstract)；分类 cs.CV
AI总结 提出OLRA框架，通过匹配导航路线与摄像头检测的车道线，以低成本地图定位生成驾驶员视角路线，提升定位精度和路线一致性，在nuScenes数据集上优于OpenPilot。
Comments 14 pages, 18 figures. Under Review
机器人作为令牌：面向协调多机器人轨迹生成的统一扩散Transformer
机构 * Nanyang Technological University（南洋理工大学） ； Agency for Science, Technology and Research（新加坡科技研究局） ； National University of Singapore（新加坡国立大学）
专题命中 机器人数据与评测 ：navigation(abstract)；分类 cs.RO
AI总结 提出Roken框架，将每个机器人表示为离散令牌，通过扩散Transformer直接生成满足安全和连通性约束的多机器人轨迹，无需迭代后处理。
Comments 23 pages, 13 figures; \textbf{Project page:} \href{https://bairuofei.github.io/roken-project-page/}{\texttt{bairuofei.github.io/roken-project-page}}
G2IA: 几何引导的实例感知跨模态地点识别检索与精炼
机构 * Shanghai Jiao Tong University（上海交通大学） ； National University of Defense Technology（国防科技大学）
专题命中 机器人数据与评测 ：navigation(abstract)；分类 cs.CV
AI总结 提出G2IA框架，通过几何引导的实例感知检索和跨模态局部形状与空间布局验证，解决图像到点云地点识别中的模态差异和感知混淆问题。
OSDAG: 面向高效多机器人协作的在线调度
机构 * Japan Advanced Institute of Science and Technology（日本北陆先端科学技术大学院大学） ； University of Engineering and Technology, Vietnam National University（越南国立大学工程技术大学） ； Hanyang University（汉阳大学）
专题命中 机器人数据与评测 ：manipulation(abstract)；分类 cs.RO
AI总结 提出OSDAG框架，结合LLM任务推理与DAG在线调度，通过一次性分解指令为依赖图并实时分配任务，相比对话式方法推理速度提升5-15倍，调度时间缩短38%。
风险感知的LLM智能体用于地理空间数据检索：设计与初步对抗性评估
机构 * Dept. of Systems Design Engineering, University of Waterloo（滑铁卢大学系统设计工程系） ； SkyWatch ； Dept. of Geography and Environmental Management, University of Waterloo（滑铁卢大学地理与环境管理系） ； Dept. of Geomatics Engineering, University of Calgary（卡尔加里大学测绘工程系）
专题命中 机器人数据与评测 ：manipulation(abstract)；分类 cs.AI
AI总结 提出一种基于LLM的框架，通过自然语言查询从云地理空间目录检索遥感数据，集成三个智能体实现安全、意图解析和API调用生成，初步对抗实验表明提示级安全指令提升鲁棒性但需系统级防御。
Comments Accepted for publication in the International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences (ISPRS Archives), ISPRS Congress 2026
Journal ref Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci., XLIX-B3-2026, 1419-1426, 2026
TacStyle: 使用结构化行为表示个性化触觉机器人策略
机构 * Department of Computer Science, California State University, Northridge（加州州立大学北岭分校计算机科学系） ； Department of Mechanical Engineering, California State University, Northridge（加州州立大学北岭分校机械工程系）
专题命中 机器人数据与评测 ：robotic(abstract)；分类 cs.RO
AI总结 提出通过结构化潜在表示组织用户偏好，结合基础模型解释语言指令，实现机器人行为精细调整，减少偏好标签需求。
Comments 14 pages, 5 figures
基于RRAM的径向基函数神经元硬件实现用于边缘分类器
