Daily Paper Feed

2026 年 10 月 27 日 星期二 · 共 57 篇相关论文 · 全部存档
1

Learning Force-Reactive Humanoid Loco-Manipulation

Sihang Li, Xiaofeng Guo, Jinkun Cao, Charlie Cheng, Ruihan Yang, Chen Feng, Guanya Shi, Haozhi Qi
任务设定 学习人形机器人力反应式移动操作
痛点动机 单靠运动轨迹难以表达接触力需求
解决方案 用力感知扩散策略预测动作和力,再由混合柔顺全身控制器精确跟踪
2

FL4N: Feed-forward Latent Model for 4D Novel View Synthesis

Eunbeen Hong, Hyeonseo Yu, Honggyu An, Jooho Son, Hyunah Ko, Soowon Son, Chaehyun Kim, Jahyeok Koo, Jisoo Kim, Junhwa Hur, Seungryong Kim
任务设定 前馈式 4D 动态场景新视角合成
痛点动机 显式 4D 高斯表示易产生时序不一致和渲染伪影
解决方案 用统一隐式表示编码 4D 场景,以动态残差叠加在静态先验上建模运动
3

OSWAM: An Effective World Action Model with One-Step Action Generation

Guowen Zhang, Liyi Chen, Xu Hu, Pengfei Wang, Jingfan Chen, Chenhang He, Lei Zhang
任务设定 自动驾驶与具身控制中世界动作模型的单步动作生成
痛点动机 多步去噪速度慢,直接减少步数会使动作质量骤降
解决方案 引入想象 token 提供动作先验,结合未来条件蒸馏实现单步高质量生成
4

Profiling a Frontier Agent with EBench: From Direct Control to Harness with Policy

Yifei Yao, Yude Zou, Guanbo Jiao, Xing Gao, Ning Gao, Yukai Wang, Jiantong Chen, Zihou Zhu, Xinyu Li, Ningyu Yan, Shuai Wang, Jianming Ma, Haoyu Guo, Weinan Zhang, Chunhua Shen
任务设定 评测多模态大模型直接控制机器人与调用 VLA/WAM 策略的能力
痛点动机 缺乏对 MLLM 与后训练策略在操作任务中优劣的系统比较
解决方案 设计直接控制与策略调用两种代理配置,在 EBench 上对比效果
5

Pretraining Knows What, Simulation Teaches How: Compositional Generalization in a Sim-Trained Robot Agent

Benjamin Pikus, Daniel Saunders, Mircea Mironenco, Salman Mohammadi, Mathew Mathew, Sirou Zhu, Divya Makkar, Xuhua Huang, Qinbo Li, Supreeth Narasimhaswamy, Siyuan Cen, Thomas Neff, Dejia Xu, Shyamal Buch
任务设定 零真实机器人数据训练的视觉语言模型控制机器人
痛点动机 真实机器人数据稀缺,难以兼顾任务理解与动作执行能力
解决方案 预训练 VLM 学场景理解,仿真微调+GRPO 学运动控制,无需真实数据
6

Does VGGT Know What It Does Not Know?

Adityan Thirumani Srinivasan, David Nordström
任务设定 判断前馈 3D 重建模型(如 VGGT )的相机位姿预测是否可信
痛点动机 VGGT 等模型不输出位姿不确定性,错误位姿难以察觉
解决方案 用线性探针读取冻结特征,预测位姿失败, ROC-AUC 达 93.5%
7

TrySee: Modular Perception-Enhanced VLM Grounding for Closed-Loop Robot Task Planning in Specialized Domains

Elias Hofele, Thomas Trapp, David Timmermann, Tristan Schnell, Georg Heppner, Arne Roennau
任务设定 专业领域机器人闭环任务规划与视觉接地
痛点动机 通用 VLM 在专业场景感知接地能力不足
解决方案 用领域专用感知模块替换部分流程,结合 VLM 推理实现在线接地,无需微调即可规划
8

Adapt for Planning, Not just Prediction: Optimistic Test-Time World Model Adaptation

Akshay Mete, Dileep Kalathil, P. R. Kumar
任务设定 测试时让世界模型适应分布偏移以辅助规划
痛点动机 只优化预测误差不能保证规划效果同步提升
解决方案 提出 OpTTA ,联合预测损失与规划目标,让模型对达成目标保持乐观偏置
9

