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。
面向安全关键实时自主系统的硬件强制语义协调
机构 * Department of Computer Science University of the Bundeswehr Munich Neubiberg, Germany ； Department of Computer Science Sapienza University of Rome Rome, Italy ； STAKE Lab University of Molise Campobasso, Italy
专题命中 具身推理 ：world model(abstract)；分类 cs.AI
AI总结 针对异构组件并发运行下的协调问题，提出基于FPGA的硬件强制语义协调架构，将TB-CSPN协调机制映射到硬件原语，实现确定性协调和安全保障。
Comments 1 figure, 6 pages
Drive-JEPA：视频JEPA结合多模态轨迹蒸馏实现端到端驾驶
机构 * Virginia Tech（弗吉尼亚理工学院） ； Purdue University（普渡大学） ； XPENG Motors（小鹏汽车） ； Nanjing University（南京大学）
专题命中 具身推理 ：world model(abstract)；分类 cs.CV
AI总结 提出Drive-JEPA框架，结合视频联合嵌入预测架构（V-JEPA）与多模态轨迹蒸馏，通过自监督视频预训练和动量感知选择机制提升端到端驾驶的规划性能，在NAVSIM上达到新最优。
Affogato: 基于大规模自动数据生成的开词汇可操作区域定位
机构 * Pohang University of Science and Engineering (POSTECH)（浦项科技大学） ； SqueezeBits ； RLWLRD
专题命中 具身推理 ：embodied agent(abstract)；分类 cs.CV
AI总结 提出Affogato框架，通过自动化流程生成750K 3D可操作区域热力图与自然语言查询对，解决数据瓶颈，实现开词汇可操作区域定位，并验证其跨架构迁移能力。
Comments ECCV 2026, Project page: https://junha-l.github.io/affogato/
开放词汇与指代分割：利用2D检测器实现3D高斯
机构 * Johns Hopkins University（约翰霍普金斯大学）
专题命中 具身推理 ：embodied AI(abstract)；分类 cs.CV
AI总结 提出GaussDet方法，利用离散的2D开放词汇检测器与指代表达能力，通过视图聚合语义标签分布实现3D场景的开放词汇分割和指代分割，在零样本设置下显著提升指代分割性能。
MonoSR: 从单目图像进行开放词汇空间推理
机构 * Technical University of Munich（慕尼黑工业大学） ； A*STAR Institute of Advanced Intelligence and Computing（新加坡科技研究局高级智能与计算研究所） ； Singapore University of Technology and Design（新加坡科技设计大学） ； Nanyang Technological University（南洋理工大学）
专题命中 具身推理 ：embodied AI(abstract)；分类 cs.CV
AI总结 本文提出MonoSR大规模单目空间推理数据集，涵盖多种场景并支持多种问题类型，评估先进视觉-语言模型并分析辅助信息对单目空间推理的重要性，为开放世界中的单目空间推理提供基础。
Comments Accepted by ECCV 2026
神经体素动力学：通过体素特征平流学习隐式3D物理
机构 * University College London（伦敦大学学院） ； Adobe Research（Adobe研究院）
专题命中 具身推理 ：world model(abstract)；分类 cs.CV
AI总结 提出自监督框架，将视频预测瓶颈从2D提升到3D体素潜在空间，通过体素特征平流学习隐式3D物理，无需显式物理引擎，实现异构现象的统一模拟。
MeGAS: 用于热物理场景编辑的热力学动态高斯泼溅
机构 * State Key Laboratory of CAD\&CG, Zhejiang University（浙江大学计算机辅助设计与图形学国家重点实验室） ； University of British Columbia（不列颠哥伦比亚大学）
专题命中 具身推理 ：world model(abstract)；分类 cs.CV
AI总结 提出MeGAS框架，将热力学相变动力学融入3D高斯泼溅，通过温度属性、热对流-扩散求解器和MPM动力学实现热物理现象的物理真实合成，并采用拓扑自适应渲染策略处理极端变形。
Comments Accepted by ECCV 2026. Project page: http://zju3dv.github.io/MeGAS
任意4D的前馈运动插值
机构 * Waseda University（早稻田大学） ； AIST（产业技术综合研究所） ； Durham University（杜伦大学）
专题命中 具身推理 ：world model(abstract)；分类 cs.CV
AI总结 提出一种基于关键帧条件的前馈插值框架，利用网格VAE和MMDiT骨干的整流流模型，实现任意4D网格的快速运动插值，在DyMesh16和DyMesh32上表现优异。
Comments Video: https://youtu.be/jZAjPUtSq38?si=aXtDMDviFdfkjKUU
Physical-AI: 从信道感知到6G无线网络中的环境智能
