技术方向
与机器人感知、决策和物理交互直接相关的感知与规划进展
89 条精选近 30 天 89 条共收录 230 条
OMAR 提出一套开放世界多属性推理流程，让机器人在没有预设物体词表和物体-容器对应关系的情况下，推断货架的隐含组织方式并摆放新物体。方法先用视觉语言模型给出标签及内容、包装类型等属性，经分割、深度和多视角关联完成跨视角实例定位，构建实例级3D场景图，再由LLM推理摆放排序，最后做几何与运动学可行性检查。作者称实验在实例映射和摆放一致性上优于单视角语言定位与纯几何基线，可自主摆放此前未见过的物体。
推荐理由：论文提出用视觉语言模型与LLM推理货架隐含组织规则，为开放世界物体摆放提供可迁移的推理流程。
CausGround 是一个非参数化的因果交互接地框架，把交互经验提炼为以动作为中心的因果知识，用于具身规划。它识别动作前置条件与效果，并以分解式世界状态表示组织物体属性和物体间关系，规划时把任务相关因果依赖接地到当前观测，支持前置条件的反向推理与效果的正向推理。
推荐理由：论文把交互经验整理成可复用的动作前置条件与效果知识，并在仿真基准和实机操作上给出对比结果。
PRISM 提出一种基于物理的深度噪声建模框架，将单一噪声解耦为传感失效与测量不准两类模态，并借助 3D 视觉基础模型特征做空间语义先验推理。作者称其在噪声深度合成基准上达到当前最优保真度，下游机器人实验在真实世界取得 92.1% 平均成功率，优于单一噪声建模基线。项目页面见 https://shawnleung-sii.github.io/prism-icml2026/。
推荐理由：论文把深度噪声拆成传感失效与测量不准两类物理机制，为仿真到现实的感知建模提供了一种可迁移思路。
RoPT 是一个面向视频的鲁棒 6DoF 物体位姿跟踪框架，作者称其把视觉感知、时序运动学与全局重定位耦合成闭环，以应对快速运动下的跟踪发散。视觉部分通过跟踪物体掩码处理部分和严重遮挡，运动学因子图则约束帧间更新、预测前向位姿并驱动多假设并行验证以避开局部极小。作者在多个挑战性基准和真实机器人演示中报告，快速运动下的跟踪存活率显著更高。
推荐理由：论文把视觉感知、时序运动学与全局重定位耦合成闭环，用于应对快速运动下的位姿跟踪发散，可供机器人交互感知研究参考。
SLoSa 是一个神经符号压缩与微调框架，用于训练小尺寸、低功耗且具备安全意识的机器人任务规划基础模型。该框架先用经典规划器、教师大模型和形式化验证器构建安全数据集，再经监督微调与由验证奖励机引导的强化学习微调。
推荐理由：论文给出小尺寸规划模型在 PDDL 任务、家用仿真与桌面机械臂上的成功率与功耗数据，可对照大模型本地部署的资源约束。
MIT 等机构作者提出 Flexible Feature Editing Pipeline（FLEX），用语言模型根据自然语言纠正迭代编辑机器人内部任务特征表征，包含添加缺失特征、泛化已有具体特征、屏蔽无关特征三种操作。
推荐理由：论文提出用语言模型迭代增删与泛化任务特征的表征编辑流程，并在导航、Franka 操作与真人语言纠正实验中比较不同编辑方式。
SceneRig 是一个智能体系统，可将单张图像重建为可编辑、可直接用于仿真的3D场景。它结合几何、视觉与物理工具，并在物理仿真器内执行编辑与验证循环以获得物理稳定性。作者称，相比基线方法，SceneRig 在实例分割、物体外观和3D摆放上有所改善，其场景能更准确地预测真实机器人策略结果，并更可靠地支持已录制操作在无需轨迹适配的情况下回放。
推荐理由：论文提出从单张图像重建可仿真场景的智能体系统，并给出下游机器人策略预测与操作回放的对比结果。
CLOSER提出证据感知的主动验证框架，把物体目标导航中的停止决策当作闭环证据采集，将视觉语言模型验证与主动感知结合。该框架微调开源VLM，把候选目标在各帧的视图标注为目标、非目标或不确定，用基于嵌入的多样性门控挑选互补视图，再由轻量网络融合各视图概率；若融合判断仍不确定，扩散策略仅依据跟踪掩码和深度驱动智能体靠近候选目标，直到判断明确。
推荐理由：论文把停止决策改写为闭环证据采集，用VLM多视角验证加扩散策略主动靠近，为ObjectNav误检问题提供可迁移方法。
论文提出 MARE（Modular Autonomy and Rendering Environment），一个基于 Unreal Engine 5 和 ROS 2 的开源月面巡视器感知与自主仿真套件。
推荐理由：论文给出月面巡视器仿真器的三组件构成与阴影真值验证指标，可供做低光照感知与自主导航的研究者参考。
作者提出 SPAR（Search-trained Push Action Ranker），从仿真搜索结果中学习为推挤基元排序，用于可移动障碍物导航（NAMO）。
推荐理由：论文用仿真搜索结果为推挤动作排序，在仿真与实机上对比随机搜索，可看学习排序如何降低规划开销。
