1
Xinhao Liu, Yunsheng Tian, Yuheng Qiu, Pieter Abbeel, Xi Chen, Guanya Shi, Chen Feng
任务设定
VLM 微调为物体目标导航策略
痛点动机
策略探索力强,但常漏判目标已在视野内
解决方案
引入显式目标定位模块,估计目标位置与距离,大幅提升成功率并达 SOTA
2
Yuze He, Bin Tan, Zelin Gao, Yujun Shen, Yong-Jin Liu, Nan Xue, Yinghao Xu
任务设定
视频世界模型的持久 3D 场景记忆问题
痛点动机
逐像素点云记忆存储开销大,难以长期保持几何一致
解决方案
用平面基元构建紧凑 3D 记忆,联合预测 RGB 与平面几何,深度融合模块跨块传递
3
Simon Giebenhain, Tobias Kirschstein, Liam Schoneveld, Davide Davoli, Zhe Chen, Matthias Nießner
任务设定
基于单张图像生成可控 3D 虚拟人
痛点动机
传统 3DMM 表达力有限,难以还原口腔舌部等细节
解决方案
微调视频扩散模型,用学习表情空间和代理网格联合控制视角、表情、姿态
4
Guanchen Du, Jinhao Du, Yanpeng Sun, Shan Zhang, Na Zhao, Zechao Li
任务设定
隐空间世界模型中无需搜索的视觉规划与控制
痛点动机
传统隐空间规划需在线优化动作序列,成本高
解决方案
提出 HIJP ,用目标条件逆模型直接预测动作,并对齐隐预测保证一致性
5
Weiyang Jin, Jiwen Yu, Sihan Xu, Yuwei Niu, Xihui Liu
任务设定
诊断视频世界模型记忆能力的失效原因
痛点动机
现有测试混淆场景设置与记忆保持,遗忘难以辨别
解决方案
提出 MIST 评测分离变化与记忆,用 M3-Agent 补全缺失指令执行
6
Nedko Savov, Stefan Maria Ailuro, Danda Pani Paudel, Yilun Du, Xi Wang, Luc Van Gool
任务设定
视频世界模型中维持视野外场景动态一致性
痛点动机
现有方法无法更新画面外动态物体,易遗忘或穿模
解决方案
用环视相机组构建持久场景记忆,两阶段传播动态实现跨视角一致生成
7
Jiawei Geng, Zhenyang Liu, Yuzheng Wu, Yanwei Fu
任务设定
开放场景中遮挡条件下的机器人操作感知与决策
痛点动机
杂乱遮挡和视角变化使空间关系难以把握,操作易失败
解决方案
提出世界动作模型,主动规划观测轨迹并想象所见,融合扩散策略生成动作
8
Wajeeha Tahir, Anna Tegon, Lionnus Kesting, Gamze İslamoğlu, Kristóf Karacs, Luca Benini, Thorir Mar Ingolfsson
任务设定
预测场景中物体周围可放置的空闲区域
痛点动机
空间关系和物理约束对 VLM 仍具挑战
解决方案
提出 Spatial-TRM ,权重共享递归细化结构预测区域,仅 1120 万可训练参数
9
Xinyi Hong, Mingyang Ren
任务设定
统一 VLA 模型与世界动作模型的理论框架
痛点动机
各具身基础模型架构、输出表示各异,难以统一分析
解决方案
基于随机核的概率公式统一动作生成,实例化于 OpenVLA 与 DreamZero
10
Khuyen Pham, Tran Nguyen Le, Edoardo Fazzari, Cesare Stefanini
任务设定
加速流匹配 VLA 机器人操作策略的推理速度
痛点动机
VLA 反复去噪推理慢,实时控制成本高
解决方案
用轻量 Mamba 动作专家替换 Transformer 专家,压缩器传递视觉语言条件降低延迟
11
Youngrae Kim, Yejin Jang, Eunho Kim, Youjin Sung, Kun-Woo Song, Sangpil Kim, Sang Ho Yoon
任务设定
定位电影视频中人体受到的物理冲击位置
痛点动机
现有研究忽视短暂剧烈冲击事件对人体的影响
解决方案
构建基于 SMPL-X 标注的冲击数据集,提出文本条件的人体区域定位基线
12
Carl Qi, Weijun Dong, Xiaojie Wang, Peiyi Chen, Rahul Sajnani, Mingyuan Zhang, Amy Zhang, Jose Barreiros, Manikatan Nambi, Lillian J. Ratliff, Dylan Randle
任务设定
强化学习提升通用机器人操作策略的可靠性
痛点动机
噪声空间探索低效,难以获得有效学习信号
解决方案
提出 AnchorQ ,用 flow reversal 构建结构化动作锚点,结合价值引导采样做粗到细的探索
13
Xiangteng Zhang, Haoyuan Liu, Yang Guan, Jingliang Duan, Yao Lyu, Tao Zhang, Shuai Zhang, Kehua Sheng, Bo Zhang, Shengbo Eben Li