机构 * Augmented Cognition Meta-communications ERC Research Center, Korea University, Korea（增强认知元通信ERC研究中心，韩国大学，韩国） ； Department of Computer Science, Munster Technological University (MTU)（计算机科学系，穆斯特技术大学（MTU）） ； School of Computing, Faculty of Engineering and Computing, Dublin City University, Ireland（计算学院，工程与计算学院，都柏林城市大学，爱尔兰） ； Department of Electrical and Computer Engineering of the Democritus University, Greece（德米特里大学电气与计算机工程系，希腊） ； Department of Electrical and Computer Engineering, The University of Hong Kong, Hong Kong（电气与计算机工程系，香港大学，香港） ； Department of Electronic Engineering, Kyung Hee University, Yongin-si, Gyeonggi-do 17104, South Korea（电子工程系， Kyung Hee大学， Yongin-si, Gyeonggi-do 17104, 韩国）
专题命中 具身推理 ：world model(abstract)；分类 cs.AI
AI总结 提出Physical-AI架构，利用自监督时空无线电基础模型将分布式观测转化为共享环境表征，通过多推理头估计阻塞、用户分布等环境属性，并基于神经决策层实现主动控制，降低中断概率和阻塞响应延迟。
BIFE：更好的交互，更少的错误，用于分钟级视频生成
机构 * DAMO Academy, Alibaba Group（阿里巴巴集团 DAMO 院） ； Zhejiang University（浙江大学） ； Hupan Lab（虎扑实验室）
专题命中 具身推理 ：world model(abstract)；分类 cs.CV
AI总结 提出BIFE框架，通过语义稀疏KV缓存和块强制训练策略，解决长视频生成中的长程交互保持和误差累积问题，实现稳定连贯的分钟级视频生成，在VDE指标上提升约20%。
Occ-VLM: 面向室内场景理解的占用接地视觉语言模型
机构 * School of Electronic Science and Engineering, Nanjing University（南京大学电子科学与工程学院）
专题命中 具身推理 ：robotic(abstract)；分类 cs.CV
AI总结 提出Occ-VLM，仅用姿态RGB图像和单一2D视觉编码器，通过重建3D占用作为几何先验，实现统一的3D场景理解，在占用预测、3D VQA和密集描述任务上达到领先水平。
GeoStream：迈向精确相机控制的流式视频生成
机构 * CMU（卡内基梅隆大学） ； Northeastern University（东北大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Rice University（莱斯大学） ； Snap Inc.（Snap公司） ； KAUST（阿卜杜拉国王科技大学）
专题命中 具身推理 ：world model(abstract)；分类 cs.CV
AI总结 提出GeoStream框架，通过自刷新3D缓存和在线策略蒸馏，实现自回归流式视频生成中的精确度量级相机控制，解决了现有方法在视角移动时控制失效和分布偏移问题。
推理即模式匹配：人类与LLM日常推理中的共享机制
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
专题命中 具身推理 ：world model(abstract)；分类 cs.AI
AI总结 研究通过比较人类和25个LLM在日常因果推理中的错误模式，发现两者均表现出模式匹配而非抽象世界模型驱动的推理，并识别出LLM中驱动响应的注意力头可预测人类推理错误。
Comments 13 pages main text, 51 pages supplementary text
GroupToM-Bench: 多模态大语言模型中群体心智理论和非线性社会涌现的基准测试
机构 * Xidian University（西安电子科技大学） ； National University of Singapore（新加坡国立大学） ； University of Electronic Science and Technology of China（电子科技大学） ； University of Science and Technology of China（中国科学技术大学）
专题命中 具身推理 ：world model(abstract)；分类 cs.CV
AI总结 针对多模态大语言模型在群体心智理论推理上的不足，提出GroupToM-Bench基准，通过七级认知审计框架评估模型从微观BDI状态到宏观结果预测的因果链，揭示模型在处理社会结构和非线性集体动态上的缺陷。
Comments ACL 2026 (Main Conference)
一次凌星足矣：通过EXOVEIL学习恒星行为检测系外行星
机构 * SRH Hochschule（SRH 高校）
专题命中 具身推理 ：world model(abstract)；分类 cs.LG
AI总结 提出EXOVEIL系统，利用Transformer世界模型和自监督学习从原始光变曲线中检测单次凌星事件，在Kepler数据上实现高召回率，并零样本迁移至TESS和PLATO任务。
