跳到正文
目前篩選:論文
11月20日週五
  1. HuggingFace Daily Papers(社區熱門論文)38

    O²LaF 如何利用影片 Diffusion Transformer 進行自監督潛在動作學習

    O²LaF 將共享的預訓練影片模型重新用於自監督潛在動作學習,從無標註影片中學習逆向與正向動態。它在導航和機械人操作任務中,於少樣本動作探測取得最先進表現,並提升跨視覺情境及具身形式的零樣本動作遷移能力。研究亦將框架擴展至 V-JEPA2 等預測表徵先驗,取得具競爭力的表現。

  2. HuggingFace Daily Papers(社區熱門論文)45

    學習動作如何改變結果:以動作效應匹配提升世界模型的動態保真度

    AFFECT 透過訓練世界模型匹配時間相關動作噪聲引發的視覺變化,提升模型推演結果與真實環境的吻合度。在 DROID 上,模型中與真實機械人成功率的 Pearson 相關係數由 0.47 升至 0.79,FVD 最多降低 23%。使用經 AFFECT 訓練的世界模型選擇動作,任務成功率最多提升 8.3%。

  3. HuggingFace Daily Papers(社區熱門論文)44

    Mind2Act World:用於機械人操作的具身思維、物理動作與思行組合診斷基準

    Mind2Act World 是一套評估機械人能否結合基於歷史的推理、精確執行及環境回饋的診斷基準,涵蓋 30 項模擬操作任務,形成 180 種配置。評測顯示,單一視角的能力未能轉移至結合思考與動作的 Mind2Act 任務;表現最強的智能體在 Mind、Act 和 Mind2Act 任務中的成功率分別為 52.7%、39.0% 和 12.0%。

  4. BeingBeyond:具身智能研究46

    TactoHand:從影片學習基於幾何的稠密手部表面互動場

    TactoHand 從單目 RGB 影片預測手部表面的接觸概率、接近程度及局部 3D 力場,並在每個 MANO 手部網格的 778 個頂點上輸出結果。訓練資料彙集 24 個來源、共 49.02 million 個跨相機視角的影格;在未參與訓練的 HOCap 上,接觸 Macro-F1 為 50.5%,接近距離平均絕對誤差為 6.40 mm。

11月19日週四
  1. Unite.AI58

    MIT 微型撲翼機器人靠機載感測飛行,毋須動作捕捉系統

    MIT研究人員展示一款1.29克撲翼微型機器人,利用機載感測與計算懸停、跟隨軌跡及降落,毋須外部動作捕捉系統。《Science Robotics》論文報告,系統結合多種感測器、估算器和低層控制器,位置精度達釐米級;一次30秒測試中,機器人避開障礙並降落在向日葵上。飛行由操作員透過搖桿提供高層位置指令,機器人仍由外部供電;研究團隊正研發加入相機和電池,以支援自主物件辨識、避障及無繫留戶外飛行。

  2. MIT News57

    MIT研究團隊研製可自帶感測器與運算元件的超輕型飛行機械人

    MIT研究團隊研製出一款搭載機載感測器與運算元件的拍翼微型飛行機械人,可在沒有動作捕捉系統的環境中沿複雜軌跡飛行,並精準降落在向日葵上。研究團隊將軟致動器尺寸增加50%,令機械人的淨升力提高46%,並達到1.9的升力重量比;電子套件重244毫克。示範仍使用外接電源,團隊正研究加入相機及整合電源電子元件與電池,以實現無繫留戶外飛行。

  3. HuggingFace Daily Papers(社區熱門論文)45

    GameRealm:以互動遊戲為視覺學習提供基礎

    GameRealm 是大型多模態遊戲資料集,收錄超過 120 million 個 RGB 影格及 1,000 hours 遊戲片段,並以同步標註將視覺觀察與遊戲中的監督訊號連結。資料集涵蓋深度、相機參數、音訊、控制輸入及 3D 點軌跡,並支援單視角、立體、多視角及全景錄製。實驗顯示,GameRealm 能提升視覺基礎模型在視覺生成及幾何學習任務上的表現。

11月18日週三
  1. HuggingFace Daily Papers(社區熱門論文)48

    Heave-Ho:去中心化長時程多台人形機械人協作

    Heave-Ho 提出一個去中心化框架,讓多台人形機械人在長時程任務中協同進行全身移動操作。系統結合多智能體後訓練、視覺語言規劃器及以語音同步的領導者—跟隨者協調機制,無須網絡通訊即可協調執行。系統以兩台相同的人形機械人訓練,可擴展至最多十台,並能在無須重新訓練下泛化至異質團隊;HH-Bench 包含 12 項任務。

  2. HuggingFace Daily Papers(社區熱門論文)44

    TCP4D:用於機械人操作的統一工具中心點追蹤與生成模型

    TCP4D以共享的4D場景表示追蹤觀測到的TCP運動,並生成未來TCP軌跡,是面向機械人操作的統一模型。追蹤器在DROID及RoboLab的絕對軌跡誤差分別為7.60及16.07 mm,僅用十個示範即可適應新機械人形態。生成器在RoboTwin的平均成功率為69.19%;聯合訓練源機械人及增強示範,較僅用增強示範訓練提升目標機械人成功率41.5%。