任务设定
世界模型驱动的策略学习与动作评估
痛点动机
反事实动作无观测结果,难以直接监督评价
解决方案
提出 World Action Critic 模型,联合学习候选动作的未来预测与效果评判,评论信号反哺预测表征
14
Noé Mosca, Mohamed Rayan Barhdadi, Muhammad Hamza, Joshua Yeh, Suryodaya Bikram Shahi, Zhiyan Li, Selim-Antoine Lali, Weiyue Li, Hasan Kurban, Erchin Serpedin, Gang Luo, Yue Zhang, Minghan Li, Mengyu Wang
任务设定
面向视障人群的自我中心目标导向辅助感知
痛点动机
现有基准缺少多模态输入与目标导向指导评测
解决方案
提出 VISTA 基准,用 Aria 眼镜采集多模态自我中心数据并标注十类辅助任务
15
Nicholas Saban, Charvi Bannur, Mariya Vasileva, Darshan Deshpande
任务设定
评测文本世界模型预测环境状态转移的能力
痛点动机
尚无标准化基准比较和改进世界模型
解决方案
构建 5 个领域、19 种技能、1632 个任务的 GlobeBench,混合规则与语义判断评估模型对动作后果的预测准确性
16
Faizan Siddiqui, Nirav Savaliya, Sahith Reddy Chada, Enna Sachdeva
任务设定
视频大模型的具身空间推理任务
痛点动机
现有视频表征缺乏跨视角稳定的空间上下文
解决方案
利用深度和相机位姿,将多帧特征投影到共享鸟瞰图 (BEV) 坐标系聚合,大幅压缩视觉 token 数量
17
Chaoyu Li, Arka Sadhu, Yuliang Li, Hyo Jin Kim, Yuning Chai, Pooyan Fazli
任务设定
第一人称视频复杂空间推理问答任务
痛点动机
VLM 难以规划证据获取、整合多步推理
解决方案
用双 LoRA 训练规划/感知教师,蒸馏至 MoE 学生内化整个流程
18
SenseNova, Joint Research Team, Zhongang Cai, Ziang Cao, Tailai Chen, Han Chong Chua, Linjun Dai, Hanming Deng, Hokin Deng, Haiwen Diao, Chenjing Ding, Weichen Fan, Xiao Fu, Zerui Gong, Chenyang Gu, Zexin He, Zhi Hou, Bo Li, Qinyue Li, Quanzhou Li, Xiaowan Li, Zhichao Liao, Dahua Lin, Zilong Lin, Bo Liu, Chunxiao Liu, Pengfei Liu, Tianqi Liu, Ziwei Liu, Chen Change Loy, Lewei Lu, Jiapeng Luo, Yuexiao Ma, Liang Pan, Xingang Pan, Oscar Qian, Ziyi Shang, Yuyao Shao, Dawei Su, Dacheng Tao, Qingyi Tao, Quan Wang, Ruisi Wang, Xiaogang Wang, Ziyi Wang, Beichen Wen, Donghao Wu, Jiaxu Wu, Silei Wu, Xiaoming Wu, Zhonghua Wu, Hongcan Xiao, Weiye Xu, Atsushi Yamashita, Lei Yang, Zhe Yang, Baiqiao Yin, Wanqi Yin, Hanfei Zhao, Tianbo Zhong, Long Zhuo, Jing Zuo et al. (33 additional authors not shown)
任务设定
评测 GPT-6-Astra 在机器人操作与导航任务中的能力
痛点动机
探讨通用大模型能否替代任务专用具身智能模型
解决方案
在 12 个基准上测试,结合上下文学习与高低层双系统协同控制评估真实部署效果
19
Wei Wang, Yiru Veronika Wang, Yihan Wang, Zihao Li, Xiaohui Liang
任务设定
面向自动驾驶的 3D 世界建模与生成式仿真
痛点动机
现有重建方法视觉逼真但缺乏几何可靠性保证
解决方案
融合时序视频学习与多传感器约束,维护统一世界状态表示并用生成模型扩展长尾场景
20
Ge Ya Luo, Daniel Severo, Brian Karrer, Christopher Pal, Adriana Romero-Soriano, Michal Drozdzal
任务设定
单张图像在大幅视角变化下合成新视角
痛点动机
2D 扩散模型生成新视角时缺乏 3D 几何一致性
解决方案
联合生成目标视角图与深度图,用逐像素深度一致性约束强化对齐