内容形态
值得读的嵌入式与机器人论文：操作泛化、运动控制、端侧推理效率与新基准的精选。
872 条精选近 30 天 844 条共收录 1,780 条
论文提出从功能安全转向行为安全的范式转变，介绍一个第三方自动驾驶安全评估框架，包含两个互补组件：Behavioral Competency Test 在受控场景下评估车辆的反应性行为，Driving Intelligence Test 在自然交通条件下评估交互行为并量化安全关键事件频率，以在大规模部署前给出统计上有意义的安全指标。Part II 将以开源 Level 4 ADS 验证该方法。
推荐理由：论文指出传统功能安全只验证车端软硬件，未覆盖车辆与交通环境的交互行为，为评估自动驾驶安全提供了另一视角。
该论文提出一种事件驱动框架，通过事件监视器监控工作区状态变化并提取前后快照，由冻结的预训练 VLM 依据语义先验推断任务上下文、判断是否需要协助并生成动作序列，动作被限制在一组动作原语内以保证可执行可验证。在三个真实桌面协作任务上评估显示，该框架无需任务特定训练或微调，性能与获得用户指令的变体相当。
推荐理由：论文把主动协助建模为事件驱动推理，在三个真实桌面任务上验证了无需任务训练即可达到与指令驱动相当的性能。
论文提出紧凑操作策略 CoRP（48.9M 参数，不含视觉语言模型和视频生成先验），在 LIBERO 达到 97.0%，在 RoboTwin 2.0 Clean/Randomized 分别达到 75.78%/73.36%，匹配大 40.9-163.6 倍的系统。
推荐理由：论文用逐项消融拆解了视觉表征各因素对操作策略性能的贡献，便于评估模型规模与预训练先验的实际作用。
论文提出 iGPC 框架，将 Generative Pretrained Controller（GPC）从通用人体动作扩展到人形机器人与环境的全身交互。
推荐理由：论文把通用人体动作先验迁移到物体交互，给出特权专家到感知学生的蒸馏路径，可参考其方法设计。
SALT 用上一动作块未执行的 leftover 轨迹作为自监督信号，在测试时对 VLA 策略做适应，无需干扰标注、专家动作或目标域演示。在 LIBERO-10 上，SALT 将 SmolVLA 在五种持续视觉干扰下的平均成功率从 43.9% 提升到 53.2%，GR00T N1.7 从 58.7% 提升到 66.0%。真机实验中，任务进度从 0.49 提升到 0.61。
OpenWAM 提出一个开放的世界-动作建模（WAM）框架，以 Wan2.2-5B 为起点在超过 10,000 小时视频上做因果机器人视频预训练，并通过共享 Mixture-of-Transformers 架构接入动作专家，支持联合、先视频后动作、先动作后视频和解耦四种生成方式。
推荐理由：论文给出了各交互设计在同一测试床上的对比数字，便于评估反事实数据对动力学学习的增益。
SMART 提出面向关节物体操作的大规模合成演示预训练系统，其 SMART-Sim 仿真平台具备关节感知设计，可生成任务并高效采集演示，最终合成的 SMART-Data 覆盖 44 类原子任务、5 种机器人配置和 2,507 个关节物体，共超过 1M 条演示。基于该数据预训练的 VLA 模型在仿真基准上表现具备竞争力，并在真实世界的关节物体操作任务中实现零样本 sim-to-real 迁移。
推荐理由：论文给出合成演示数据的规模与零样本迁移结果，可评估合成预训练在关节物体操作上的可行性。
论文提出 GaugeBench，把固定机器人改写为物理等价的描述并评测同一策略权重，发现三个 MetaMorph 策略在 80 个熟悉机器人上得分 4030.6，等价重描述后仅 51.6，而 98 个真正未见机器人仍有 1489.6。
推荐理由：论文用等价改写描述的对照实验，量化了跨本体评测中被忽略的表示脆弱性，可迁移方法在于其隔离思路。
NTNU 团队提出面向低算力平台的嵌入式雷达惯性估计器，所有传感器驱动、数据处理与辅助惯性导航均在单核 MCU 上运行。飞行实验显示相对动捕的平移 APE 为 0.51-0.82 m、RPE 低于 3%，并完成基于未修改 PX4 栈的闭环飞行；固件与 PCB 设计已在 GitHub 的 ntnu-arl/embedded_rio 和 ntnu-arl/embedded_rio-pcb 开源。
推荐理由：论文给出单核 MCU 上的完整实现与实测误差区间，可评估其在算力受限平台替代视觉方案的可行性。
