基于需求驅(qū)動的自動駕駛感知任務(wù)數(shù)據(jù)集缺口識別與緩解方法
本文重點研究模型存在認(rèn)知不確定性的缺口，將其定義為數(shù)據(jù)集覆蓋缺口。
仿生 Transformer 新突破：基于錐體神經(jīng)元雙輸入機(jī)制的三元推理循環(huán)模型
本文聚焦斯特靈大學(xué) Ahsan Adeel 團(tuán)隊開發(fā)的仿生 Transformer 架構(gòu)，揭示其如何通過模擬新皮質(zhì)錐體神經(jīng)元的雙輸入機(jī)制（RF1/CF2）與三元推理循環(huán)（Q-K-V 調(diào)制），實現(xiàn)高級感知處理與想象狀態(tài)的 AI 建模。研究提出的 Co4 機(jī)制通過預(yù)選擇注意力焦點，將計算復(fù)雜度降至 O
基于視覺語言模型、反應(yīng)式規(guī)劃器與行為樹的機(jī)器人實時故障處理統(tǒng)一框架
本文提出一種創(chuàng)新的機(jī)器人實時故障處理統(tǒng)一框架，融合視覺語言模型（VLMs）、反應(yīng)式規(guī)劃器及行為樹（BTs），通過執(zhí)行前驗證與反應(yīng)式故障處理相結(jié)合，實現(xiàn)對意外障礙物、傳感器誤差等復(fù)雜場景的自適應(yīng)應(yīng)對。框架利用場景圖進(jìn)行結(jié)構(gòu)化環(huán)境感知，結(jié)合執(zhí)行歷史跟蹤技術(shù)，支持上下文敏感的動態(tài)調(diào)整，可在 peg 插入、
NVIDIA Cosmos 如何通過物理仿真賦能物理 AI？解析世界基礎(chǔ)模型與合成數(shù)據(jù)技術(shù)的革新價值
.NVIDIA Cosmos：通過仿真模擬賦能物理 AI 發(fā)展工廠里的機(jī)器人、道路上的自動駕駛汽車等物理 AI 系統(tǒng)的開發(fā)，高度依賴大規(guī)模高質(zhì)量數(shù)據(jù)集進(jìn)行訓(xùn)練。
人工智能助力早期汽車工程流程
本文探討了在汽車開發(fā)和工程流程的早期階段整合 AI 和基于知識的工程方法的問題
彌合人工智能代理鴻溝：跨越自主能力光譜的實施困境與突破路徑
本文深入剖析了人工智能代理實施現(xiàn)狀，通過對超 1250 個開發(fā)團(tuán)隊的調(diào)查數(shù)據(jù)，揭示了計劃構(gòu)建復(fù)雜代理工作流程與成功生產(chǎn)部署之間的巨大差距。詳細(xì)闡述了從 L0 到 L5 的自主能力框架，分析各自主級別面臨的技術(shù)挑戰(zhàn)、技術(shù)?？剂考皩嵤┈F(xiàn)實。還探討了開發(fā)方法、未來方向和技術(shù)路線圖，為人工智能開發(fā)者提供了極
使用利用人工智能幻覺評估影像真實感：大型視覺語言模型與自然語言推理的應(yīng)用智慧幻覺來評估影像真實感
SEO 即搜索引擎優(yōu)化，是一種通過優(yōu)化網(wǎng)站內(nèi)容、結(jié)構(gòu)、代碼等多方面元素，來提高網(wǎng)站在搜索引擎自然排名結(jié)果中的位置，進(jìn)而增加網(wǎng)站流量、提升網(wǎng)站曝光度和用戶訪問量的技術(shù)和策略。它旨在使網(wǎng)站更符合搜索引擎的算法規(guī)則和用戶的搜索習(xí)慣，包括關(guān)鍵詞研究與布局、優(yōu)化頁面標(biāo)題和描述、提高網(wǎng)站加載速度、創(chuàng)建高質(zhì)量的內(nèi)
深度剖析生成式人工智能：技術(shù)變革、行業(yè)影響與未來展望
本文深入剖析生成式人工智能，詳細(xì)闡釋其與傳統(tǒng)人工智能的差異，如生成全新內(nèi)容的獨特能力。解析 ChatGPT 等典型應(yīng)用，對比大語言模型與生成式人工智能范疇。深度解讀其核心技術(shù)，包括深度神經(jīng)網(wǎng)絡(luò)、Transformer 模型及大數(shù)據(jù)處理。全面探討優(yōu)勢與局限，涵蓋增強(qiáng)創(chuàng)造力、自動化流程、數(shù)據(jù)偏差等方面。
