PAL：先规划后执行的分层记忆框架用于机器人长程操作
PAL 是一个面向视觉语言机器人操作的分层记忆框架，用高层 VLM 把流式视觉观测转成可执行 subtask_list，执行时再选出当前子任务交给低层 VLA 策略。
推荐理由：论文提出分层记忆框架，把长程任务规划提前写入可执行子任务列表，并给出仿真基准与四项实机任务的对比结果。
内容类型
论文研究 最新动态
按内容形态浏览
327 条精选近 30 天 327 条共收录 632 条
更新
精选归档 · 第 12 页
arXiv · cs.RO精选AI 评分7171 arXiv · cs.RO精选AI 评分6060 RGF：用关系几何对齐改进世界动作模型的机器人操作
论文提出关系几何强制（RGF），通过对齐成对特征关系而非逐点特征，把冻结3D基础模型的几何先验迁移到世界动作模型（WAM）。作者发现逐点几何对齐虽改善视频特征却会损害动作学习，RGF 用帧内、跨视角和动作-时序三类关系目标，且仅在训练阶段使用，不增加几何分支或推理模块。仿真与实机实验显示，该方法在多种操作场景和 WAM 范式下取得一致提升。
推荐理由：论文指出逐点几何对齐会损害动作学习，提出用成对特征关系迁移3D先验，并在仿真与实机中验证。
arXiv · cs.RO精选AI 评分7272 TIDE：面向机器人操作的人在环在线后训练系统
作者提出 TIDE（Training In DEployment），一个面向机器人操作的人在环在线后训练系统，可在部署过程中利用人工干预和策略自身 rollout 在线更新策略，无需学习 critic、奖励模型或动作评分器。
推荐理由：论文提出无需价值函数或奖励模型的在线后训练系统，并在四项真实双臂操作任务上对比热启动策略与离线演示。
arXiv · cs.RO精选AI 评分6060 DepState-JEPA：以深度锚定状态表征的RGB-D联合嵌入预测架构
作者提出 DepState-JEPA，一种双流 RGB-D 联合嵌入预测架构，通过共享隐状态 DepState 把空间理解与动作条件预测连接起来。该框架基于 V-JEPA 2.1，将深度同时作为互补观测流并把两种模态锚定到度量三维空间，动作条件转移后由同一组解码器预测未来 RGB 与深度特征。
推荐理由：论文提出以深度观测锚定共享隐状态的双流预测架构，可用于比较机器人操作中的状态表征设计。
arXiv · cs.RO精选AI 评分6767 SMR：从人类语义学习人形机器人流式运动重定向
SMR 提出一种流式神经运动重定向器，从语义条件物理专家学习，将人类运动转为人形机器人可执行的运动参考。方法先把人类运动转换为机器人感知的任务空间目标，由物理专家在仿真中于接触、动力学和执行器约束下跟踪，再用严格因果的 Transformer 学习其执行状态轨迹。
推荐理由：论文提出从语义条件物理专家学习流式重定向，对比运动学与物理精修基线，可供人形机器人运动参考生成研究比较。
arXiv · cs.RO精选AI 评分7171 SimPT：面向干预式 VLA 后训练的自动化仿真框架
SimPT 是一个自动化干预式 VLA 后训练的仿真框架，把策略 rollout、纠正数据采集、策略训练和独立评估整合在一起。
推荐理由：该预印本把 VLA 后训练中的干预采集、训练与评估放进仿真闭环，并给出与固定间隔基线的对比数据。
arXiv · cs.RO精选AI 评分6767 ACT-—Flow：面向视觉插接任务的评论家加权残差流在线学习框架
Yiqing Yuan等人提出ACT-—Flow，将自适应Action Chunking Transformer与条件残差流策略耦合，用于视觉插接任务的在线学习。
推荐理由：论文给出ACT-—Flow在插接类任务上的在线学习框架与消融结果，可比较残差策略与行为克隆的组合方式。
arXiv · cs.RO精选AI 评分6060 研究：物理参数偏移下的因果世界模型
该预印本研究了物理条件偏离训练分布时世界模型预测精度下降的问题，区分了预测器可用哪些输入以及机制如何计算这些输入的影响两个层面。在带捷径特征的合成基准中，由配对干预得到的冻结依赖掩码把分布外 RMSE 从全连接预测器的 1.769 降至 0.697，接近生成器 oracle 掩码的 0.694。
推荐理由：论文在 CausalWorld 中比较不同质量参数注入方式对分布外预测的影响，为世界模型的因果结构设计提供可迁移思路。
arXiv · cs.RO精选AI 评分6262 RoPT：面向视频的鲁棒6DoF物体位姿跟踪框架
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。
arXiv · cs.RO精选AI 评分6363 SLoSa：面向机器人任务规划的小尺寸低功耗安全基础模型
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。
arXiv · cs.RO精选AI 评分6060 HyperDrone：每秒数百万帧的四旋翼仿真到现实迁移