From Language to Drives: A Multimodal Framework for Aligning Autonomous Robots with Human Purposes

Diana Cerdas-Vargas, Alejandro Romero, Richard J. Duro
任务设定 让自主机器人的行为契合人类目的
痛点动机 机器人自生成的技能目标可能偏离人类需求
解决方案 用 LLM/VLM 把人类自然语言转化为机器人的任务与驱动力模块
10

RoboDoctor: Training-Free Recursive Self-Improvement for Robot Policies

Heyang Yu, Haomin Li, Sihang Li, Jixin Yan, Shiyun Peng, Wanqi Zhong, Tianyu Xin, Yuan Yao, Xiaoyu Tian, Yiming Li
任务设定 免训练提升机器人策略执行时的任务表现
痛点动机 通用机器人策略难以根据物理交互反馈动态调整
解决方案 提出 RoboDoctor ,结合诊断、grounded 动作与经验记忆实现执行期自我改进
11

WorldPager: Zero-Stall Tiered Memory for Long-Horizon World Models on a Single Consumer GPU

Bingnan Liu, Ruini Xue
任务设定 单卡消费级 GPU 上支持长时域交互式世界模型生成
痛点动机 KV 记忆随时长暴增,显存/内存容量不足导致卡顿
解决方案 提出 WorldPager ,用 GPU/DRAM/NVMe 分层存储并按相机轨迹预取 KV ,实现零停顿生成
12

OVM-Occ: Open-Vocabulary Monocular Occupancy Prediction via Geometry-Aware Vision-Language Distillation

Shuyang Yu, Haibo Qin, Shaohan Hu, Wei Shan, Xiaoqing Guan, You Wang, Guang Li
任务设定 单张图像实现室内场景开放词汇 3D 占据预测
痛点动机 现有方法局限于固定类别,难以泛化到未见语义类别
解决方案 以语言嵌入高斯作场景表示,结合几何感知的视觉-语言蒸馏监督语义学习
13

GaussianSpline: Adaptive Bézier Splines for Highly Dynamic 4D Gaussian Splatting

Tom Yachil, Andrei Sharf
任务设定 用自适应贝塞尔样条建模动态场景中高斯点的运动轨迹
痛点动机 固定阶多项式或均匀样条难以兼顾全局平滑与局部复杂运动
解决方案 联合学习贝塞尔控制点与时间分段,并用 G1 连续性约束保证轨迹平滑可微
14

Complexity-guided Regularization for Generalizable Human Gaussian Splatting

Gun Ryu, Gi-Mun Um, Won-Sik Cheong, Wonjun Kim
任务设定 可泛化的人体 高斯溅射 新视角合成
痛点动机 复杂几何纹理区域容易渲染模糊,细节保真度不足
解决方案 用局部熵构建 复杂度先验 约束高斯密度分布,并对复杂区域重点采样 patch 加强监督
15

MemVLN: Streaming Episodic Memory for Vision-Language Navigation

Yan Wang, Jiangyong Huang, Baoxiong Jia, Siyuan Huang
任务设定 视觉-语言导航 (VLN) 中维持长时程情景记忆
痛点动机 流式智能体在长时导航中难以保留有效的历史信息
解决方案 维护压缩感知特征记忆库,用跨注意力生成记忆 token ,并用掩码轨迹重建任务训练
16

DriveUniTok: A Unified Multimodal Tokenizer for Driving World-Action Models

Jingbo Xu, Hanchao Leng, JiaHui Huang, Hanbing Li, Jingwei Zhao, Kuiyuan Yang, Chen Gao, Guang Chen, Hangjun Ye, Yong Li
任务设定 面向自动驾驶世界-动作模型的统一多模态 tokenizer
痛点动机 现有方法分别建模外观、深度、位姿,造成信息割裂与不一致
解决方案 将多模态编码为单一连续隐变量,扩散模型预测未来潜变量后再解码还原
17