對話 HealthAI 首席 AI 官 Alberto-Giovanni Busetto 博士：解鎖人工智能賦能醫(yī)療新未來
Alberto-Giovanni Busetto 博士，HealthAI 首席人工智能官，擁有超 20 年 AI 經(jīng)驗，曾任職于默克等巨頭。在訪談中，他深入探討 AI 與醫(yī)療融合，剖析其改善全球醫(yī)療結(jié)果、縮小健康差距的潛力，闡述了在數(shù)據(jù)治理、倫理道德、監(jiān)管合作等方面面臨的挑戰(zhàn)與應(yīng)對策略，展現(xiàn)了 AI
從單詞到概念的跨越：大型概念模型革新語言理解與生成全解析
深度解析大型概念模型（LCM），它作為人工智能領(lǐng)域新興架構(gòu)，突破大型語言模型局限，從處理單詞邁向處理概念，實現(xiàn)語言理解與生成的變革。文中詳細(xì)闡述 LCM 的定義、訓(xùn)練方式、顯著優(yōu)勢，也剖析其面臨的計算成本、可解釋性等挑戰(zhàn)及未來研究方向。帶你全面了解 LCM 如何重塑 AI 語言處理格局，是人工智能愛
突破傳感器局限！AnyTouch 如何重塑機(jī)器人觸覺感知，實現(xiàn)跨傳感器統(tǒng)一表征？
本文圍繞視覺觸覺傳感器在機(jī)器人領(lǐng)域的應(yīng)用展開，介紹了人大、武漢科技大學(xué)和北郵聯(lián)合研究的 “AnyTouch: Learning Unified Static-dynamic Representation Across Multiple Visuo-tactile Sensors”。文中指出，視覺觸覺
顛覆傳統(tǒng)！PointVLA 如何為視覺 - 語言 - 動作模型注入 3D 新動力，重塑機(jī)器人應(yīng)用格局？
這篇文章聚焦于計算機(jī)視覺與機(jī)器人領(lǐng)域的前沿研究，介紹了 “PointVLA: Injecting the 3D World into Vision-Language-Action Models”。傳統(tǒng)視覺 - 語言 - 動作（VLA）模型依賴 2D 數(shù)據(jù)，空間推理能力受限。PointVLA 創(chuàng)新性地
OctoTools：斯坦福開源框架實現(xiàn)跨領(lǐng)域復(fù)雜推理（準(zhǔn)確率超越 GPT-4o 9.3%）
斯坦福大學(xué)推出 OctoTools 開源框架，通過標(biāo)準(zhǔn)化工具卡、動態(tài)規(guī)劃器與執(zhí)行器協(xié)同，突破大模型復(fù)雜推理瓶頸。無需額外訓(xùn)練即可處理視覺理解、數(shù)學(xué)計算、醫(yī)學(xué)診斷等 16 類跨領(lǐng)域任務(wù)，在 MathVista、MedQA 等基準(zhǔn)測試中平均準(zhǔn)確率達(dá) 58.5%，較 GPT-4o 提升 9.3%，優(yōu)于 A
Mobile-Agent-V：視頻引導(dǎo)多智能體協(xié)同實現(xiàn)移動設(shè)備高效自動化操作（性能提升 30%）
北京交大聯(lián)合阿里提出 Mobile-Agent-V 框架，通過視頻引導(dǎo)多智能體協(xié)作實現(xiàn)移動設(shè)備自動化操作。突破傳統(tǒng)依賴手動知識注入的局限，創(chuàng)新滑動窗口與深度反思機(jī)制，精準(zhǔn)解析用戶操作視頻，動態(tài)優(yōu)化執(zhí)行路徑，性能較現(xiàn)有方案提升 30%。適用于復(fù)雜跨應(yīng)用場景（如拍照禁用定位），降低人工干預(yù)成本，為 AI