机构 * Centre for Electronics Frontiers, Institute of Micro and Nano Systems（电子前沿中心，微纳系统研究所）
专题命中 机器人数据与评测 ：navigation(abstract)；分类 cs.LG
AI总结 提出一种基于金属氧化物RRAM的模拟内容可寻址存储器（ACAM）硬件设计，通过可配置感受野神经元实现边缘设备上的度量分类和在线自适应，在MNIST上达到89.1%准确率，每单元每操作能耗185fJ。
AI用于海上安全：CNN与Vision Transformer架构在海上目标检测中的比较评估
机构 * Southampton Solent University School of Technology and Maritime Industries（索马顿桑德兰大学技术与海洋工业学院）
专题命中 机器人数据与评测 ：navigation(abstract)；分类 cs.CV
AI总结 研究利用CNN和Vision Transformer等六种深度学习模型，在多种天气条件下检测海面船只，ViT达到100%准确率且处理速度最快，展示了AI视觉系统在海上监视中的潜力。
Comments 24 Pages
红队代理执行上下文：OpenClaw上的开放世界安全评估
机构 * National University of Singapore（新加坡国立大学）
专题命中 机器人数据与评测 ：manipulation(abstract)；分类 cs.AI
AI总结 本文提出DeepTrap框架，通过黑盒轨迹优化发现OpenClaw中的上下文漏洞，展示上下文妥协可引发安全风险，强调需执行中心的安全评估。
Comments Accepted to ICML 2026 Workshop
基于仿真学习的多臂腹腔镜手术机器人碰撞感知操作的神经最小距离估计
机构 * Surgical Performance Enhancement and Robotics (SuPER) Centre, Department of Surgery（外科性能增强与机器人中心（SuPER）中心，外科部） ； The Wilfred and Joyce Posluns Centre for Image Guided Innovation & Therapeutic Intervention (PCIGITI)（威廉与乔伊斯·波斯伦中心（PCIGITI）影像引导创新与治疗干预中心） ； The Hospital for Sick Children (SickKids)（儿童医院（SickKids））
专题命中 机器人数据与评测 ：robotic(abstract)；分类 cs.RO
AI总结 提出结合分析建模、实时仿真与深度残差神经网络的框架，用于多臂手术机器人最小距离估计与碰撞预警，模型在验证集上R²=0.940，RMSE=42.0 mm。
Journal ref Sensors 2026, 26(12), 3744
鼠标锁盒数据集：小鼠解决锁盒的行为识别
机构 * Max Planck Institute for Biological Cybernetics, Berlin, Germany（柏林生物医学信息学研究所）
专题命中 机器人数据与评测 ：manipulation(abstract)；分类 cs.CV
AI总结 本文提出一个包含小鼠解决复杂机械谜题的视频数据集，用于评估帧级动作分类方法，提供人工标注标签以研究细粒度行为自动标注的挑战。
Comments Accepted and published (poster) at the CV4Animals: Computer Vision for Animal Behavior Tracking and Modeling workshop, in conjunction with Computer Vision and Pattern Recognition (CVPR) 2025
TwinBI：一种用于与商业智能仪表盘高效增强交互的智能数字孪生
机构 * Graduate School of Data Science, Seoul National University（首尔大学数据科学研究生院）
专题命中 机器人数据与评测 ：manipulation(abstract)；分类 cs.AI
AI总结 提出TwinBI框架，通过LLM代理与可执行仪表盘状态耦合，统一对话、操作、语义和溯源，提升多步分析中状态一致性，将精确匹配准确率从43.3%提升至63.3%，超时率从40%降至10%。
DARRMS——资源受限多智能体系统中动态注意力半径的高效算法
机构 * Texas A&M University（德克萨斯A&M大学）
专题命中 机器人数据与评测 ：robotics(abstract)；分类 cs.RO
AI总结 提出DARRMS算法，通过优化注意力半径和决策，在资源受限下降低计算需求，提升协调性和可扩展性。
APT: 动作专家预训练提升视觉-语言-动作策略的指令泛化能力
机构 * Zhejiang University（浙江大学） ； Zhejiang Humanoid Robot Innovation Center（浙江人形机器人创新中心）