MMGNet: Multi-Modal 6-DoF Grasp Synthesis for Cluttered Scenes

Rui Cao, Jia-Hui Pan, Yichuan Li, Yunfan Yu, Chi-Wing Fu, Jiangliu Wang, Yun-Hui Liu
任务设定 杂乱场景中的 6-DoF 抓取姿态生成
痛点动机 点云噪声不全, RGB 线索利用不足制约抓取精度
解决方案 提出 MMGNet ,分层将图像特征注入 3D 表征,并用旋转抓取性联合预测抓取方向与旋转
18

SceneAgent: An Agentic Pipeline from 3D and 4D Captures to Simulation Environments

Luke Hollis, Tianxing Fan, Heng Yang
任务设定 将 3D/4D 场景采集自动转化为可交互仿真环境
痛点动机 物体重建、物理建模易出错,人工修正成本高
解决方案 提出智能体流水线协调分割、物理估计与仿真修复,生成多样物体变体用于策略学习并迁移到真实机器人
19

VLA-HWBench: Where the Time Goes When VLA Models Run on Edge Hardware

Borui Xu, Hongshi Tan, Wenqi Jiang, Bingsheng He, Ming Wu, Jason Zeng, Michael Heinrich
任务设定 评测 VLA 模型在边缘硬件上的真实推理延迟
痛点动机 闭环机器人控制受限于推理延迟,但缺乏统一硬件对比
解决方案 对 18 个开源 VLA 模型做七阶段推理拆解,发现动作生成策略比模型规模更影响延迟
20

Benchmarking Obstacle-Conditioned Safety in Household Robot Navigation

Hyunwoong Bae, Jisu Han, Jiyeon Choi, Dohoon Kim, Taesup Moon
任务设定 评测家庭机器人导航的障碍物安全适应能力
痛点动机 现有评测未验证语义安全判断能否转化为实际运动控制
解决方案 提出 OSMA-Bench 基准与语义敏感度指标,发现 VLM/VLA 策略虽能识别障碍却难以据此调节运动
21

Video World Models Need Predictable Latents

Mattia Scardecchia, Sherry Yang
任务设定 研究机器人视频世界模型的潜空间表示设计
痛点动机 重建式自编码器潜空间未针对动力学预测优化,导致推理慢、长时域泛化差
解决方案 引入时序可预测性目标与过去条件解码器,兼顾潜空间可预测性与像素级预测精度
22

RobotAgentBench: Towards Open-world Robot Autonomy

Lingjun Mao, Jinglin Cao, Lukun He, Wenpeng Xu, Yuchen Yan, Hengyu Jin, Zijun Zhang, Jinzhou Tang, Songyao Jin, Ziche Liu, Yifei Shao, Junbo Huang, Fang Nan, Ruobing Han, Ziqiao Xi, Ziming Xu, Shuang Liang, Sibo Zhu, Wenyi Wu, Xinyue Wang, Yiming Huang, Xinkai Zou, Gao Zhu, Kun Zhou, Biwei Huang
任务设定 评测开放世界环境下机器人智能体的自主能力
痛点动机 现有基准只测孤立能力,难以反映开放世界自主的复杂性
解决方案 构建 RobotAgentBench ,含 50 个家居场景,多层次评测任务发现、推理、操作与故障恢复等机器人智能体能力
23

FlockWorld: Toward Population-Scale Multi-Agent Video World Models through Artificial Life Simulation

Meryem Koksal, Yunzhe Wang, Volkan Ustun
任务设定 研究群体规模多智能体视频世界模型生成
痛点动机 现有多智能体视频模型只能支持小规模固定群体
解决方案 基于 Boids 算法构建人工生命环境,用动作条件扩散 Transformer 联合生成多智能体第一人称视频
24

TRIAGE: Efficient Vision-Language-Action Inference Needs Both Reuse and Pruning

Sooyoung Kwon, Carlee Joe-Wong, Kyunghan Lee
任务设定 机器人 VLA 模型视觉 token 推理加速
痛点动机 视觉 token 多导致预填充延迟高,仅剪枝或仅复用效果有限
解决方案 提出 TRIAGE ,按 token 漂移度决定复用缓存还是剪枝,兼顾精度与速度
25