具身多模態(tài)大模型：開發(fā)、數(shù)據(jù)集與未來趨勢解析（下）
具身多模態(tài)大模型（EMLM）是融合語言、視覺、觸覺等多模態(tài)數(shù)據(jù)與物理交互能力的前沿 AI 系統(tǒng)，由廣東人工智能和數(shù)字經(jīng)濟(jì)實驗室等機(jī)構(gòu)牽頭研究。本文系統(tǒng)梳理 EMLM 技術(shù)體系，剖析 PaLM-E、RT-1 等典型模型及 Open X-Embodiment、Habitat-Sim 等數(shù)據(jù)集，重點探討跨
具身多模態(tài)大模型：開發(fā)、數(shù)據(jù)集與未來趨勢解析（上）
具身多模態(tài)大模型（EMLM）是融合語言、視覺、聽覺等多模態(tài)數(shù)據(jù)與物理交互能力的前沿 AI 系統(tǒng)，由斯坦福李飛飛團(tuán)隊等機(jī)構(gòu)推動發(fā)展。本文系統(tǒng)梳理 EMLM 核心技術(shù)，涵蓋大語言模型（LLM）、視覺模型（LVM）及跨模態(tài)架構(gòu)，聚焦家庭服務(wù)、自動駕駛等場景的具身感知、導(dǎo)航與交互應(yīng)用。剖析 PaLM-E、R
行為機(jī)器人套件 BRS：家庭場景全身操控的低成本雙臂解決方案
行為機(jī)器人套件（BRS）由斯坦福李飛飛團(tuán)隊開發(fā)，是專為家庭場景設(shè)計的全身操控機(jī)器人解決方案。其核心搭載 Galaxea R1 雙臂機(jī)器人，配備 4 自由度軀干與全向移動基座，支持 2 米垂直 / 2.06 米水平作業(yè)范圍，覆蓋家庭物品分布的 98% 空間需求。創(chuàng)新集成 JoyLo 低成本遙操作界面（
TidyBot++ 開源完整移動機(jī)械手：家庭場景機(jī)器人學(xué)習(xí)的低成本全向解決方案
TidyBot++ 是由普林斯頓、斯坦福與 dexterity.ai 聯(lián)合開發(fā)的開源完整移動機(jī)械手，專為家庭環(huán)境機(jī)器人學(xué)習(xí)設(shè)計。其創(chuàng)新采用動力腳輪驅(qū)動系統(tǒng)，實現(xiàn)全平面自由度（x、y、θ）獨立控制，支持實時側(cè)向移動與精準(zhǔn)定位，顯著提升家庭任務(wù)（如擦桌、開冰箱、倒垃圾）的操作效率。系統(tǒng)配備手機(jī)遙操作界面
AlphaDrive：華中科技大學(xué) - 地平線聯(lián)合提出強(qiáng)化學(xué)習(xí)框架，突破自動駕駛 VLM 規(guī)劃瓶頸（MetaAD 提升 22%）
華中科技大學(xué)聯(lián)合地平線提出 AlphaDrive 框架，創(chuàng)新性結(jié)合強(qiáng)化學(xué)習(xí)與推理技術(shù)，突破自動駕駛 VLM 規(guī)劃瓶頸。通過 GRPO 算法與四種定制獎勵（規(guī)劃準(zhǔn)確性 / 動作加權(quán) / 多樣性 / 格式），在 MetaAD 數(shù)據(jù)集上實現(xiàn)橫向決策 F1 提升 22%、縱向決策 F1 提升 18%。采用
Chameleon：清華 - 博世聯(lián)合提出快 - 慢神經(jīng)符號框架，突破無地圖自動駕駛車道拓?fù)涮崛【龋∣penLane-V2 提升 22%）
清華大學(xué)聯(lián)合博世研發(fā)的 Chameleon 框架，創(chuàng)新性提出快 - 慢神經(jīng)符號推理架構(gòu)，突破自動駕駛無地圖場景下的車道拓?fù)涮崛‰y題。通過動態(tài)合成程序的快速系統(tǒng)處理常規(guī)車道關(guān)系，結(jié)合 GPT-4 視覺模型的慢系統(tǒng)解決極端路口場景，在 OpenLane-V2 數(shù)據(jù)集上實現(xiàn)車道段檢測 DETIs 提升 2
