机器人导航

VLN-Zero：零样本机器人导航的神经符号视觉语言规划框架摘要：在未知环境中实现快速适配是机器人实现规模化现实世界自主化的关键要求，然而现有方法要么依赖穷尽式的环境探索，要么采用刚性的导航策略，均无法实现良好的跨环境泛化。本文提出 VLN-Zero—— 一款分两阶段的视觉语言导航框架，该框架利用视觉语言模型高效构建符号化场景图，并实现零样本的神经符号导航。在探索阶段，通过结构化提示词引导基于视觉语言模型的探索过程走向具备信息性和多样性的轨迹，最终生成紧凑的场景图表示。在部署阶段，神经符号规划器通过对场景图和环境观测的推理生成可执行的规划方案，同时缓存增强的执行模

VGGT-Long：突破千米级长 RGB 序列单目 3D 重建的极限在自动驾驶、机器人导航等关键领域，从单目 RGB 流中感知 3D 环境是核心技术需求。然而，现有 3D 视觉基础模型在处理千米级、无标定的户外长序列时，往往受限于内存瓶颈和累积漂移问题，难以实现精准且稳定的 3D 重建。近期，来自南开大学和南京大学的研究团队提出了 VGGT-Long 框架，通过 “分块 - 对齐 - 闭环” 的极简设计，成功将单目 3D 重建能力拓展至千米级无界户外场景，无需相机标定和深度监督，性能媲美传统标定方法。

PointPillars：激光雷达点云 3D 目标检测的高效编码器方案在自动驾驶等机器人应用中，基于激光雷达（LiDAR）点云的目标检测是核心技术之一。激光雷达能够生成高精度的 3D 环境点云，为目标定位提供可靠的空间信息，但点云的稀疏性、3D 特性与传统 2D 卷积神经网络（CNN）的适配问题，一直是制约检测性能与速度的关键瓶颈。

【机器人】复现 HOV-SG 机器人导航 | 分层开放词汇 | 3D 场景图HOV-SG 是通过语言指令实现机器人导航的，核心特点是分层结构、开放词汇、3D场景图。来自RSS 2024，大规模、多层次的环境构建精确的、开放词汇的3 场景图，并使机器人能够通过语言指令在其中有效地导航。

数据猎手小k

FoMo 数据集是一个专注于机器人在季节性积雪变化环境中的导航数据集，记录了不同季节（无雪、浅雪、深雪）下的传感器数据和轨迹信息。2025-05-02，由加拿大拉瓦尔大学北方机器人实验室和多伦多大学机器人研究所联合创建的 FoMo 数据集，目的是研究机器人在季节性积雪变化环境中的导航能力。该数据集的意义在于填补了机器人在极端季节变化（如积雪深度变化）下的导航研究空白，为开发更可靠的机器人导航系统提供了宝贵的数据支持。

填补覆盖空白，小型机器人让智能清洁再“净”一步！尽管不同商用场景的大多区域都十分相似，但非标准化的场景属性无法避免的导致了不少corner case。面对狭窄场景，“强悍”的商用清洁机器人迎来了自己的“职业危机”。

性能升级，INDEMIND机器人AI Kit助力产业再蜕变随着机器人进入到越来越多的生产生活场景中，作业任务和环境变得更加复杂，机器人需要更精准、更稳定、更智能、更灵敏的自主导航能力。

我是有底线的