内容类型
按内容形态浏览
10 条精选近 30 天 8 条共收录 15 条
Kairos 提出按任务语义从五个规划引擎中选择并统一调度，覆盖从 STRIPS 到 PDDL+ 的多种 PDDL 片段。在九个对比套件的 1,756 个任务上，它在完整时限内解出的任务数多于各套件中最强的被评估规划器，在数值、时序、PDDL3 和 PDDL+ 上差距最大，在 100 ms 和 1 s 时限下解出任务也最多。
推荐理由：论文给出跨经典、数值、时序与混合 PDDL 的多引擎调度方案，并公开规划器与基准，便于比较不同规划器的覆盖与延迟。
RESPLE2 提出一种基于非均匀 B 样条的递归多传感器状态估计框架，用于 6-DoF 运动表示。该方法利用样条节点夹持边界性质，由惯性运动学直接预测控制点，并在迭代扩展卡尔曼滤波中用部分惯性测量完成预测，更新步骤按原始时间戳融合 LiDAR、相机、IMU 与腿部运动学。
推荐理由：论文给出惯性先验驱动的非均匀B样条多传感器里程计方法，并公开代码与实验数据集，便于对照多平台动态场景的估计精度。
RoboJev-27B 是一个开放权重的视觉语言模型，输入任务指令与 10 帧操作画面，预测机器人是否完成任务。它在同型号 SO-101 的 268 个留出回合上取得 95.2% 平衡准确率和 0.993 AUROC，在未见实验室/机器人采集的 459 个回合上 AUROC 为 0.890。
推荐理由：RoboJev-27B 给出机器人操作成功检测的开放权重模型与完整评测记录，可用于比较不同成功判定方案。
作者提出B-Adapt与BVSLAM两种方法，用于缓解快速光照变化导致视觉SLAM图像饱和、跟踪丢失的问题。B-Adapt采集自适应曝光包围以覆盖场景动态范围并保持光度重叠，BVSLAM直接把多曝光序列作为因子图状态估计的约束，不依赖HDR合成。
推荐理由：论文把自适应曝光包围与多曝光因子图估计结合，在隧道出口光照突变场景给出误差对比，可供视觉SLAM鲁棒性研究参考。
论文提出BM2PC，一个用于可变形线性物体敏捷操作的贝叶斯多模态MPC框架，将多模态规划建模为集合优化问题，并加入执行动力学模型补偿快速操作中的执行偏差。在绳索跟踪与避障的仿真和硬件实验中，BM2PC在最长任务上把RMSE降低44.0%，避障性能与现有多模态MPC方法相当，规划时间减少29%至66%。
推荐理由：论文提出面向可变形线性物体动态操作的多模态MPC框架，并给出仿真与实机跟踪、避障的量化对比。
智元开源 AGIBOT WORLD 2026 的第四版“Physical Reasoning”数据集，任务设计重点从操作难度转向决策复杂度。该数据集覆盖 10 类以上逻辑推理场景，按 Easy、Medium、Hard 三级组织，并提供高层问答与低层动作轨迹，用于高层决策模型与低层动作策略的协同训练。
推荐理由：智元开源 AGIBOT WORLD 2026 第四版数据集，任务设计从操作难度转向决策复杂度，可用于比较具身决策与动作联合训练的数据组织方式。
Yash Rampuria 等作者提出开源 GPU 加速图库 GGraph，同时支持真实机器人部署和大规模策略训练。GGraph 通过 ROS 2 接口接入真实机器人，并支持向量化 GPU 策略训练，内置 3-D 导航、探索和回环整合等任务。单机器人运行时图更新为毫秒级，规模化训练可跨数百个并行机器人，训练实际耗时降低一个数量级；结果来自仿真与真实世界实验。
推荐理由：GGraph 把图构建放到 GPU 上，并同时覆盖 ROS 2 部署与并行训练，为图表示机器人策略提供可复用基础设施。
CusADi2 是一个开源软件库，通过在单个批次实例内部额外并行化计算，降低机器人运动学、雅可比与海森矩阵的批量求值延迟。
推荐理由：该库在 MuJoCo Menagerie 全部 67 个机器人上对比多种基线，给出批量运动学与雅可比、海森计算的低延迟方案。
NVIDIA 在加拿大多伦多 ROSCon 上发布 Isaac ROS 5.0，这是一组基于 ROS 的 GPU 加速软件包，新增智能体工作流与平台支持。该版本支持 ROS Lyrical 和 Ubuntu 24.04，并提供面向 AI 智能体的 Isaac 技能与文档，其中 FoundationPose 的智能体推理库称可将物体位姿感知与跟踪速度提升至多 5.5 倍。
推荐理由：Isaac ROS 5.0 把智能体工作流和 ROS Lyrical 支持纳入开源包，并列出多家厂商的集成用法，可用于了解机器人开发工具链的当前形态。
AWS 开源 SDK Strands Robots 联合 LeRobot 与 Hugging Face Storage Buckets，演示在同一 agent 内完成演示录制、从 Hub 流式读取训练、再把 checkpoint 部署回硬件的闭环。
推荐理由：以 Strands Robots 与 LeRobot 为例，演示录制、流式训练、部署回硬件的数据闭环，并给出存储去重与安全边界的具体做法。