Occ-LLM：基于運動分離 VAE 的大模型架構(gòu)，突破自動駕駛 4D 占用預(yù)測精度極限（港科大廣州）
香港科技大學(xué)廣州分校最新研究提出 Occ-LLM 框架，創(chuàng)新性融合大語言模型與 3D 語義占用表示，突破傳統(tǒng)自動駕駛感知瓶頸。通過運動分離變分自動編碼器（MS-VAE）有效解決動態(tài) / 靜態(tài)場景分離難題，在 nuScenes 數(shù)據(jù)集上實現(xiàn) 4D 占用預(yù)測 IoU 提升 6%、mIoU 提升 4%。支
北大聯(lián)合理想汽車突破駕駛場景重建：ReconDreamer 首創(chuàng)在線恢復(fù)技術(shù)，NTA-IoU 提升 24.87%（多車道變換場景）
"ReconDreamer：北大聯(lián)合理想汽車首創(chuàng)動態(tài)駕駛場景重建框架！通過在線恢復(fù)技術(shù) + 漸進(jìn)式數(shù)據(jù)更新策略，在多車道變換等復(fù)雜機(jī)動中實現(xiàn) NTA-IoU 提升 24.87%（超越 Street Gaussians），F(xiàn)ID 指標(biāo)優(yōu)化 29.97%。技術(shù)突破包括：基于擴(kuò)散去噪的 Driv
顛覆端到端自動駕駛：零樣本 LLM + 閉環(huán)架構(gòu)，單錐體訓(xùn)練實現(xiàn)復(fù)雜場景泛化（90% 數(shù)據(jù)標(biāo)注減少）
"紐約州立大學(xué)顛覆性突破：全球首個零樣本 LLM 賦能端到端自動駕駛閉環(huán)架構(gòu)！僅需單錐體極簡環(huán)境訓(xùn)練，通過 LLM 實時生成左轉(zhuǎn) / 右轉(zhuǎn)指令，成功應(yīng)對多障礙物、動態(tài)場景及視覺干擾（如之字形走廊 + 垃圾桶）。技術(shù)創(chuàng)新包括：基于 ChatGPT-4o 的多模態(tài)指令生成鏈（障礙物識別→路徑評
AgiBot World Colosseo：MIT 開源百萬級雙臂機(jī)器人數(shù)據(jù)集（100 萬軌跡 ×217 任務(wù)），ViLLA 框架登頂具身智能 SOTA（60% 成功率，超 RDT 32%）
"AgiBot World Colosseo：全球首個百萬級雙臂機(jī)器人操控數(shù)據(jù)集（100 萬 + 軌跡 / 217 任務(wù) / 87 技能），ViLLA 框架突破具身智能泛化極限！基于 AgiBot G1 人形平臺（6 自由度靈巧手 + 視覺觸覺融合），在超市補(bǔ)貨、折疊短褲等復(fù)雜任務(wù)中實現(xiàn)
Satori：COAT 推理 + 強(qiáng)化學(xué)習(xí)革新 LLM！MIT 開源 7B 模型登頂數(shù)學(xué)推理 SOTA（自回歸搜索 + 自我改進(jìn)）
探索 Satori 模型如何通過行動 - 思維 - 鏈（COAT）推理與強(qiáng)化學(xué)習(xí)革新大語言模型（LLM）的推理能力！本文提出兩階段訓(xùn)練范式：格式調(diào)整階段通過模仿學(xué)習(xí)內(nèi)化 COAT 推理格式，自我改進(jìn)階段利用 PPO 算法與重啟探索策略（RAE）實現(xiàn)模型自主優(yōu)化。Satori 作為開源 7B 模型，在
像人類視覺一樣聚焦：MOBA 如何讓 LLM 自主選擇關(guān)鍵上下文塊（附清華 / 浙大最新研究）
清華大學(xué)聯(lián)合浙江大學(xué)提出 MOBA 混合塊注意機(jī)制，突破長上下文 LLM 的二次計算瓶頸。通過融合混合專家（MoE）架構(gòu)，MOBA 允許模型動態(tài)選擇關(guān)鍵上下文塊進(jìn)行稀疏注意，在保持完整注意力性能的同時，將計算復(fù)雜度線性化。相比傳統(tǒng)靜態(tài)稀疏方法（如滑動窗），MOBA 無需預(yù)定義結(jié)構(gòu)，支持全注意與稀疏模