论文介绍 TouchScale，一个用统一可穿戴设备采集的 500 小时接触密集型人类交互数据集，包含约 2K 条预定义任务描述，将第一人称 RGB-D 视频、腕部 RGB 视频与全手双手触觉测量做时间对齐。
推荐理由：论文给出接触IoU与真机成功率两组对照数字，可评估视觉触觉数据规模对策略的实际收益。
VIS-Ground 将上下文锚定定义为把异构输入转化为可执行约束模型的过程，包含结构化上下文抽取、生成约束归纳和受约束视频生成三个环节，通过规划、校验、修订与渲染来落实约束。在三个视频生成骨干上，VIS-Ground 的综合得分均为最高，相比各骨干上最强基线平均绝对提升 10.3 分，叙事与知识两类锚定均有增益；作者同时指出依赖抽取和渲染忠实实现仍存在挑战。
推荐理由：论文把交互式视频生成中的上下文锚定形式化为约束模型，在三个视频生成骨干上平均提升 10.3 分，可参考其约束归纳与校验流程。
研究收集了 JetBrains IDE 中 4,782 条真实软件工程师的 agent 会话（Production Sessions），分析其中至少含三条用户消息的长会话，发现其任务类型分布与切换模式显著不同于基于 issue 构建的基准任务，且三个公开交互语料的 Task Flow 差异明显，因此基准应明确目标用例并据此校准。
推荐理由：论文用 4,782 条真实工程师会话对比基准任务流差异，评测设计者可据此校准目标场景。
论文提出 SALD 自参照训练框架，让扩散模型在无需外部示范和教师网络的情况下获得训练信号，用同一模型在两个噪声水平上评估每对图像-文本，低噪声路径不追踪梯度作为参考，高噪声路径提供训练梯度。
推荐理由：论文给出无需外部教师网络的自参照训练框架，可迁移的思路是用同一模型两个噪声路径的误差差构造训练信号。
论文提出 Systematic Multi-Agent Vision-and-Language Navigation，将多智能体 VLN 形式化为带依赖与资源约束（presence locks 和 holding chains）的协同问题。
推荐理由：论文把多机器人视觉语言导航形式化为带约束的协同问题并给出基准，读者可据此了解该任务的建模方式与评测指标。
Nature Biomedical Engineering 发表一项研究，提出一种基于热响应水凝胶的软体生物电子神经接口，可在手术中实时量化作用力，同时记录体感诱发电位与皮层脑电图，并在兔脑肿瘤切除模型上完成验证。
推荐理由：论文给出热响应水凝胶神经接口在兔脑肿瘤切除模型上的验证方式，可了解术中实时监测的实现路径。
论文提出结构化消歧范式，用显式受限交互替代自由对话来解决用户问题中的歧义，并构建 ARCS（Ambiguity Resolution Corpus for SQL），这是首个包含真实数据库上自然歧义、且完整标注所有有效歧义点、解释和 SQL 查询的 text-to-SQL 基准。
推荐理由：论文提出结构化消歧范式并构建首个含自然歧义的 text-to-SQL 基准，给出了开源与闭源模型的准确率对比。
论文提出 Manipulation-Grounded Visual Question Answering（MG-VQA）设定，让智能体通过物理操作揭示被遮挡证据来回答杂乱桌面场景中的问题，并发布含 600 道人工核验问题、覆盖四项空间推理任务的 MG-VQA-Bench。
推荐理由：论文给出三级环境访问的成功率对比，可量化操作交互对 VLM 空间问答的实际增益。
Flash-WAM 提出模态感知的步蒸馏框架，针对动作流低噪声区间采用线性梯度缩放参数化、视频流高噪声区间采用保方差参数化，把世界动作模型推理压缩到每个模态单步。
推荐理由：论文给出了动作流与视频流噪声分布不对称的结构性分析，做世界动作模型实时推理的团队可据此选择一致性函数参数化。
一项研究系统评估了 Vanilla BC、LSTM-GMM、IBC、Diffusion Policy 与 VQ-BET 等模仿学习算法在白盒、灰盒和黑盒对抗扰动下的脆弱性。
推荐理由：论文给出白盒与黑盒迁移攻击下的成功率下降幅度，可作为评估模仿学习策略鲁棒性的对照基准。
FlashDexRetarget 提出一种基于强化学习的多参考灵巧重定向框架，用单一策略联合学习多条演示，将重定向优化成本分摊到各参考上。
推荐理由：论文给出与 CHORD 的对比数据，可帮助评估多参考重定向在数据生成成本上的实际收益。