专题命中 机器人数据与评测 ：manipulation(abstract)；分类 cs.RO
AI总结 针对连续动作专家模型对分布外语言指令泛化差的问题，提出APT两阶段训练方法，先预训练动作专家作为视觉-动作先验，再通过门控融合注入语言，显著提升泛化性能。
SG2Loc: 基于3D场景图的顺序视觉定位
机构 * ETH Zurich（苏黎世联邦理工学院） ； Google（谷歌） ； TU Munich（慕尼黑工业大学） ； Microsoft（微软）
专题命中 机器人数据与评测 ：robotics(abstract)；分类 cs.CV
AI总结 提出一种轻量级顺序视觉定位方法，利用紧凑的3D场景图表示环境，通过粒子滤波和语义匹配实现高效定位，显著降低存储需求。
Comments The code will be available at https://github.com/DmblnNicole/sg2loc
基于Transformer的乒乓球状态预测器弥合仿真到现实的差距
机构 * Sony AI, Zürich, Switzerland（索尼AI，苏黎世，瑞士） ； Sony AI, Tokyo, Japan（索尼AI，东京，日本）
专题命中 机器人数据与评测 ：robotic(abstract)；分类 cs.RO
AI总结 提出基于Transformer的乒乓球状态预测框架，利用注意力机制建模长程时间依赖，结合大规模真实数据集，并引入SPAD策略替换仿真器，无需重新训练即可缩小sim2real差距。
一种用于空中机器人微检测的模块化双相机流水线
机构 * Netherlands Organization for Scientific Research (NWO)（荷兰科学研究组织） ； Saxion University of Applied Sciences（萨克逊应用科学大学）
专题命中 机器人数据与评测 ：navigation(abstract)；分类 cs.RO
AI总结 提出一种模块化双相机空中微检测流水线，通过变焦云台相机和广角立体导航相机协同工作，结合视觉反馈回路，实现对树木和温室粘虫板等非结构目标的鲁棒微检测。
TRON：追踪光线以编排用于3D高斯重建的神经渲染器
机构 * NVIDIA（英伟达） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所）
专题命中 机器人数据与评测 ：manipulation(abstract)；分类 cs.CV
AI总结 提出TRON框架，结合3D高斯光线追踪与神经渲染，实现真实世界3D场景在新光照、动态物体运动、物体插入和材质编辑下的逼真可控渲染，通过内在分解先验和光线追踪辐射引导，弥合物理渲染与神经渲染的差距。
Comments Project page: https://research.nvidia.com/labs/sil/projects/tron/
使用多模态语言模型检测社交媒体上的AI生成内容
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Meta
专题命中 机器人数据与评测 ：manipulation(abstract)；分类 cs.CV
AI总结 针对AI生成内容检测的泛化性差、单模态依赖和缺乏可解释性问题，提出基于多模态数据的紧凑视觉-语言模型，实现检测与解释，在公开基准和内部数据集上达到最优性能。
具身可解释性：将因果理解与视觉-语言-动作模型的泛化联系起来
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 机器人数据与评测 ：manipulation(abstract)；分类 cs.RO
AI总结 提出干预显著性评分（ISS）和干扰质量比（NMR），通过干预掩码估计视觉区域对动作预测的因果影响，并量化对任务无关特征的归因，实验表明NMR可预测泛化行为，ISS比现有方法提供更忠实的解释。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026)
多功能机器人化内窥手术分离器用于内窥肺动脉血栓endarterectomy：临床前研究与评估
机构 * West China Hospital of Medicine, Sichuan University（四川大学华西医学中心） ； School of Mechanical and Electrical Engineering, University of Electronic Science and Technology of China（电子科技大学机械与电子工程学院）
专题命中 机器人数据与评测 ：manipulation(abstract)；分类 cs.RO
AI总结 本文提出一种基于同心推拉机器人结构的机器人化内窥手术分离器，用于提升内窥肺动脉血栓endarterectomy手术的灵活性与精度，通过实验验证其物理性能及手术模拟效果。
通过图对齐在像素级全局定位月球车