LeapVAD：雙過程決策 + 認(rèn)知感知，突破自動駕駛長尾場景瓶頸（CARLA 模擬器驗證）
LeapVAD 自動駕駛框架，突破傳統(tǒng)數(shù)據(jù)驅(qū)動方法局限。通過認(rèn)知感知模塊動態(tài)聚焦關(guān)鍵交通要素，構(gòu)建多屬性場景表征，并融合雙過程決策機(jī)制：系統(tǒng) II（分析過程）依托 LLM 邏輯推理積累經(jīng)驗，系統(tǒng) I（啟發(fā)式過程）通過少樣本學(xué)習(xí)實現(xiàn)快速響應(yīng)。創(chuàng)新場景編碼器網(wǎng)絡(luò)生成緊湊場景 token，支持高效經(jīng)驗檢
工業(yè)級具身智能落地：AgiBot World Colosseo 在倉儲 / 裝配 / 服務(wù)場景中的多模態(tài)任務(wù)實測
智元機(jī)器人推出 AgiBot World Colosseo 大型操控平臺，構(gòu)建百萬級具身智能數(shù)據(jù)集，包含 217 個任務(wù)場景與多模態(tài)傳感器數(shù)據(jù)，突破傳統(tǒng)機(jī)器人數(shù)據(jù)碎片化限制。通過雙機(jī)械臂靈巧手硬件平臺、人在環(huán)驗證機(jī)制及故障恢復(fù)數(shù)據(jù)標(biāo)注，確保數(shù)據(jù)質(zhì)量與多樣性。創(chuàng)新 ViLLA 框架結(jié)合潛動作模型與潛規(guī)
Satori：COAT 強(qiáng)化學(xué)習(xí)框架突破 LLM 推理極限，MIT 團(tuán)隊開源 7B 模型實現(xiàn)數(shù)學(xué)推理 SOTA
這篇文章介紹了 Satori 模型，通過行動 - 思維 - 鏈（COAT）機(jī)制和強(qiáng)化學(xué)習(xí)實現(xiàn) LLM 推理能力的自我增強(qiáng)。提出兩階段訓(xùn)練范式：1）格式調(diào)整階段內(nèi)化 COAT 推理格式；2）強(qiáng)化學(xué)習(xí)階段通過重啟探索策略（RAE）和迭代自我改進(jìn)提升推理精度。該方法在開源數(shù)據(jù)上訓(xùn)練 7B 模型，在數(shù)學(xué)推理
駕駛世界模型（DWM）系統(tǒng)性綜述：多模態(tài)融合與時空建模賦能自動駕駛復(fù)雜場景，nuScenes 基準(zhǔn)關(guān)鍵技術(shù)突破
本文系統(tǒng)綜述駕駛世界模型（DWM）在自動駕駛中的核心作用，全面梳理其技術(shù)演進(jìn)與應(yīng)用場景。研究從 2D/3D 場景演化、無場景范式（潛狀態(tài) / 多智體行為）兩大維度分類方法，重點分析多模態(tài)融合、時空一致性建模、可控生成等關(guān)鍵技術(shù)。論文深入探討 DWM 在模擬、數(shù)據(jù)生成、預(yù)期駕駛及 4D 預(yù)訓(xùn)練中的創(chuàng)新
VLM-E2E：視覺 - 語言與 BEV 融合賦能端到端自動駕駛，nuScenes 動態(tài)場景接近人類駕駛水平
本文提出VLM-E2E框架，通過融合視覺 - 語言模型（VLM）與鳥瞰圖（BEV）特征，創(chuàng)新性地引入駕駛員注意語義監(jiān)督，顯著提升端到端自動駕駛在復(fù)雜場景中的決策能力。該方法利用 BLIP-2 生成文本注釋，結(jié)合 CLIP 編碼文本特征，并通過可學(xué)習(xí)的 BEV-Text 加權(quán)融合策略動態(tài)平衡多模態(tài)信息
預(yù)測逆動力學(xué)模型 Seer：端到端視覺 - 動作協(xié)同賦能機(jī)器人操作，CALVIN 序列長度 4.28 + 真實任務(wù) 43% 提升
