2026 年 11 月 5 日 · 星期四
本期文章 87
IntentNav：从人类演示学习空间-视觉物体导航
IntentNav 是一个从人类演示中学习类人物体导航策略的空间-视觉模仿框架，用于在未知环境中部分可观测地搜索未观察到的目标。为从低层人类动作推断高层搜索意图，作者提出基于前沿的人类意图标注方法，在演示中前瞻性地标注最能解释演示者未来搜索方向的前沿；同时构建空间-视觉候选空间，用 BEV 记忆跟踪已探索区域、未探索前沿和轨迹历史，用自我中心视觉记忆为每个候选提供语义线索，并训练 VLM 策略在候选间选择，配合意图对齐目标鼓励一致且类人的探索。
SAFEVPR：用补丁验证与经验FDR控制做跨条件序列视觉位置识别
SAFEVPR 提出一种不可训练的跨条件序列视觉位置识别验证流程，用冻结 DINOv2 特征的互最近邻补丁分数替代骨干余弦相似度，并采用扁平 Learn-Then-Test 校准与逐箱 Clopper-Pearson 阈值。作者明确不在条件偏移下给出形式保证，而是考察哪种验证分数与校准设计能让目标误发现率在真实外观变化中经验性满足。在 23 组跨条件地面车辆设置（Oxford RobotCar、NCLT、St Lucia。
DynaFLIP：用三模态动力学引导机器人感知表征预训练
DynaFLIP 是一个动力学感知的多模态预训练框架，把运动理解前移到感知阶段，用图像-语言-3D流三元组作为训练监督来塑造仅图像的编码器。其核心思路是让三种模态在共享超球空间中张成较小的单纯形体积以表示更强对齐，并结合余弦正则项与对比目标避免几何歧义和坍缩。分析显示该表征聚焦于操作相关的控制区域，可作为可复用视觉骨干，在包括 VLA 在内的多种下游策略上优于基线，仿真与真实场景中分布外情形增益达 +22.5%。作者据此认为，让视觉表征同时编码场景内容与动作下的世界变化有助于提升机器人泛化能力。
血管内神经介入的临床医生与AI协作：机器人导航Copilot辅助模式的体外用户研究
研究提出Copilot Assistance Modes（CAMs）框架，覆盖从手动操作到完全自主的机器人血管内导航自主谱系，并在患者特异性血管体模中开展首个比较临床医生与AI协作策略的体外用户研究，11名专家和2名学生评估了六种导航模式，结合客观性能指标与工作负荷、可用性等主观评估，另在仿真和体外评估自主性能以考察sim-to-real迁移。手动导航整体表现最强，成功率100%；完全自主导航在仿真中成功率81%，体外降至23%；多种临床医生与AI共享自主模式成功率达92-97%，约为完全自主的四倍，与直接机器人控制（95%）相当，表明临床医生与AI协作可缓解sim-to-real域偏移。
PACE：面向动作分块机器人策略的阶段感知分块执行方法
PACE 是一种免训练方法，从预测的动作块中在线选择执行时域，以预测速度曲线中的低速谷作为候选重规划边界，利用操作轨迹的阶段相关运动学特性。其默认从各任务已有训练示范中校准谷值阈值，无需针对任务调固定时域。在 50 任务的 RoboTwin2.0 基准上，PACE 将平均成功率从最强固定时域基线的 57.8% 提升至 64.2%，并优于自适应执行基线 AAC 和 AutoHorizon；在 LIBERO 上配合 GR00T N1.7 取得所评估策略中最高的总体成功率。
ResponsibleRobotBench：面向机械臂操作的风险感知任务级决策基准
作者提出 ResponsibleRobotBench，一个包含 23 种操作任务配置的基准，将目标与安全条件分开指定，并在 episode 层面串联危害类别预测、规划动作、执行反馈与最终结果。对五个大型多模态模型的评测显示，终端安全与安全完成任务可能不一致：防御性提示提升了三个受测模型的终端安全，但对安全成功率的影响方向不同；危害类别预测正确也不能保证缓解动作可执行。在默认配置的切割任务中，GPT-4o mini 在全部 100 个 episode 中都识别出人员危害，却从未请求协助，每个 episode 都以不安全结束。