  3. HuggingFace Daily Papers(社區熱門論文)45

    WAM-Policy:以在策略蒸餾實現四足行走操作的世界動作模型

    WAM-Policy透過兩階段流程,將世界動作模型轉化為可依語言指令執行四足行走操作的策略。在包含10項模擬任務的QLM-Bench上,遷移策略得分77.0%,OPSD學生模型得分76.7%,取樣速度快14倍;加入任務專屬RL及M-OPD後,得分升至85.0%。研究亦將OPSD學生模型部署於實體Unitree Go2 Air。

  4. HuggingFace Daily Papers(社區熱門論文)41

    虛假的成功,無聲的失敗:審核模擬操作基準測試的成功檢查器

    SimAudit 透過大語言模型審核模擬操作基準測試的成功檢查器,找出檢查器與任務指示可能不一致的狀態,並在模擬環境中重現及核實。常用基準測試均出現檢查器錯誤,例如 RoboTwin 2.0 會同時誤判成功與失敗,因此公佈的成功率未必能準確反映執行情況。

11月17日週二
  1. HuggingFace Daily Papers(社區熱門論文)41

    LynnReal-Hand:以手部控制實現世界互動

    LynnReal-Hand 是一款手部控制影片世界模型,結合精細互動建模與串流生成,讓用戶以手部動作探索及操控物件。模型在 HandBench 上取得 FVD 181.67 及 MANO Dice 93.02,三步因果模型的 MANO Dice 為 92.49;單張 H200 以 540p 串流可達 18.03 FPS,延遲為 741ms。研究團隊計劃公開數據集、模型權重及完整訓練與推理程式碼。

  2. HuggingFace Daily Papers(社區熱門論文)46

    BiCAT:雙臂協調動作 Token 化

    BiCAT 提出一種雙臂動作 Token 化方法,讓兩隻手臂共享動作表示,並透過對稱跨臂注意力和聯合解碼器,根據另一隻手臂的動作預測各自的 tokens。在十項 RoboTwin 2.0 模擬任務及三種機械臂的六項真實任務中,BiCAT 的成功率在比較的 Token 化方法中最高;模擬平均成功率較八種基線中最強者高 17.6 個百分點,每個動作區塊只需 40.5 ms。

  3. HuggingFace Daily Papers(社區熱門論文)41

    VSpark:自回歸視覺語言動作模型的推測解碼

    VSpark透過改良推測解碼,加速自回歸視覺語言動作模型,在多項機械人操作任務中達到 1.28x–2.10x 無損加速。方法包括校準動作噪聲 rollout、隱藏特徵對齊,以及重用被拒草稿的後續預測。測試涵蓋四個採用不同動作 tokenizer 的 VLA,以及四項操作基準。

11月16日週一
  1. DEV Community34

    AI/ML 研究摘要 — 2026 年 11 月 14 日

    這期 AI/ML 研究摘要整理了生成式與具身 AI、MoE 簡化、LLM 智能體可靠性及跨模態 3D 建模的研究結果。LO-World 的 IoU 提升 10.9 %、Chamfer 誤差降低 30.1 %,運行速度超過 25 FPS;SimpleHC 則在維持標準 MoE 基準準確度下縮短訓練時間。

11月15日週日
  1. DEV Community24

    機械人工程標準 HRS-012:貨運無人機

    HRS-012 為貨運無人機訂明分層且具故障隔離能力的電氣與電子架構,要求按安全關鍵程度劃分推進、航電、任務、貨載及輔助電源域,並設計冗餘供電、保護和故障隔離。標準亦要求航電與高頻寬任務運算保持邏輯獨立,並持續監測主要電力設備,以支援故障偵測、維護及飛行決策。

  2. HuggingFace Daily Papers(社區熱門論文)41

    SALA:語義對齊的潛在動作如何實現具身基礎模型雙軸擴展

    SALA 利用人類與機械人影片的語言語義相似度對齊潛在動作,建立共享潛在動作空間,無需配對數據即可為具身基礎模型訓練提供監督。增加通用人類影片的預訓練數據,可持續降低下游任務的機械人動作預測誤差;增加特定任務的人類影片進行後訓練,則可大幅提升真實機械人任務成功率。

  3. HuggingFace Daily Papers(社區熱門論文)58

    JEPA4R:具身 JEPA 世界模型以 4D 點雲進行規劃

    論文提出 JEPA4R,一種以單部深度相機取得的點雲為觀測、在潛在空間預測及規劃,並透過凍結潛在表示上的策略頭執行動作的 JEPA 世界模型。解碼器生成的 4D 點雲在 200 步內平均點誤差維持在 1.1 cm 以內;在 MetaWorld 和 Adroit Relocate 分別取得 98.4% 和 88.0%,高於排名第二的 R3M 的 96.0% 和 65.3%。