本文提出預(yù)測逆動力學(xué)模型（PIDM），通過端到端框架實現(xiàn)機(jī)器人操作的可擴(kuò)展學(xué)習(xí)。該方法將條件視覺預(yù)見與逆動力學(xué)預(yù)測相結(jié)合，形成閉環(huán)控制，有效利用大規(guī)模機(jī)器人數(shù)據(jù)（如 DROID）進(jìn)行預(yù)訓(xùn)練，并通過少量微調(diào)適應(yīng)真實場景。實驗表明，模型（命名為 Seer）在 LIBERO-LONG 基準(zhǔn)上提升 13%、
擴(kuò)散 Transformer 策略：大規(guī)模預(yù)訓(xùn)練驅(qū)動跨具身 VLA 泛化，Calvin 基準(zhǔn) 3.6 任務(wù)突破
本文提出擴(kuò)散 Transformer 策略（Diffusion Transformer Policy），通過大規(guī)模擴(kuò)散 Transformer 模型實現(xiàn)通才視覺 - 語言 - 動作（VLA）學(xué)習(xí)，突破傳統(tǒng)動作頭設(shè)計的局限性。該方法直接利用 Transformer 對連續(xù)動作塊進(jìn)行去噪建模，結(jié)合跨具身
OpenVLA-OFT：OFT 并行解碼 + 動作分塊，機(jī)器人控制成功率 97.1%，速度提升 26 倍
本文提出 OpenVLA-OFT，一種基于優(yōu)化微調(diào)（OFT）的視覺 - 語言 - 行動模型，通過并行解碼、動作分塊和連續(xù)動作表示三大核心創(chuàng)新，突破傳統(tǒng)自回歸模型在推理速度與任務(wù)成功率上的瓶頸。研究表明，OFT 方案在 LIBERO 模擬基準(zhǔn)上實現(xiàn)平均成功率 97.1%，較基線提升 26.9%，同時動
ForceMimic：HybridIL + 力控制，機(jī)器人接觸操作成功率提升 54.5%
本文提出 ForceMimic，一種以力為中心的機(jī)器人模仿學(xué)習(xí)系統(tǒng)，通過創(chuàng)新的 ForceCapture 數(shù)據(jù)采集設(shè)備與 HybridIL 算法，突破傳統(tǒng)軌跡驅(qū)動策略在接觸豐富操作中的局限性。ForceCapture 系統(tǒng)實現(xiàn)低成本、無機(jī)器人的自然力 - 運動數(shù)據(jù)采集，操作員 5 分鐘內(nèi)即可完成西葫
CarPlanner：一致性自回歸 RL 框架，突破自動駕駛軌跡規(guī)劃效率與一致性瓶頸
本文提出的 CarPlanner 是一種面向自動駕駛的一致性自回歸軌跡規(guī)劃模型，通過結(jié)合強(qiáng)化學(xué)習(xí)（RL）與自回歸結(jié)構(gòu)，突破了傳統(tǒng)規(guī)劃器在大規(guī)模場景下訓(xùn)練效率低、多模態(tài)軌跡一致性差的難題。模型創(chuàng)新性地引入縱向 - 橫向模式分解框架，利用非反應(yīng)式轉(zhuǎn)換模型預(yù)生成交通參與者軌跡，通過一致性模式條件策略實現(xiàn)多
PreWorld：半監(jiān)督視覺中心 3D/4D 占用模型，突破自動駕駛場景理解成本與精度瓶頸
本文提出了一種用于自動駕駛的半監(jiān)督視覺中心 3D 占用世界模型 PreWorld，通過兩階段訓(xùn)練范式（自監(jiān)督預(yù)訓(xùn)練 + 全監(jiān)督微調(diào)）有效利用 2D 標(biāo)簽，顯著降低 3D 占用注釋成本。模型創(chuàng)新性地引入狀態(tài)條件預(yù)測模塊和體渲染技術(shù)，實現(xiàn)高精度 3D/4D 場景理解與動態(tài)預(yù)測，在自動駕駛場景中展現(xiàn)出高效
OpenVLA-OFT 框架：并行解碼與動作分塊協(xié)同加速 VLA 模型，實現(xiàn) 26 倍吞吐量提升與 97.1% 任務(wù)成功率