DexCanvas 发布 7000 小时带接触力标注的灵巧操作数据集
DexCanvas 构建了 7000 小时的灵巧手-物体交互混合真实与合成数据集，逐帧标注接触点和接触力，源自 70 小时光学动捕，覆盖 21 类操作。其真实到仿真流程用一个以物体几何和操作类型为条件的强化学习策略驱动仿真中的 MANO 手复现抓取轨迹，复现 87.5% 的演示，在扰动初始位姿下仍有 80.9% 成功率，对未参与采集的 6 个 YCB 物体成功率为 72.5%。在 18,522 次试验中，观测接触特征的 Diffusion Policy 成功率为 82.2%，不使用接触特征时为 67.5%。首批 111,857 条带力标注轨迹已在 Hugging Face 公开。
DreamX：用视频扩散模型学习通用潜在动作
DreamX 将预训练视频扩散模型改造为通用潜在动作学习器，从视频模型的时空特征中提取紧凑潜在动作，把每帧潜在视频从 1200 个 token 压缩到 4 个，压缩约 300 倍。借助视频模型的生成先验，这些潜在动作能捕捉与视觉外观解耦的动作相关动态，形成跨本体（人与机器人）、跨环境和跨动作参数化的共享动作接口。在 LARY-Bench 上，DreamX 在潜在动作模型中取得最优性能；同一设置下编码的动作在另一设置中仍然有效，支持任意到任意的视频迁移以及跨多种本体和环境的零样本动作迁移。
FlowDrive：面向轨迹规划的平衡数据流匹配方法
FlowDrive 是面向驾驶轨迹规划的流匹配规划器，针对驾驶数据长尾分布导致的模型偏置问题，作者比较了训练数据采样平衡策略，发现按轨迹模式重加权较为有效。方法学习条件校正流，用少量流匹配步数将噪声直接映射到轨迹分布，并引入在环调节引导，在流步之间注入小扰动以提升轨迹多样性且保持场景一致。在 nuPlan 和交互导向的 interPlan 基准上，FlowDrive 在学习型规划器中取得最优结果并接近带规则精修的方法；加入调节引导和轻量后处理后（FlowDrive*），在几乎所有基准划分上取得整体最优。代码已公开。该工作为 arXiv 预印本，结果基于上述基准评测。
PadLoc：免训练稀疏几何匹配的楼层平面定位方法
PadLoc 是一种免训练的定位后端，用于把移动传感器定位到已知楼层平面中。它保留可替换的深度前端，用稀疏几何匹配替代稠密 (x,y,θ) 位姿网格后端：由主导墙面朝向生成少量候选位姿，用掩码归一化互相关将观测自由空间与平面图比对，再通过移动位姿高斯混合贝叶斯滤波与一致性读出解码轨迹。在深度前端固定的条件下，PadLoc 在 Gibson 各轨迹长度上不逊于或优于 UnLoc 的前向滤波与 F3Loc 滤波，并在 T=35 起优于 UnLoc 的离线精化；在共享 MapAnything 前端时超过 Z-FLoc 已发表结果。
Cycle WAM：用循环一致性耦合动作与视频的世界动作模型
Cycle WAM 提出一种统一训练框架，把视频与动作当作由因果关系连接的配对模态，学习两者的对应关系，以更好利用预训练视频先验。方法先用双向转换增强视频-动作联合训练，以强化跨模态对应并恢复前向与逆向动力学，再引入可微的循环重建目标进一步耦合两个映射。所得模型同时支持前向与逆向动力学。作者称其在 LIBERO-Pro 上取得同类方法中的最优性能，并在 DROID 上明显改进 DreamZero；与 UWM 的对比刻画了其逆向动力学表现，展示的前向动力学预测视觉细节更清晰。该工作为 arXiv 预印本，尚未经同行评议。