TopX: Text-to-Motion for Unseen Skeletons from the Skeleton File Alone

Tengjiao Sun, Pengcheng Fang, Xiaoyu Zhan, Dongjie Fu, Xiaohao Cai, Hansung Kim
任务设定 为任意未见过的骨架生成文本驱动动作
痛点动机 新角色只有骨架文件,没有动作数据或微调
解决方案 提出 TopX ,一种 flow-matching transformer ,结合骨架图的热核坐标编码,直接从静止姿态和关节名生成动作
26

ChronoReplay: One Answer Interface Is Not Enough for Streaming Spatial Intelligence

Yihao Hu, Yitong Lin, Pan Wang, Zhihao Wen, Hang Wang, Yiwen Zhao, Deyuan Liu, Yutong Li, Mingda Wan, Yuchen Mao, Tao Lin
任务设定 流式视频中空间智能 VLM 的多接口评测与训练
痛点动机 单一问答接口训练会导致接口锁死,难迁移到其他空间任务
解决方案 提出 ChronoReplay ,按时序重放多种异构空间监督信号并平衡任务权重以提升迁移
27

Variational Cognitive Memory Abstraction for Long-Horizon Vision-Language-Action Models

Xinyu Liu, Daiying Tian, Chenwei Tang, Ruyang Han, Chengyang Zhang, Qingyu Zeng, Wei Ju, Liangli Zhen, Jiancheng Lv
任务设定 长时序机器人操作任务中的记忆建模
痛点动机 现有 VLA 模型长程记忆易稀释或冗余噪声多
解决方案 提出 CogMemory 变分认知记忆框架,用状态空间编码器压缩轨迹并通过交叉注意力检索融合到策略中
28

Humans in Space: Can MLLMs Construct Human-Centric Spatial Understanding via Active Exocentric Exploration?

Tianchen Guo, Tengyue Zhang, Chen Liu, Ling Chen, Xin Yu
任务设定 评估 MLLM 对人体中心场景的主动视角探索式空间理解
痛点动机 遮挡隐藏关键几何信息,被动基准只能让模型瞎猜
解决方案 提出 SATE-Bench ,让模型从被遮挡视角主动查询邻近视角收集证据再作答
29

StickFigure: Enabling Pose-Only IoT Cameras for Privacy-Preserving Edge Vision

Aveline Xiaoyuan Han, Chenshu Wu
任务设定 IoT 摄像头上仅输出骨架流的隐私保护姿态估计
痛点动机 传原始画面侵犯隐私, MCU 算力又难支持姿态模型
解决方案 设计激活感知姿态骨干网络和层级 MLP 精修器,在微控制器上实时输出骨骼流
30

HumanoidNDM: Closing the Training-Deployment Gap of Motion Tracking via Humanoid Neural Dynamics Model

Chao Chen, Zhenrong Wang, Jilong Wang, Yusen Feng, Jiangran Lyu, Li Yi, He Wang
任务设定 弥合人形机器人运动跟踪的训练-部署差距
痛点动机 仿真与真实动力学存在偏差,导致部署性能下降
解决方案 用真实数据训练神经动力学模型,反向传播梯度在线微调策略,无需动捕设备
31

RoboDuo: Attempt, Check and Atomic Recovery through Code for Vision-Language-Action Models

Jie Wang, Bo Zhang, Renzhi Lu, Jianyu Chen
任务设定 长时程任务中 VLA 模型失败后的自动恢复
痛点动机 VLA 不检测任务是否完成,单步失败会拖垮整个任务
解决方案 用代码连接全任务 VLA 与原子技能 VLA ,失败时调用原子技能补全剩余步骤
32

LegoOcc++: Towards Consistent Open-Vocabulary 3D Occupancy Prediction

Changqing Zhou, Yueru Luo, Han Zhang, Zeyu Jiang, Changhao Chen
任务设定 室内场景下开放词汇 3D 占据预测
痛点动机 室内遮挡密集、语义长尾,且体素级标注代价高
解决方案 用语言嵌入高斯统一几何与语义表示,仅靠二值占据标签即可训练
33

Behavior Spatial Benchmark: Evaluating Spatial Understanding for Robotics

Sirui Chen, Huang Huang, Qineng Wang, Wenlong Huang, Manling Li, Ruohan Zhang, Li Fei-Fei, Jiajun Wu
任务设定 评估机器人任务中空间语言理解与执行表现的关联
痛点动机 任务成功率无法验证模型是否真正遵循空间指令
解决方案 构建 BEHAVIOR-Spatial 基准,涵盖空间问答、目标定位与机器人动作评测
34