本文提出 OpenVLA-OFT 框架，通過優(yōu)化微調(diào)策略顯著提升視覺 - 語言 - 行動（VLA）模型的推理速度與任務(wù)成功率。研究聚焦三大核心創(chuàng)新：并行解碼與動作分塊技術(shù)將動作生成吞吐量提升 26 倍，連續(xù)動作表示結(jié)合 L1 回歸目標(biāo)避免離散化損失，以及多模態(tài)輸入處理增強(qiáng)復(fù)雜場景適應(yīng)性。實驗表明，O
Sce2DriveX 框架：多模態(tài) MLLM 與思維鏈推理推動類人自動駕駛的跨場景泛化
本文提出 Sce2DriveX 框架，一種基于多模態(tài)大語言模型（MLLM）的場景到駕駛學(xué)習(xí)通用框架，旨在解決自動駕駛中跨場景泛化與人類認(rèn)知一致性難題。Sce2DriveX 通過融合多視角視頻與 BEV 地圖的多模態(tài)聯(lián)合學(xué)習(xí)，強(qiáng)化 3D 時空關(guān)系理解與道路拓?fù)渫评恚⒅貥?gòu)人類駕駛思維鏈（CoT），涵蓋
HPT 框架：異構(gòu)預(yù)訓(xùn)練 Transformer 推動機(jī)器人跨具身與任務(wù)的高效策略遷移
本文提出異構(gòu)預(yù)訓(xùn)練 Transformer（HPT）框架，通過模塊化架構(gòu)解決機(jī)器人學(xué)習(xí)中異構(gòu)數(shù)據(jù)的挑戰(zhàn)。HPT 利用具身特定的 stem 將不同傳感器輸入（本體感受、視覺等）對齊到共享潛空間，結(jié)合共享 trunk 和任務(wù)特定 head，實現(xiàn)跨具身和任務(wù)的泛化策略學(xué)習(xí)。研究基于 52 個數(shù)據(jù)集（涵蓋模
基于深度學(xué)習(xí)的自動駕駛小車開發(fā)（Pytorch實現(xiàn)，含完整數(shù)據(jù)和源碼，樹莓派+神經(jīng)計算棒）
本文詳細(xì)介紹了如何使用深度學(xué)習(xí)技術(shù)，結(jié)合Pytorch框架，開發(fā)一套基于視覺的自動駕駛小車系統(tǒng)。從模擬平臺安裝使用到真實樹莓派小車部署，全程覆蓋，包括完整的代碼和數(shù)據(jù)集。通過OpenCV進(jìn)行傳統(tǒng)圖像處理與深度學(xué)習(xí)模型訓(xùn)練的比較，展示了深度學(xué)習(xí)的強(qiáng)大能力。同時，文章還指導(dǎo)如何在樹莓派上結(jié)合神經(jīng)計算棒N
Helix 讓 Figure-2 加速現(xiàn)實世界的物流
本文展示如何將高質(zhì)量數(shù)據(jù)集與立體多尺度視覺、在線標(biāo)定和測試-時間加速等架構(gòu)改進(jìn)相結(jié)合，在現(xiàn)實世界的物流分類場景中實現(xiàn)比演示者更快的靈巧機(jī)器人操作——所有這些都在使用相對適量演示數(shù)據(jù)的情況下完成。結(jié)果突出將端到端視覺運動策略擴(kuò)展到速度和精度至關(guān)重要的復(fù)雜工業(yè)應(yīng)用上的潛力。
學(xué)習(xí)現(xiàn)實世界人形機(jī)器人的起身策略
本文開發(fā)學(xué)習(xí)控制器，使人形機(jī)器人能夠在各種地形上從各種跌倒姿勢中站起來。人形機(jī)器人容易跌倒，而它們對人類跌倒恢復(fù)的依賴阻礙它們的部署。此外，由于人形機(jī)器人預(yù)計會在復(fù)雜地形和狹小工作空間的環(huán)境中工作（即對輪式機(jī)器人來說太難的具有挑戰(zhàn)性場景），人形機(jī)器人在跌倒時可能會處于不可預(yù)測的配置，或者可能處于未知
大語言模型中的邏輯推理：綜述
