一、背景 视觉-语言-动作（VLA）模型正成为机器人智能化的核心架构，但现有主流方法（如OpenVLA、π0、CogACT）存在一个根本性缺陷：用同一个动作模型统一处理所有类型的动作。这种「一刀切」的设计在面对机器人操控任务时暴露出两大内在矛盾。从任务特性来看，机器人操控存在两种本质不同的动作类型：手臂大幅度运动（粗动作）需要全局场景理解、路径约束宽松；夹爪精细操作（精细动作）需要局部精细聚焦、精确抓取姿态、容错率极低。这两种动作在路径约束、视觉注意力和数据分布上有本质差异，用同一个模型兼顾「粗定位」与「精细操作」必然产生冲突。此外，传统方法缺乏对动作类型的主动感知与路由机制，无法根据当前操控阶段动态分配合适的推理资源，导致在长时程复杂任务中错误率随步骤增加而快速累积。DAM-VLA（Dynamic Action Model-Based Vision-Language-Action）首次将手臂运动与夹爪操作解耦建模，配合双尺度加权机制实现了精准高效的机器人操控。 二、核心方法 DAM-VLA...

8月19日，“第30届国际人工智能联合会（IJCAI 2021）”于线上隆重开幕，“联邦学习与迁移学习国际研讨会（FTL-IJCAI’21）”也在8月21日重磅登场。 本次研讨会由微众银行、京东、第四范式、星云Clustar联合香港科技大学、南洋理工大学等高校共同主办。 技术赋能，联邦学习与迁移学习助力AI领域大变革 2021年是机器学习取得了长足发展的一年，不仅迁移学习延伸出了协同学习，联邦学习发展形势更是迅猛：从个性化联邦学习到异构联邦学习，从领域泛化到用户选择和聚类，联邦学习与迁移学习领域的新研究主题百花齐放，不仅聚合成了AI领域的研究新趋势，还为商业落地提供了强有力的理论支持。联邦学习与迁移学习也被Gartner列入“2020年数据科学与机器学习技术成熟度曲线”，标志着技术从实验室研究阶段进入大规模工业落地阶段。 ...

一、研究背景  视觉-语言-动作（VLA）模型是具身智能的核心架构，旨在让机器人通过视觉感知和语言理解直接输出动作指令。然而，当前主流VLA模型（如RT-2、OpenVLA）通常架构复杂、训练流程冗长，缺乏一个设计简洁、易于理解和复现的基准模型，阻碍了社区对VLA核心设计决策的系统性研究。此外，现有VLA模型在训练效率上存在显著差异——有些需要大规模预训练数据，有些依赖复杂的跨模态对齐策略，使得研究者难以区分哪些性能提升来自架构创新，哪些来自工程技巧。社区急需一个「少即是多」的纯净基线来推动VLA研究的健康发展。 二、核心方法  LLaVA-VLA基于LLaVA架构构建，通过三个关键设计选择实现了简洁与性能的平衡。多视角图像拼接（Concatenated Multi-view Images）将第一人称视角和第三人称视角的观测图像垂直拼接为单一复合图像，输入视觉编码器。这一设计保留了完整的空间信息，同时避免了多图像独立编码带来的token数量膨胀和信息丢失问题，在信息完整性与计算效率之间取得了优雅的平衡。本体感觉作为文本输入（Proprioception as...

直到去年11月，京东X事业部还是一个「神秘」的团队，在外界鲜有消息，人们对于该事业部的了解基本也只是传说中「京东内部的智慧物流技术部队」。...

来自加州的触觉反馈解决方案提供商Immerssion（意美森）在柳絮纷飞的四月来到北京，宣布针对移动游戏开发者发布TouchSense Engage 解决方案，通过它，你的手机游戏，可以动起来哟~ 据意美森官方介绍：TouchSense Engage解决方案可以让开发者配合音效、视觉效果，以及各种游戏互动元素设计触觉交互方案，例如动作发出、能力提升、撞击效果、弹弓运用、庆祝场景、氛围渲染以及进程提示。效果库中有124 种预设触觉效果，至今已应用于 15,000 多种游戏中。 移动游戏开发者可访问官方网站下载评估套件，测试游戏的触觉效果，此外，还获取不带自定义设计触觉效果的轻量级 SDK，或带有自定义设计触觉效果的完整版 SDK（据说124种预设效果是免费的）。 此外， 意美森大中华区业务总经理李鸿明告诉我们： 不同使用情况下，TouchSense Engage 耗费电池电量的 1% 至 3%。TouchSense对移动设备的 CPU 和内存占用低，低于通常播放音频所需内存，在今天市面大部分 Android 移动设备上均可运行（IOS暂不可用）。 ...