11月14日週六
  1. HuggingFace Daily Papers(社區熱門論文)47

    ResWAM:世界動作模型學習變化,而非保持不變的內容

    ResWAM以凍結的DINOv3特徵進行視覺殘差學習,並以0.5B雙分支DiT提升視覺語言動作策略成功率,同時降低訓練與推理計算量。模型總參數量為2.3B,在LIBERO-Plus、RoboTwin 2.0及RoboDojo分別取得81.1%、93.8%及9.40%的成功率,訓練計算量為2.7-4.0 TFLOPs,推理計算量為1.0-1.4 TFLOPs。

11月13日週五
  1. 雷鋒網45

    中山大學梁曉丹團隊以 GeoThinker 系列研究改善空間推理的幾何資訊利用與計算開銷

    中山大學梁曉丹團隊提出 GeoThinker 系列兩項研究,先讓視覺語言模型按需利用外部幾何資訊,再以 GeoThinker-F 探索由模型內部生成空間線索。相同訓練數據下,GeoThinker-F 的六項空間智能基準平均得分為 62.21,與 GeoThinker 的 62.23 幾乎相同。GeoThinker-F 推理延遲由 1.45 秒降至 0.40 秒,速度提升約 3.6 倍。

  2. HuggingFace Daily Papers(社區熱門論文)54

    Ropedia Xperience 2 提出具身 AI 環境與行為擴展的黃金標準

    Ropedia Xperience 2 提出以環境和行為共同採集為核心的具身 AI 數據方案。數據包括 1,589 個已公開、具公制尺度的 3D 掃描,以及涵蓋 74 項任務、共 131 小時的 4,230 段第一視角錄影。場景可轉成具物理互動性的模擬環境,人類動作可重定向為全身機械人軌跡,並以虛擬遙操作和自動生成長時程軌跡補充機械人行為,為研究環境與行為的規模擴展規律奠定數據基礎。

  3. HuggingFace Daily Papers(社區熱門論文)42

    利用虛擬實境人類示範修正點雲抓取策略的持續失敗

    研究提出人機協作失敗挖掘流程,將強化學習點雲抓取策略持續失敗的案例轉化為虛擬實境中的人類示範,再用於訓練。模擬中,強化學習將未見物件的抓取成功率由 Contact-GraspNet 的 55% 提升至 83%;加入 58 個人類示範後,難例成功率由 24% 升至 45%。這方法亦恢復了強化學習在相似未示範案例上的表現,且未降低未見物件的成功率。

  4. HuggingFace Daily Papers(社區熱門論文)37

    展望智能體機械人:機械人系統的新時代

    論文提出以基礎模型和具身 harness 組成的 Embodied System 2,作為智能體機械人的決策核心,並勾勒實現可靠實體自主的研究方向。文章指出,GPT-6 Astra 的發布標誌機械人技術新範式出現;具智能體 harness 的前沿模型在數週內於多項具身 benchmark 追平或超越專用策略。

11月12日週四
  1. 新浪科技54

    港科大(廣州)與歐拉萬象提出 SLA,登上 RoboDojo-Real 真機榜首

    香港科技大學(廣州)與歐拉萬象聯合提出 SLA,在 RoboDojo-Real 公開真機評測中以 42.3 分和 33.9% 完整任務成功率排名第一。其成功率較 π0.5 高 21.1 個百分點,約為其 2.6 倍。SLA 延續 π0.5 的預訓練架構與權重,並把空間監督由後訓練擴展至持續預訓練,在下游適配時繼續保留。

  2. HuggingFace Daily Papers(社區熱門論文)57

    Alloy 論文提出面向機器人學習的多材料物理引擎

    論文提出開源物理引擎 Alloy,讓剛體機械人、布料、纜線、液體、顆粒材料和軟性物體在同一場景中用於機器人學習。Alloy 按材料分配求解器,在每個控制步內耦合求解,並可在單張 GPU 或 CPU 上並行運行多個世界;每個世界均設有健康評級,以區分物理模擬故障與策略故障。

  3. HuggingFace Daily Papers(社區熱門論文)45

    EgoX:透過 Embodiment Dreaming 實現第一人稱跨具身操作學習

    EgoX 以 Embodiment Dreaming 預訓練模組化 Transformer,從人類、真實機械人及模擬示範中學習,再以目標具身示範進行微調,提升操作任務進度。涵蓋 5 項任務及 6 種機械人具身的 13 組任務-具身配對中,MXT+ 的平均正規化任務進度由從零開始訓練的 0.63 升至 0.80;在分佈外條件下則由 0.53 升至 0.77。

  4. HuggingFace Daily Papers(社區熱門論文)45

    HALO:用於全身移動操作的人類對齊數據收集系統

    HALO 是一套用於全身移動操作的人類對齊數據收集系統,協調雙手操作與機械人移動,並以部署對齊示範處理校準及時間對齊平台移動和機械人底座反應。與 Mobile ALOHA 和 VR 遙距操作相比,HALO 收集示範的速度最高快 2.9 倍,成功率相若或更高;訓練所得策略在六階段長時程移動操作任務中取得 73.3% 成功率。