隨著 OpenAI o3 和 DeepSeek-R1 等高級推理模型的出現(xiàn)，大語言模型 (LLM) 已展示出卓越的推理能力。然而，它們進(jìn)行嚴(yán)格邏輯推理的能力仍是一個懸而未決的問題。本綜述綜合人工智能研究的關(guān)鍵領(lǐng)域 LLM 中邏輯推理的最新進(jìn)展。它概述 LLM 中邏輯推理的范圍、其理論基礎(chǔ)以及用于評估
強(qiáng)化學(xué)習(xí)中 Sim-to-Real 方法綜述：基礎(chǔ)模型的進(jìn)展、前景和挑戰(zhàn)
這篇綜述論文從馬爾可夫決策過程的關(guān)鍵要素（狀態(tài)、動作、轉(zhuǎn)換和獎勵）構(gòu)建模擬-到-現(xiàn)實技術(shù)的分類。基于該框架，涵蓋從經(jīng)典到最先進(jìn)方法的全面文獻(xiàn)，包括由基礎(chǔ)模型賦能的模擬-到-現(xiàn)實技術(shù)，并討論模擬-到-現(xiàn)實問題不同領(lǐng)域中值得關(guān)注的特點。總結(jié)使用可訪問代碼或基準(zhǔn)的模擬-到-現(xiàn)實性能的正式評估過程，以及挑戰(zhàn)
HiRT：利用分層機(jī)器人Transformer 增強(qiáng)機(jī)器人控制
大型視覺-語言-動作 (VLA) 模型利用強(qiáng)大的預(yù)訓(xùn)練視覺-語言模型 (VLM) 后端，由于其深刻的泛化能力而在機(jī)器人控制方面顯示出良好的前景。然而，成功是有代價的。它們對具有數(shù)十億個參數(shù)的 VLM 后端的依賴導(dǎo)致高昂的計算成本和推理延遲，將測試場景限制在主要的準(zhǔn)靜態(tài)任務(wù)上，并阻礙需要快速交互的動態(tài)
從系統(tǒng) 1 到系統(tǒng) 2：大語言模型推理的綜述
本文概述首先簡要概述基礎(chǔ) LLM 的進(jìn)展和系統(tǒng) 2 技術(shù)的早期發(fā)展，探討它們的結(jié)合如何為推理 LLM 鋪平道路。其討論如何構(gòu)建推理 LLM，分析其特性、實現(xiàn)高級推理的核心方法以及各種推理 LLM 的演變。此外，還概推理基準(zhǔn)，對代表性推理 LLM 的性能進(jìn)行了深入比較。
Video2Policy：通過互聯(lián)網(wǎng)視頻規(guī)模化模擬中的操作任務(wù)
模擬為通才策略提供一種廉價的規(guī)?；?xùn)練數(shù)據(jù)的方法。為了可擴(kuò)展地從多樣化和現(xiàn)實的任務(wù)中生成數(shù)據(jù)，現(xiàn)有的算法要么依賴于大語言模型 (LLM)，這可能會產(chǎn)生機(jī)器人不感興趣的任務(wù)；要么依賴于數(shù)字孿生，這需要仔細(xì)的真實-到-模擬對齊并且難以規(guī)?；?。為了應(yīng)對這些挑戰(zhàn)，引入 Video2Policy，這是一個利用
LAMS：LLM 驅(qū)動自動模式切換輔助遙操作
通過低自由度控制器（如操縱桿）遙操作高自由度 (DoF) 機(jī)器人操縱器，通常需要在控制模式之間頻繁切換，其中每種模式將控制器運動映射到特定的機(jī)器人動作。手動執(zhí)行這種頻繁切換會使遙操作變得繁瑣且效率低下。另一方面，現(xiàn)有的自動模式切換解決方案（例如基于啟發(fā)式或基于學(xué)習(xí)的方法）通常是針對特定任務(wù)的，缺乏通
RoboHorizo??n：用于長期機(jī)器人操作的 LLM-輔助多視圖世界模型
由于復(fù)雜的表示和策略學(xué)習(xí)要求，長期機(jī)器人操作的有效控制具有挑戰(zhàn)性?；谀Ｐ偷囊曈X強(qiáng)化學(xué)習(xí) (RL) 在解決這些挑戰(zhàn)方面表現(xiàn)出巨大潛力，但仍然面臨明顯的局限性，特別是在處理長期環(huán)境中的稀疏獎勵和復(fù)雜視覺特征時。為了解決這些限制，本文提出用于長期任務(wù)的識別-感知-規(guī)劃-動作 (RSPA) 流程，并進(jìn)一步