Explaining Navigation Decisions: Stage-Aware Visual Attribution for Vision-Language Navigation

Yiyuan Yao, Xinpeng Ding, Minglei Chen, Fei Gao, Lihuo He, Jie Yuan, Aijun Li, Nannan Wang, Xinbo Gao
任务设定 解释视觉语言导航模型的决策依据
痛点动机 现有解释方法在不同导航阶段给出相似结果,缺乏阶段区分度
解决方案 提出阶段感知归因框架聚合历史证据并做指令引导空间滤波,在 Unitree G1 机器人上验证
35

InteractiveWorld: A Verifiable Human-Centric Environment for Building Better Interactive MLLM Assistants

Qinsi Wang, Wei Wen, Chong Zhou, Saksham Suri, Zechun Liu, Lemeng Wu, Hai Helen Li, Yiran Chen, Raghuraman Krishnamoorthi, Qi Qian
任务设定 评测第一人称 AI 助手指导人类完成物理任务的能力
痛点动机 真人测试昂贵稀缺,难以验证 MLLM 能否真正提供指导帮助
解决方案 构建闭环人机交互环境, AI 助手发指令、人类执行,按可验证状态奖励打分
36

TurboWAM: Learning What Matters for Fast World Action Models

Guile Wu, Shuangzhi Li, Xingxin Chen, Chengjie Huang, Sam Hosseini, Tongtong Cao, Yingxue Zhang, Dongfeng Bai
任务设定 加速世界动作模型在机器人操作中的推理
痛点动机 世界动作模型推理延迟高、计算冗余,难以实际部署
解决方案 自适应聚合世界模型分层表征,按动作去噪状态缓存,降低计算量
37

WMEval: Evaluating Interactive World Models Grounded on Physical Simulations

Lanxiang Hu, Yixin Huang, Abhilash Shankarampeta, Zilin Dai, Yuyuan Wu, Kun Qian, Junze Liu, Arvind Srinivasan, Mingjia Huo, Will Lin, Kai Zhong, Weiqi Zhang, Tian Wang, Qingjun Cui, Tajana Rosing, Hao Zhang
任务设定 评测交互式世界模型的物理因果一致性
痛点动机 现有基准只看感知相似度,忽略物理因果合理性
解决方案 用 Unity 物理仿真作真值,对比动作序列执行结果评测模型
38

RelateGS: Reliable Semantic and Relational Evidence for 3D Scene Understanding with Gaussian Splatting

Seongjun Choi, Sangyoun Lee
任务设定 语言驱动的 3D 场景视觉定位
痛点动机 多视角语义弱观测、物体关系证据不足致目标歧义
解决方案 构建持久 3D 关系图筛选可靠证据,针对性补充欠观测关系的多视角查询
39

Late Breaking Results: Audio-Language-Action Models with Direct Speech Conditioning for Robotic Manipulation

Enfu Nan, Pu Zhao, Yixiao Chen, Lin Zhao, Juyi Lin, Chen Wang, Weiwei Chen, Yanzhi Wang
任务设定 语音直接驱动机器人操作的 VLA 模型
痛点动机 传统 ASR+VLA 流程增加延迟并传播识别错误
解决方案 跨模态投影将语音转为音频 token ,用分离 LoRA 适配实现低延迟高泛化
40

ProMo3D: Probing Motion Cues in Frozen 3D Foundation Models

Xiaoang Zhang, Mert Kiray, Yordanka Velikova, Manoj Biswanath, Benjamin Busam
任务设定 探测 3D 基础模型中蕴含的运动/4D 线索
痛点动机 动态 4D 理解通常需大量运动监督或手工设计
解决方案 从冻结 token 中探测出低维运动子空间,提出 PMD 蒸馏出密集运动掩码,小数据高效迁移
41