HyperDrone 是一个面向高性能批量渲染的四旋翼仿真器，作者称其速度超过现有先进批量四旋翼仿真器 20 倍以上。它结合优化的多旋翼动力学与光线追踪引擎 HyperLux，支持 Nvidia OptiX、Vulkan、Apple Metal 和 WebGPU 后端，可渲染 RGB、深度、语义/实例分割、表面法线和光流，并在消费级 GPU 上达到数百万帧每秒。
推荐理由：论文给出比现有批量四旋翼仿真器快 20 倍以上的渲染方案，并把纯仿真训练的偏航控制策略迁移到 Crazyflie 实机。
arXiv · cs.RO精选AI 评分7272 COWBOY：面向情境化全身操作的可扩展 sim-to-real 框架
COWBOY 是一个可扩展的 sim-to-real 框架，用于学习情境化全身操作，在全身灵巧抓取任务上零样本迁移到数百个物体和杂乱桌面、货架、抽屉等非结构化场景。
推荐理由：论文给出把场景感知全身控制器与局部强化学习专家蒸馏为单一视觉策略的 sim-to-real 框架，可参考其分层训练思路。
arXiv · cs.RO精选AI 评分6262 FLEX：用语言引导机器人任务特征表征编辑
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。
arXiv · cs.RO精选AI 评分7272 Real2Sem2Real：用单段人类RGB演示生成机器人学习数据
Real2Sem2Real（R2Sem2R）提出从真实到语义再到真实的流程，把一段单目人类演示RGB视频转成同一类别多个语义物体实例上的数千条机器人演示。
推荐理由：论文用单段人类RGB视频生成跨语义实例的机器人演示，并在两台实机四类任务上与遥操作数据训练的VLA策略对比。
arXiv · cs.RO精选AI 评分6363 T-WLA：用共享视觉记忆衔接慢视觉与快触觉的接触密集操作架构
T-WLA 提出一种世界-语言-动作架构，用共享视觉记忆同时指导动作生成与触觉修正。每次视觉更新时，视觉分支把当前图像、任务指令和检索到的历史整合为视觉记忆，用于生成基础动作；同一记忆被缓存给轻量触觉编辑器，结合当前动作块与触觉输入预测未执行动作的残差修正，无需重跑视觉分支。
推荐理由：论文提出用共享视觉记忆驱动轻量触觉修正器，避免视觉策略重算带来的延迟，可供接触密集操作研究比较。
arXiv · cs.RO精选AI 评分6060 NVIDIA 等提出 Joints, Camera, Action!：为任意骨架联合生成 3D 运动与视频
NVIDIA 等机构的研究者提出 Joints, Camera, Action! 模型，可为任意给定骨架同时生成视频与可重放的 3D 运动，并估计相机把运动配准到场景。
推荐理由：论文提出将3D运动与视频生成分离建模，支持任意骨架并恢复相机位姿，为机器人视频数据转可重放运动提供思路。
arXiv · cs.RO精选AI 评分6767 AdaDex：用混合灵巧模仿学习可泛化灵巧操作技能
AdaDex 是一个目标条件强化学习框架，能把数秒的单条手-物轨迹（来自动捕或野外 RGB(D) 视频的 HOI 重建）转化为可泛化的灵巧技能。其核心 Hybrid Dexterous Mimicking 在两类大规模并行环境上训练共享策略：密集运动跟踪环境注入人类先验，带噪声初始状态与稀疏物体成功奖励的泛化环境迫使技能脱离参考轨迹。
推荐理由：论文提出混合模仿与目标条件强化学习框架，把数秒人手轨迹转成可泛化的灵巧操作技能，并给出跨仿真器与实机迁移结果。
arXiv · cs.RO精选AI 评分7272 UniWALM：统一世界-动作-语言模型用于具身机器人控制
UniWALM 提出统一世界-动作-语言模型，在单一混合Transformer骨干中联合学习视频、动作与语言，各模态既作条件信号也作监督目标，并在同一次解码中输出子任务与文本记忆，无需独立规划阶段。
推荐理由：论文把视频、动作与语言放进同一混合Transformer骨干联合生成，并给出记忆依赖任务与实机对比数据，可供比较统一建模路线。
arXiv · cs.RO精选AI 评分6060 Industrial ReMEmbR 将时空记忆扩展到机器人车队
IndustrialRemembr 提出面向机器人车队的共享时空记忆系统，扩展 NVIDIA ReMEmbR，仅在需要时生成场景描述以降低服务端计算。每台机器人用 NVIDIA Jetson 将视频片段编码为检索嵌入、视觉 token 和重建潜变量，不上传原始相机画面。
推荐理由：论文给出机器人车队共享时空记忆的端侧编码与按需解码方案，并报告缓存 token 解码与未拆分模型输出一致。
arXiv · cs.RO精选AI 评分7575 PhysCanvas：用于机器人策略评估与学习的视觉触觉世界模型
PhysCanvas 是一个面向接触密集机器人操作的视觉触觉世界模型，将多视角 RGB、触觉图像、标记位移、任务状态与动作统一到同一视觉空间，并共享视频 VAE 与预训练生成骨干。
推荐理由：论文把视觉与触觉统一进世界模型，并给出世界模型成功率与真实任务的相关性数据，可用于比较策略评估方案。