Comments v3: appendix gallery of confirmed-planet recoveries added; Section 6 candidate catalogue reframed as transit-like anomalies for follow-up; TLS comparison table expanded
弥合运动执行差距：从语义运动任务约束到运动学控制
机构 * University of Bremen（不莱梅大学）
专题命中 具身推理 ：world model(abstract)；分类 cs.RO
AI总结 本文提出通过运动状态图实现语义约束与可执行机器人运动的连接，利用统一的可微运动学世界模型实现世界中心的运动规范与跨平台泛化，采用基于lMPC的任务函数方法确保任务切换的平滑过渡。
Comments 9 pages, 8 figures, to be published in IJCAI 2026
预测统计塑造网格行走者的涌现世界表征
机构 * Max Planck Institute for Human Cognitive and Brain Sciences（马克斯·普朗克人类认知与脑科学研究所） ； Leipzig University（莱比锡大学） ； ScaDS.AI
专题命中 具身推理 ：world model(abstract)；分类 cs.LG
AI总结 通过约束随机游走实验，发现解码器仅Transformer的第一注意力块提取预测充分统计量，后续层将其转化为预测几何，形成可读的世界模型，而循环网络未分离此阶段。
Comments 24 pages, 15 figures
UniCanvas: 一种基于扩散的图文联合生成统一模型
机构 * UMass Amherst（马萨诸塞大学阿默斯特分校） ； University of Michigan（密歇根大学） ； MIT（麻省理工学院）
专题命中 具身推理 ：world model(abstract)；分类 cs.CV
AI总结 提出UniCanvas，通过扩散模型在像素画布上以文本嵌入图像的方式实现图文联合生成，解决现有模型在视觉与文本生成上的不足。
GeoSem-WAM：几何与语义感知的世界动作模型
机构 * HKUST(GZ)（香港科技大学（广州）） ； HKU（香港大学） ； USTC（中国科学技术大学） ； SDU（山东大学） ； X-Humaniod
专题命中 具身推理 ：world model(abstract)；分类 cs.RO
AI总结 提出GeoSem-WAM框架，通过几何和语义监督增强潜在表示，在统一潜在空间中联合捕捉场景动态、空间几何和语义上下文，避免测试时显式未来展开或视频生成，提升动作预测准确性和鲁棒性。
迈向理解自我与他人的AI系统：人类认知多样性与世界模型对齐的多阶段推理框架
机构 * Human Informatics and Systems Lab, Doshisha University（立命馆大学人机系统实验室） ； Linked Open Data Initiative, NPO Keio Research Institute at SFC（庆应义塾大学SFC研究所开放数据计划） ； Stroly Inc（Stroly公司）
专题命中 具身推理 ：world model(abstract)；分类 cs.AI
AI总结 提出多阶段推理框架（MIM），通过阶段形成空间、前景化场、主体特定轮廓状态和状态表示对齐图，形式化异质世界模型的产生，并将世界模型对齐重新定义为使异质表示相互可处理的问题，而非强制一致。
Comments 87 pages. Revised version with a refined abstract emphasizing disagreement as a late-stage phenomenon, target admissibility, processability, and the methodological abstraction used to compare humans, AI systems, and institutional decision procedures under shared information-theoretic constraints
VOIC：可见-遮挡联合引导的3D语义场景补全
机构 * Research Institute of Trustworthy Autonomous Systems, Southern University of Science and Technology（可信自主系统研究院，南方科技大学） ； Department of Computer Science and Engineering, Southern University of Science and Technology（计算机科学与工程系，南方科技大学） ； School of Computer Science, University of Nottingham Ningbo China（宁波大学计算机学院） ； Department of Electronic and Information Engineering, Changchun University（电子与信息工程学院，长春大学）
专题命中 具身推理 ：robotic(abstract)；分类 cs.CV
AI总结 提出VOIC网络，通过解耦可见区域感知与遮挡区域推理，利用离线可见区域标签提取策略和双解码器框架，在SemanticKITTI和SSCBench-KITTI360上实现最先进的3D语义场景补全性能。
像鸽子一样主动探索：通过智能视觉语言模型强化空间推理