iMED：面向手术3D感知的多内窥镜同步数据集
作者提出iMED，这是面向机器人辅助微创手术（RAMIS）的同步多内窥镜数据集，用于解决手术视觉基准中缺少独立留出视角的问题。数据集包含340条序列、约17万个同步时间点，每个时间点有4个视角，由两个独立立体内窥镜在离体、尸检和活体手术场景中同步采集，覆盖14个标本；同时提供标定相机内参、基于ArUco的逐帧位姿估计及不确定性量化、器械分割掩码和临床元数据。作者采用在一个内窥镜上训练、在另一个上测试的协议。
ReSMap：以卫星先验提升相机失效下在线高清地图构建鲁棒性
ReSMap 是一个冗余感知的相机与卫星影像融合框架，用于鲁棒的在线高清地图构建，论文已被 NeurIPS 2026 接收。针对现有方法只在正常条件下利用卫星影像、未将其作为传感器退化时的冗余，作者提出 Predict-then-Fuse（PTF）模块，用各分支自身的预测置信度作为逐像素可靠性权重来融合相机与卫星 BEV 特征，且不使用学习到的路由器；Object-Centric Cooperative Multi-modal Query（OCMQ）解码器把模态分离扩展到查询层，每个模态只对自身 BEV 做交叉注意力，再通过学习到的逐 token 门控合并各模态更新。
研究诊断推理VLA的文本与动作背离并提出TNAS引导方法
研究提出文本中性动作子空间（TNAS）诊断方法，发现视觉扰动可在生成理由逐字不变的情况下改变推理VLA的物理动作。在Alpamayo驾驶模型和InstructVLA操作模型上，局部最动作敏感方向与文本损失梯度近乎正交，范数重叠仅1.87%和5.28%；在相同隐状态扰动范数下，沿该方向的干预对动作的偏移是文本梯度扰动的4.64倍至47.8倍。在Alpamayo的154个带障碍物标注驾驶场景中，TNAS引导攻击在整图扰动下52.6%的场景于理由逐字不变时引发新碰撞，局部前视相机补丁下为35.1%，未引导动作攻击为4.55%。
PolicyIK：用强化学习实现机械臂高精度逆运动学
PolicyIK 是一种面向机械臂高精度逆运动学的目标条件强化学习策略，根据位姿反馈更新关节位置参考，并观察累积参考与实测关节的偏差，以保留位置控制器静止时所需的偏移量。方法采用双尺度位姿误差和随误差变化的动作增益来消除毫米级残差，同时保留大范围运动，并用进度奖励与驻留奖励让策略既到达容差又停留在容差内。仿真中，训练后的 PPO 策略单次尝试在 93.5% 的留出任务上使最后一秒平均误差保持在 1 mm 和 0.2° 以内。
GSBR：面向在线强化学习的几何支撑行为正则化
GSBR 提出一种面向在线强化学习的几何支撑行为正则化方法，按动作到基策略支撑集的距离施加惩罚。基策略通常是在大规模多样数据上经模仿学习训练的扩散或流匹配模型，能覆盖许多合理但次优的行为；现有行为克隆正则会把 actor 拉向完整基策略分布，硬支撑约束又禁止支撑集之外的改进。GSBR 对支撑集内的动作不惩罚，使 actor 可集中于高价值模式；支撑集外则随距离平滑增大惩罚，当价值增益超过惩罚时仍允许改进。
Rational Inverse Reasoning：通过规划推断意图实现少样本模仿
作者提出 Rational Inverse Reasoning（RIR），把少样本模仿学习转化为对潜在解释程序的推断：用视觉语言模型提出候选程序，由分层规划器给出有界理性似然，迭代精化候选集以逼近简洁可执行程序的后验。在 2D 推理基准和真实 Franka FR3 上，RIR 能从少至一次演示中恢复可迁移的任务结构；在布局和物体集合显著变化时，其下游成功率比缺乏显式理性与规划反馈的 VLM 规划基线在一次和三次演示设置下分别高 34 和 28 个百分点。该工作发表于 CoRL LEAP 2026 Workshop。