One Scan is Enough: Demonstration-Free Adaptation for Language-Guided Navigation

Zhuoyuan Yu, Yuxing Long, Du Wang, Junyang Wang, Hongwei Fan, Hao Dong
任务设定 让语言导航机器人无需人工示范即可适应新场景
痛点动机 现有 VLA 跨场景适应依赖人工遥操作示范,难以规模化
解决方案 用单次手机扫描自动生成训练环境,再用闭式 Pareto 效用免示范适配策略
42

RoboReason: Boosting Robotics-Relevant VLM Reasoning Through Scalable Data Generation

Sagnik Anupam, Utkarsh Lal, Aneesh Edara, Botong Zhang, Yao Tang, Jiatao Gu, Dinesh Jayaraman, Osbert Bastani
任务设定 评测并提升 VLM 在机器人任务中的时空推理能力
痛点动机 现有 VLM 在物体排序等时空排序任务上表现不佳
解决方案 提出可扩展数据生成管道,结合 SFT 与强化学习提升 VLM 时空推理
43

POD-RoPE: Rotary Position Encoding over Physical Observation Distributions for Embodied AI

Xiaodi Huang, Zilin Wang, Jinpeng Liu, Pengchuan Xiao, Zhenlei Shao, Zhang Zhang, Shuxiang Lu
任务设定 为具身智能感知设计位置编码方法
痛点动机 传统 RoPE 只编码单点位置,难以表达观测的几何与时空范围
解决方案 提出 POD-RoPE ,用观测分布的期望旋转编码几何时空信息,提升机器人操作成功率
44

EXE: Egocentric Cross-Embodiment Pretraining via Factorized Latent Actions for VLA Models

Qingyuan Cai, Bo Zhang, Yongzhen Huang, Jianyu Chen
任务设定 用第一视角人类操作视频预训练机器人 VLA 模型
痛点动机 机器人数据稀缺,人机具身差异难以直接迁移操作技能
解决方案 学习分解式潜在动作表征,分离共享操作先验与人类特有运动模式
45

Power-of-Two Leaky Integrate-and-Fire Neurons for Event-Driven Vision-Language-Action Inference

Rui Liu, He Lv, Ziyao Zhang, Rui Ma, Rongxiang Nie
任务设定 让 VLA 机器人模型用脉冲神经网络低功耗推理
痛点动机 VLA 依赖密集连续计算,难以在能耗受限设备部署
解决方案 提出 Power-of-Two 脉冲神经元,无需改动预训练 VLA 架构即可嵌入
46

TAD: Distilling Vision-Language-Action Policies from Teacher Trajectories Alone

Yun Zhu, Da Wang
任务设定 仅用教师轨迹蒸馏 VLA 机器人操作策略
痛点动机 推理接口不暴露教师动作分数,难以在线蒸馏
解决方案 用判别器比较教师学生轨迹的关节特征分布,生成在线 RL 奖励信号
47

Mix Forcing: Causal Pre-Training via Mixture Attention for Interactive World Models

Zelin Gao, Hao Ouyang, Jiapeng Zhu, Qiuyu Wang, Jingye Chen, Zichen Liu, Xing Zhu, Yujun Shen, Yinghao Xu
任务设定 交互式视频世界模型的因果自回归预训练
痛点动机 直接将双向扩散模型改造为自回归会破坏其视觉先验
解决方案 提出 Mix Forcing 范式,用 MoBA 混合注意力联合教师强制与双向训练,兼顾因果生成与先验保留
48

Replicate What Varies: Resource Sharing for Domain-Randomized Embodied Simulation

Zixu Hao, Weijun Wang, Xiangyu Li, Liang Mi, Hao Wu, Yunxin Liu, Ting Cao
任务设定 大规模域随机化具身仿真中的资源共享问题
痛点动机 并行运行大量仿真环境时重复构建场景, CPU/GPU 内存消耗过高
解决方案 提出 Patchwork ,用共享模板+差异补丁(E=T+Δ)复用不变资源,仅独立保存可变参数
49

Distilling Dense Trajectory Teachers For Large-Motion Video World Models

Shuofeng Sun, Linqing Zhao, Haibin Yan
任务设定 视频世界模型在大幅度相机运动下的生成
痛点动机 现有模型只学过密集小幅相机运动,稀疏大步轨迹下易画面冻结、几何漂移
解决方案 提出 DTTD 蒸馏框架,用插值密集轨迹自生成教师视频,结合几何奖励做偏好优化
50

WorldFailBench: Do World Models Understand Policy Failures?