研究指出，推理增强的驾驶 VLA 能感知并推理安全关键危险，却未能把危险信息转化为安全动作，作者将这一现象称为感知-动作绑定缺口。基于匹配的仿真反事实和驾驶日志回放，研究发现路径内危险确实被编码进视觉表征，但纵向规划主要由自车速度历史主导，对危险距离和模型自身推理轨迹响应很弱。
推荐理由：论文用匹配仿真反事实与实车日志回放，把驾驶 VLA 的危险感知与制动控制分开诊断，并给出不改权重的生成时引导方案。
PanoGraphGS 提出一个统一框架，将全景3D高斯表示学习与分层3D场景图构建结合，在共享高斯几何上学习语义与实例特征。其语义感知场景图模块可恢复楼层-房间-物品-物体的层级及包含与空间关系，并支持新视角全景分割与高斯级全景解码。
推荐理由：论文把全景分割与分层3D场景图统一到高斯表示中，并给出与Replica、NaviGS的对比结果，可供场景图构建方法参考。
EchoNav提出一种从短RGB序列预测证据式鸟瞰图（BEV）表示的视觉导航框架，结合时序聚合与占据补全，在最新自车坐标系下生成局部地图，无需深度或相机位姿输入，也不做显式几何变换。
推荐理由：论文给出基于历史观测的证据式BEV补全方法，并在仿真与轮式机器人上对比基线成功率。
RadGeoLoc 提出用学习观测模型将旋转雷达测量对齐到卫星影像，实现不依赖 GNSS 的定位。方法用雷达里程计传播粒子滤波生成候选位姿，再由观测模型给出似然；雷达表征经掩码重建预训练。作者在覆盖城市与越野的 8 个数据集、31 条路线上评估，并利用同一路线 13 个月的重复穿越考察天气变化下的鲁棒性。
推荐理由：论文给出旋转雷达对卫星影像定位的粒子滤波方案，并在31条路线和13个月重复穿越中检验天气鲁棒性。
作者在 Jetson AGX Orin 上对九类深度估计模型做了基准测试，覆盖单目 Depth Anything V2/V3、Depth Pro、MoGe-2、Metric3D v2、UniDepth V2 与立体方法 libSGM、NVIDIA ESS、Fast-FoundationStereo，按 Middlebury 2014 真值评估度量精度、GPU 时间、能耗和许可。
推荐理由：在 Jetson AGX Orin 上统一比较九类深度估计模型的精度、速度、能耗与许可，为机器人感知选型提供可复现依据。
研究团队提出ACE-Brain-0.6，在Qwen3.5-9B上用约150万条可验证空间定位样本微调，以强化通用具身操作的空间感知基础。数据来自机器人操作录像与多来源视觉数据的统一管线，经自动标注转为定位监督。该模型在7个公开定位基准中的4个上超过GPT-6 Astra，平均分75.41对73.68；在固定微调设置下，随数据批次扩大覆盖更多定位场景，聚合定位性能稳步提升。
推荐理由：论文给出从机器人操作录像构建可验证空间定位监督的数据管线，并报告9B模型在公开基准上的对比结果。
ReInsVLN 提出一种免训练框架，在冻结的导航器中构建并利用历史记忆，在 R2R Val-Unseen 上相较原生 StreamVLN 和 InternVLA-N1 成功率分别提升 8.48 和 3.37 个百分点，达到 64.27% 和 64.44%。
推荐理由：论文提出免训练的历史证据复用框架，并给出在 R2R Val-Unseen 上的成功率提升与压缩带来的时延、显存收益。
Kryštof Pšenička与Stefan Edelkamp提出一套完整的GPU常驻管线，用于多机器人对水下结构做3D巡检：输入三角网格和K台携带短距、有限视场相机的机器人，输出联合覆盖目标比例表面的6自由度轨迹，并最小化线性插值的完工时间与总成本目标。
推荐理由：论文给出多机器人水下结构巡检的GPU常驻五阶段管线，并公开代码与14个网格的消融结果，可供规划与覆盖问题参考。
SSIO 提出积分自监督方案，让惯性里程计模型从零训练时不再依赖真值轨迹，只需标定 IMU 并在正常运行时记录数据。该方法先用短窗积分 IMU 的教师模型监督学生模型，学生直接预测速度且精度高于教师，再用多窗口位姿图蒸馏序列一致目标。在覆盖行人、无人机、四足机器人和人形机器人的六个数据集上，同一套无速度或位置标签的训练流程所得模型平均速度误差与同架构有监督基线相差 0.07 m/s。
推荐理由：论文提出用短窗积分自监督替代真值轨迹训练惯性里程计，并在行人、无人机、四足和人形六套数据上验证。
OV-PEAR 是一个面向未知工业物体的三维重建与位姿尺度估计框架，通过实例分割生成物体级三维假设、经外观感知视角检索与显式尺度搜索对齐到机器人坐标系，再用多视角 RGB-D 证据反投影验证体素占据。
推荐理由：论文给出未知工业物体的位姿尺度估计与重建流程，并在BOP-Industrial和实机装配上报告结果，可供比较零样本位姿方法。