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 具身推理 ：navigation(abstract)；分类 cs.CV
AI总结 提出一种受鸽子认知地图启发的智能视觉语言模型管道，通过动态认知地图和空间断言代码提供密集奖励信号，在MindCube基准上实现80.5%的总体准确率，在Rotation子集上相对提升53.2%。
Comments Accepted by ICML 2026
TERRA: 面向跨领域应用的任务嵌入推理与表示架构
机构 * Humanpath Labs Inc.（Humanpath实验室有限公司）
专题命中 具身推理 ：world model(abstract)；分类 cs.AI
AI总结 提出TERRA架构，通过形式化跨领域转移问题，利用松弛双模拟差异和Gromov-Wasserstein距离度量结构状态域间的同态性，推导出预测误差与决策遗憾的转移界，将广泛直觉转化为可检验理论。
OptiWorld: 物理约束下的视频世界生成最优控制
机构 * Purdue University（普渡大学） ； University of Oxford（牛津大学） ； SixteenMiles Labs（SixteenMiles 实验室）
专题命中 具身推理 ：world model(abstract)；分类 cs.CV
AI总结 提出OptiWorld框架，在推理时结合经典最优控制与视频生成，通过提取紧凑世界状态、规划最优轨迹并生成条件视频，实现符合物理约束的动态优化。
Comments Porject Page: https://yuyuanspace.com/OptiWorld/
Causal Forcing++：用于实时交互式视频生成的可扩展少步自回归扩散蒸馏
机构 * Tsinghua University（清华大学） ； ShengShu（盛数） ； Renmin University of China（中国人民大学）
专题命中 具身推理 ：world model(abstract)；分类 cs.CV
AI总结 提出Causal Forcing++框架，通过因果一致性蒸馏（causal CD）实现帧级1-2步自回归扩散蒸馏，在降低延迟和训练成本的同时提升视频生成质量。
IDOL: 逆动力学引导的未来预测用于端到端自动驾驶
机构 * Department of Electronic Engineering, Tsinghua University（清华大学电子工程系）
专题命中 具身推理 ：world model(abstract)；分类 cs.RO
AI总结 提出IDOL框架，通过逆动力学模型将BEV世界模型预测的未来潜在场景状态转化为规划相关的轨迹增量，实现未来预测与轨迹优化的紧密耦合，在NAVSIM基准上达到最优性能。
Comments 20 pages, 5 figures
多轮多智能体对话用于协作重建仅略微提升VLM在空间推理上的性能
机构 * Computational Linguistics, Department of Linguistics University of Potsdam（语言学计算系，语言学系 柏林洪堡大学） ； German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））
专题命中 具身推理 ：robotic(abstract)；分类 cs.RO
AI总结 研究通过多轮多智能体对话框架评估视觉语言模型在协作空间推理任务中的表现，发现视觉空间理解仍是主要瓶颈，文本表示和分解图像表示可部分提升性能。
Comments Preprint
DecMem：基于解耦记忆的分钟级一致世界生成
机构 * The University of Hong Kong（香港大学） ； Kling Team, Kuaishou Technology（快手科技 Kling 团队）
专题命中 具身推理 ：world model(abstract)；分类 cs.CV
AI总结 提出解耦记忆架构DecMem，通过稀疏全局记忆和锚定局部记忆解决长程视频生成中的时空一致性问题，实现分钟级可控长视频生成。
Comments Project page is available at https://jeffreyyzh.github.io/DecMem-Page
基于交互式VR实验的心理旋转深度学习模型
机构 * Department of Computer Science, Aalto University, Espoo, Finland（奥卢大学计算机科学系，芬兰埃斯波） ； Department of Neuroscience and Biomedical Engineering, Aalto University, Espoo, Finland（奥卢大学神经科学与生物医学工程系，芬兰埃斯波）
专题命中 具身推理 ：world model(abstract)；分类 cs.LG
AI总结 提出一个由等变编码器、神经符号对象编码器和神经决策代理组成的深度学习模型，通过VR实验验证，准确模拟人类心理旋转的性能、响应时间和行为。
Comments Version accepted at ICML 2026
解构空间复杂性：用于LLM空间推理的层次分解
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
专题命中 具身推理 ：navigation(abstract)；分类 cs.AI
AI总结 提出一种层次任务分解方法，结合MCTS引导的组相对策略优化（M-GRPO），通过改进中间状态选择和规划能力，显著提升LLM在导航、规划和策略游戏等空间任务中的表现。
Comments 8 pages
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