雷锋网 AI 科技评论按：本周，ICRA 2018 正式在澳大利亚布里斯班举办。作为 IEEE 机器人与自动化学会（IEEE Robotics and Automation Society）的重要会议，学术论文自然成为了不可忽视的一个部分。今年在论文上又有哪些最新进展，又有哪些领域成为最受关注的研究方向？雷锋网 AI 科技评论根据第一天的开幕式环节及官方发布的数据，整理了相应的重要看点。...

来源：中国计算机学会 文章链接：https://mp.weixin.qq.com/s/cm_gu67gOolUlI3DNd7W0w...

  一、研究背景 视觉重定位（Visual Relocalization）是机器人和自动驾驶的基础能力：当系统回到一个曾经建图的场景时，如何通过单张图像精准估计6自由度相机位姿。这一任务在弱纹理场景、图像数据库稀疏或视角变化剧烈时面临严峻挑战。现有方法存在三个核心痛点：一是图像稀疏瓶颈，数据库图像有限时，初始位姿检索和粗匹配精度下降明显；二是特征匹配局限，单一特征类型难以兼顾粗匹配的全局视角覆盖与精细匹配的局部精度要求；三是几何建模挑战，传统方法在像素级细粒度匹配中难以捕捉复杂场景几何细节，尤其是在弱纹理或高遮挡区域。SplatHLoc 提出了一个创新性解决方案：利用特征3D高斯泼溅（Feature Gaussian Splatting，FGS）在场景中凭空生成离查询图像最近的虚拟视点，既弥补了数据库稀疏的不足，又通过混合粗细特征匹配实现了高精度位姿估计。 二、核心方法SplatHLoc 的核心是虚拟对齐管线，将 FGS 渲染能力与多阶段特征匹配紧密结合。步骤一：自适应视角检索利用全局图像描述符进行初始粗检索，通过几何验证筛选可靠的参考图像。关键创新在于引入 FGS...

作为国际顶级的机器学习会议，今年的ICML吸引了数千篇论文投稿，其中Spotlight论文更是百里挑一，代表着当前AI研究的最前沿方向。 雷峰网 & AI科技评论在现场为您带来第一手报道，精选六篇Spotlight论文，涵盖空间智能、脑网络分析、图学习、推理优化、LLM记忆与高效生成等多个领域，一窥AI最前沿的突破与趋势。 如果你也想让你的研究成果出现在这里，请与我们联系： 视觉语言模型（VLM）在常识推理任务上表现出色，但在视觉空间推理方面存在明显短板。现有解决方案大多引入额外的3D先验知识或外部空间编码器，不仅增加了模型复杂度，还在空间微调后损害了VLM原有的通用能力。如何在增强空间智能的同时不“捡了芝麻丢了西瓜”，成为该领域亟待解决的核心矛盾。 SpatioLM提出了一种参数高效的解决方案，设计了一个即插即用、非侵入式的空间视觉模块，激发VLM中固有但未被充分利用的空间知识，而非引入外部编码器。此外，该方法创新性地利用伪深度和相机信息作为监督信号，引导模型学习物理上连贯的空间表示，使模型能够真正"理解"三维物理世界。 ...

三十年前，世界著名科技预言家凯文·凯利，在《失控》中抛出一个贯穿时代的终极命题：当数字技术全面渗透人类生活，人与机器该如何共生。 如今AI已经渗透到生活方方面面，该怎么培养孩子，才能让他们未来能驾驭AI，而非被AI裹挟？ 这个未来之问，在2026世界人工智能大会上迎来了回应。猿编程主办WAIC 2026青少年AI教育论坛暨AI新品发布，重磅开启品牌升级，以全新的5A育人理念、产品体系与公益计划，打造面向未来的青少年AI教育方案。在现场，未来学家凯文·凯利分享了关于AI时代青少年成长的三大预言。 凯文·凯利与猿编程创始人李翊进行圆桌对话 凯文·凯利三大预言，AI时代的成长坐标 站在WAIC的舞台上，凯文·凯利用三大预言勾勒出AI时代青少年的成长坐标。 预言一：智能体将成为人类的共生伙伴，“半人半AI”是人机关系的终极形态，提问、创造与担当才是人类不可替代的核心能力。 ...