Skip to content
RobotWorld
← 标签

#空间推理 (10)

瀑布流分页
StageVLN：面向高效视觉语言导航的空间轨迹引导

StageVLN：面向高效视觉语言导航的空间轨迹引导

StageVLN在训练阶段以冻结几何模型提供多层空间引导，并用相对朝向与专家路线进度约束导航状态；部署时辅助分支全部移除。它在R2R-CE未见验证集取得56.3%成功率与51.4% SPL，在RxR-CE取得54.3%成功率。

Anh Dao, Quan-Dung Pham, Le Danh Vinh · 98次阅读 · 2026年10月5日
视觉语言导航具身智能
2026年10月5日
SpatialScout：VLM主动探索三维场景基准
0:30

SpatialScout：VLM主动探索三维场景基准

@HuggingPapers · 88次播放 · 2026-10-22
具身智能视觉语言模型
S-Agent 2.0把视觉证据接入编码智能体
0:15

S-Agent 2.0把视觉证据接入编码智能体

@HuggingPapers · 94次播放 · 2026-10-21
空间推理Coding Agent
S-Agent 2.0用代码完成空间推理
2:04

S-Agent 2.0用代码完成空间推理

@liuziwei7 · 76次播放 · 2026-10-21
空间推理Coding Agent
OneCanvas：把视频帧重投影成一张全景画布，让现成 2D VLM 直接学会 3D 空间推理——SQA3D/VSI-Bench/SPBench 三榜 SOTA，训练算力省一个数量级

OneCanvas：把视频帧重投影成一张全景画布，让现成 2D VLM 直接学会 3D 空间推理——SQA3D/VSI-Bench/SPBench 三榜 SOTA，训练算力省一个数量级

@unknown · 515次播放 · 2026-06-19
3D场景理解视觉语言模型
AtlasVLA：面向VLA模型的持久化世界-自我状态建模

AtlasVLA：面向VLA模型的持久化世界-自我状态建模

提出双记忆架构：4D持久世界状态记忆将瞬态2D观测提升为体素哈希全局空间状态解决感知遗忘，自我工作记忆跟踪任务进度。扩散Transformer基于此联合状态实现主动推理，仅用腕部相机即在LIBERO、RLBench和真实世界达到SOTA，长程任务成功率提升9.4%-17.5%。

Guiyu Zhao, Longteng Guo, Yanghong Mei · 650次阅读 · 2026年8月7日
视觉语言动作模型物理AI
2026年8月7日
CinemaTraj:语言驱动的相机轨迹规划
0:13

CinemaTraj:语言驱动的相机轨迹规划

@ai_bites · 481次播放 · 2026-08-01
LLM智能体空间推理
Geo3R:缓解多模态大模型空间推理幻觉

Geo3R:缓解多模态大模型空间推理幻觉

多模态大模型在视觉理解上进展显著但存在空间推理幻觉,Geo3R 通过几何关系缓解该问题。

Mingyu Wang, Weilin Jin, Wenbo Li · 401次阅读 · 2026年7月23日
空间推理多模态
2026年7月23日
工具抓放:为何物理AI比想象更难
0:35

工具抓放:为何物理AI比想象更难

@HoaTranRom · 514次播放 · 2026-07-24
操作物理AI
Ego Scene Augmentation:增强多模态大模型第一人称空间感知

Ego Scene Augmentation:增强多模态大模型第一人称空间感知

针对多模态大模型在第一人称场景中空间推理能力不足的问题,提出Ego Scene Augmentation方法,通过场景增强提升第一人称视觉问答的空间感知能力。

Chi Kit Wong, Ye Pan, Yuanhuiyi Lyu · 464次阅读 · 2026年7月16日
MLLM第一人称
2026年7月16日

作为亚马逊联盟会员,我们可能从符合条件的购买中获得佣金。