发表:2026-10-26 · 颠覆级
导航策略常直接接收视觉预训练目标决定的表示,难以选择最有用的细节。 RepresentNav让策略从多个冻结视觉模型的内部层构造自身表示,并以未来潜在状态预测训练导航动作。 VLNVerse细粒度测试成功率83.80%,较比较基线高20.05个百分点;同编码器消融中构造空间优于拼接,预测自身未来空间将碰撞率18...
发表:2026-10-09 · 颠覆级
具身智能体在真实物理环境中需要同时具备高层推理与低层运动控制能力,但现有方法往往将两者割裂,导致反应延迟高、无法应对突发事件。该问题对于机器人导航、人机协作等应用至关重要,是当前具身智能与语言模型结合的核心挑战。 NavGPT-3提出了一种层次化导航运行时,将语言模型推理、动作策略执行与监控作为独立线程运行,由...
发表:2026-10-07 · 颠覆级
机器人长时程任务需要保留历史,而许多世界–动作模型只利用短观测窗口,部署时还面临视频预测的时延。 Long-WAM以自回归世界视频预训练建立对长历史的利用能力,再结合世界–动作训练及流式/异步运行;对历史长度、预训练方式与部署进行比较。 以自回归视频预训练让世界–动作模型利用长历史,并配套流式/异步部署;4仿真...
发表:2026-09-20 · 颠覆级
操作策略必须知道哪些物体重要以及它们在哪里,但当前机器人基础模型所依赖的预训练主干(如VLA中的语言、WAM中的视频生成)并不直接要求这种度量级3D接地,而是依赖从示教数据中隐式学习。 GAMs提出了一种以3D接地为构建基础的机器人基础模型策略,将语言、点或盒提示统一变换为所选物体的共享物体中心表示,融合目标视...
发表:2026-08-12 · 颠覆级
现有的视觉-语言-动作(VLA)模型通常采用预训练VLM加独立流匹配动作专家的组合,导致VLM仅作为上下文编码器而非决策者。该论文提出G0.5,一个预训练的自回归VLA模型,用单一Transformer解码器在统一目标下生成推理和动作token,旨在解决VLA模型决策能力不足的问题。 G0.5的核心方法包括三个...
发表:2026-08-07 · 颠覆级
现有视觉-语言-动作(VLA)模型在部分可观测和长时程任务中受限于固有反应式范式,当仅依赖腕部相机时,存在物体离开视野导致的感知遗忘以及多步执行中的任务进度遗忘,严重制约了其性能表现。 AtlasVLA提出从直接反应式操作转向主动推理,通过双记忆架构(4D持久世界状态记忆和自我工作状态记忆)构建全局更新的体素哈...
发表:2026-07-28 · 颠覆级
机器人操作策略依赖高质量示范,但真实机器人遥操作昂贵,廉价的无机器人UMI数据又通常只能用于预训练,部署前仍需真实机器人数据锚定。 HiFi-UMI协同设计硬件与软件,使用离线双目惯性SLAM、原生双手相对位姿、微秒级GPIO同步和每只手双广角相机,将无机器人采集精度提升到可直接部署水平。 系统达到约3毫米末端...
发表:2026-06-11 · 颠覆级
这篇论文提出 WEAVER,把机器人世界模型从单纯视频/状态预测推进到可用于策略评估、策略改进和测试时规划的多视角模拟器。 核心方法是 multi-view latent world model:用 flow-matching 预测未来 latent 与 reward,并把架构、记忆和预测目标设计为同时满足 f...
发表:2026-05-20 · 突破级
这篇 Nature 论文把非视距隐藏物体成像推进到低成本消费级 LiDAR 场景,不再依赖昂贵、专用的实验室 NLOS 硬件。 核心思路是利用运动诱导采样,把多帧消费级 LiDAR 数据和运动模型融合起来,实现隐藏物体的三维重建、跟踪和定位。 对机器人和具身系统而言,这相当于扩展了感知边界:拐角后、遮挡后和视线...