Zheng Zhang, Xiaoyang Tang, Shuaiqi Cheng, Jiakai Huang, Zhongbo Wu, Ziyi Zhang, Yuan Si, Zeyu Liu, Weibo Gao, Shunyu Liu, Shan You, Fei Wang, Xiaogang Wang, Dacheng Tao
任务设定 评测世界模型能否真实模拟机器人策略的失败过程
痛点动机 现有评测只看成功/失败,无法判断模型是否忠实复现失败原因与阶段
解决方案 提出 WorldFailBench 基准,覆盖 LIBERO/RoboTwin 及 G1 人形机器人真实操作任务
51

GeoLift: Grounding Video Spatial Reasoning in Explicit 3D Maps

Xinglin Li, TingTing Long, Jingzhi Zhou, Jiajing Chen, Jian Yang, Jin Xie
任务设定 视频空间推理中的多步路径规划与空间关系理解
痛点动机 MLLM 仅能识别单帧物体,难以跨视角整合为统一空间认知
解决方案 提出 GeoLift ,免训练地用前馈 3D 重建将跨帧物体映射到共享 3D 场景
52

Explicit Frictional Contact Modeling in Neural Garment Simulation

Thanh-Nguyen Truong, Vu-Hoang Tran, Ching-Chun Huang
任务设定 神经网络模拟人体与服装间的摩擦接触
痛点动机 现有 GNN 布料仿真对摩擦系数缺乏显式可控性
解决方案 提出模块化接触算子,预测后显式施加库仑摩擦修正,再传播布料运动
53

ReSight: Task-Driven Self-Improving Memory for Embodied Agents

Lirong Che, Yang Chen, Yimeng Su, Daqi Liu, Zhenyu Huang, Jiong Wang, Yuzhe Yang, Xu Cao, Chuang Wang, Jian Su, Xueqian Wang
任务设定 具身智能体利用历史观测完成时空查询任务
痛点动机 现有记忆系统功能固定,难以随任务需求扩展能力
解决方案 提出任务驱动自改进记忆系统 ReSight ,结合执行与编程智能体动态扩展记忆能力
54

World-in-Context: Interactive Video World Modeling with In-Context Conditioning

Harold Haodong Chen, Rui Peng, Rongjin Guo, Lingteng Qiu, Kejie Qiu, Chao Xu, Zilong Dong
任务设定 统一视角、动作、相机的交互式视频世界建模
痛点动机 现有方法控制信号割裂,视角与相机动态易冲突
解决方案 提出 In-Context Conditioning 将各类控制统一为上下文 token ,并用 IT-RoPE 保持时序连贯
55

Gaussian Episodic Memory for Long-Term Spatiotemporal Reasoning

Ling-Chia Chen, Abdelrhman Werby, Kaan Aytekin, Kai O. Arras
任务设定 面向机器人的长期时空推理场景记忆构建
痛点动机 现有记忆表示难以同时捕捉场景的空间变化与时间演变
解决方案 用持久化 3D 高斯场结合智能体推理管线,仅更新变化区域并支持新视角渲染问答
56

AGQ: Action-Guided Ultra-Low-Bit Quantization for Vision-Language-Action Models

Xuhong Qiu, Zhuoyu Wu, Qiawei Zheng, Wenhui Ou, Wenqi Fang, Raphaël C. -W. Phan
任务设定 机器人 VLA 模型的超低比特量化压缩
痛点动机 大模型内存开销大,难以端侧部署
解决方案 按动作敏感度分配比特宽度,配合逐通道校准与无损编码降低存储
57

EKT-Router: Expert-Evidence Alignment for Embodied Vision-Language Models

Weilin Ruan, Yingjie Xu, Yangkai Wei, Bohan Zhou, Shuaibo Li, Harold Haodong Chen, Kaiwen Zhou, Yinchuan Li, Ying-Cong Chen, James Cheng
任务设定 具身视觉语言模型需联合选择专家与外部证据来回答问题
痛点动机 专家选择与证据获取相互独立,易出现专家-证据不匹配
解决方案 提出 EKT-Router 联合路由专家、知识与工具,用效用打分筛选证据包