机构 * The State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所多模态人工智能系统国家重点实验室） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Beijing Aerospace Control Center（北京航天飞行控制中心） ； Technology and Engineering Center for Space Utilization, Chinese Academy of Sciences（中国科学院空间应用工程与技术中心）
专题命中 机器人数据与评测 ：navigation(abstract)；分类 cs.CV
AI总结 提出WARG框架，利用统一图学习和重投影图匹配解决月球车跨视角定位中的实体纠缠、视角差异和仿真到真实域偏移问题，在玉兔二号真实数据上实现1.68米定位误差。
GitInject: AI驱动的CI/CD流水线中的真实提示注入攻击
机构 * Virginia Tech（弗吉尼亚理工学院） ； AI Sequrity Company（AI安全公司）
专题命中 机器人数据与评测 ：manipulation(abstract)；分类 cs.AI
AI总结 提出GitInject框架，在真实GitHub工作流中评估AI代理的提示注入漏洞，发现所有测试提供商均存在结构性风险，并给出最低成本防护措施。
CableRobotGraphSim：一种用于建模部分可观测缆索驱动机器人动力学的图神经网络
机构 * Rutgers University（罗切斯特大学） ； Yale University（耶鲁大学）
专题命中 机器人数据与评测 ：navigation(abstract)；分类 cs.RO
AI总结 提出CableRobotGraphSim，一种图神经网络模型，通过将缆索驱动机器人表示为图（刚体为节点，缆索和接触为边），仅利用部分可观测输入即可快速准确匹配其他仿真和真实机器人，并采用仿真-真实联合训练提升鲁棒性，最后集成MPPI控制器实现闭环导航。
我们能否利用飞行时间相机的反馈来稳定倒立摆？
机构 * Institute for Dynamic Systems and Control, ETH Zürich（苏黎世联邦理工学院动态系统与控制研究所）
专题命中 机器人数据与评测 ：robotics(abstract)；分类 cs.RO
AI总结 本文证明低成本、低分辨率的飞行时间相机能够提供足够反馈，可靠且精确地平衡推车上的倒立摆，挑战了其无法用于精确反馈控制的普遍观点。
全自由度运动估计的最小求解器：基于异步差分SfM
机构 * College of Aerospace Science and Engineering, National University of Defense Technology（国防科技大学空天科学学院） ； The Hunan Provincial Key Laboratory of Image Measurement and Vision Navigation（湖南省图像测量与视觉导航重点实验室）
专题命中 机器人数据与评测 ：robotics(abstract)；分类 cs.CV
AI总结 提出从异步光流直接估计全自由度自运动的方法，解耦差分对极约束，基于至少五个点实现角速度和线速度的联合恢复，并设计了首个代数最小5点求解器及加速版本。
Bridged SBI：纠正有偏低保真后验以实现经济高效的高保真推理
专题命中 机器人数据与评测 ：robotic(abstract)；分类 cs.RO
AI总结 针对高保真粒子模拟器计算成本高的问题，提出Bridged SBI方法，利用低保真后验引导高保真推理，通过残差桥接纠正偏差，实现成本效益高的准确后验估计。
CIFAR合成证据语料库：用于检测AI生成证据
机构 * University of Toronto（多伦多大学） ； University of Waterloo（滑铁卢大学） ； University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所） ； University of Ottawa（渥太华大学）
专题命中 机器人数据与评测 ：manipulation(abstract)；分类 cs.AI
AI总结 针对司法系统中证据真实性检测缺乏合适数据集的问题，构建了包含多种文档类型和篡改策略的CIFAR合成证据语料库，支持在受控条件下评估证据验证系统。
视觉语言模型能否感知传感器所感？一种可扩展的专家引导设计用于从街景评估轮椅可达性
机构 * University of Florida（佛罗里达大学） ； University of South Florida（南佛罗里达大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
专题命中 机器人数据与评测 ：navigation(abstract)；分类 cs.CV
AI总结 本文提出专家引导的检索增强框架，利用视觉语言模型从谷歌街景图像识别轮椅可达性障碍，通过GPS轮椅停留行为验证，表明VLM评分与移动摩擦部分一致，但细粒度障碍识别有限。
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