机器人 / SLAM / 控制 / AI Coding 技术深度简报｜2026-08-04

摘要

arXiv Robotics 在 2026 年 8 月 3 日公开了 36 条新记录。由于周末批次合并，本期入选论文的 v1 多在 7 月 30—31 日提交，但它们是在过去 24 小时内进入最新公开列表。今天没有发现一篇同时满足“未重复、信息完整、工程价值足够高”的新通用视觉 SLAM、LiDAR-inertial SLAM、回环检测或地图压缩论文，因此不以低质量条目凑数。

本期重点转向与定位导航直接相邻的三条主线：一是无预设参考路径的多同伦安全走廊与可扩展多无人机预测安全过滤；二是用纯几何方法估计 LiDAR 动态场景流，为动态环境 LIO/SLAM 提供运动分割基础；三是 VLA 安全从最终动作后处理，进一步深入到 Flow Matching 生成过程、时序一致性监测和世界模型 critic。AI Coding 侧最值得注意的结论是：测试通过并不等于验证了缺陷，Agent 必须显式构造“补丁前失败、补丁后通过”的对照证据。

1. 无预设参考路径的多同伦安全走廊：先搜索可行区域，再让轨迹优化器选路线

公开时间：2026-08-03 最新批次；论文 v1 提交于 2026-07-31。

《Homotopy-Aware Corridor Generation without Predefined Reference Paths》不再先求一条离散路径、再沿路径膨胀安全走廊，而是直接在 Graphs of Convex Sets（GCS）上搜索由凸集序列组成的走廊。它把路径层面的 Visibility Deformation / Uniform Visibility Deformation 扩展到凸集序列，用来合并拓扑等价的冗余走廊，同时保留真正不同的绕行类别。

系统采用双层 GCS：细粒度采样图负责局部地图变化后的增量修补，粗粒度可见性图负责全局拓扑探索。作者还公开了代码与视频，并在地面机器人和四旋翼上验证了未知或平移障碍物出现后的局部更新。

为什么重要

传统“搜索路径—膨胀走廊—轨迹优化”会把前端路径的局部锯齿、错误绕行和单一同伦类别传给后端。即使后端优化器很强，也只能在一个先天受限的走廊内调整。该工作把“绕左、绕右、穿窄门、走开阔区域”等拓扑选择提升到区域级表示，更适合非凸空间中的轨迹优化和多候选规划。

算法模块

  • 以无碰撞凸集及其交集关系构建 GCS；
  • 细粒度 F-GCS 表示局部自由空间，粗粒度 C-GCS 压缩全局连接；
  • 直接搜索凸集序列，而不是先生成离散参考路径；
  • 以走廊级可见性变形判定拓扑等价并去除冗余候选；
  • 地图局部变化时只删除并重建受影响区域；
  • 在保留多个同伦候选后，再运行轨迹优化并比较时间、平滑度或控制代价。

传感器假设与实时性

算法本身接收的是已膨胀机器人 footprint 的障碍物地图，因此不限定相机或 LiDAR，但依赖上游定位和局部地图能够及时给出可靠障碍边界。论文展示了在线局部更新和实体机器人结果，但没有把完整感知、定位、图维护和轨迹优化链路统一成一个固定频率指标。工程上应将全局多同伦搜索低频运行，将细图更新和当前走廊修补高频运行。

鲁棒性、可复现性与风险

代码已经公开，可复现性在本期规划论文中最好。主要风险是三维环境中凸集数量随分辨率快速增长；地图噪声可能反复创建和删除细图节点；走廊几何安全不等于轨迹动力学可行；对高速无人机还需要加入速度、加速度、jerk、视场和制动距离约束。

适合谁关注

适合无人机狭窄空间规划、非圆形移动机器人、机械臂多同伦运动规划，以及希望把 A*/RRT 路径膨胀升级成区域级规划的团队。

工程落地启发

对 MID360 无人机可以采用“ESDF/占用地图 → 多尺度 GCS → 2–4 条拓扑不同走廊 → MINCO/MPC/MPPI 轨迹优化”的结构。全局层不必每帧刷新；只有当前走廊被新障碍切断时，才在受影响局部细图上修补，并保留一个不同同伦类别作为快速备选。

2. MROPE：把密集障碍压缩成安全椭圆，让多无人机预测安全过滤保持固定规模

公开时间：2026-08-03 最新批次；论文 v1 提交于 2026-07-31。

MROPE 面向无人机群在密集环境中协同跟踪移动目标。它将任务层与安全层分开：高层使用分布式聚合优化维持编队和目标跟踪；各无人机通过去中心化一致性计算自己的安全区域；局部 Predictive Safety Filter 再将期望控制投影为满足碰撞约束的安全控制。

关键工程设计是“椭圆约束压缩”：不把每块障碍和每个邻居都作为独立约束加入 MPC，而是把局部复杂障碍几何压缩为每架无人机一个安全包围椭圆，从而使局部优化问题的维度基本不随障碍数量增长。

为什么重要

多机器人 MPC 的真正瓶颈常常不是预测模型，而是约束数量。集中式求解器同时处理所有机器人、所有障碍和整个时域后，计算量会迅速失控。MROPE 表明，先用几何压缩形成可用但保守的安全区域，再让每个机器人求固定维度的小问题，是比单纯换更快求解器更有效的扩展路线。

算法模块

  • 分布式聚合优化：计算群体目标跟踪与协同参考；
  • 去中心化一致性：交换邻居信息并形成局部安全区域；
  • 椭圆约束压缩：以少量参数近似复杂障碍集合；
  • 局部 PSF/MPC：对名义控制进行有限时域安全修正；
  • ROS 2 独立节点和网络话题模拟去中心化执行。

实时性

安全过滤器以 7 Hz 运行；实体实验中平均求解约 6 ms，最坏约 11.6 ms。蒙特卡洛实验中，8 架无人机的集中式基线接近 400 ms，超过 7 Hz 对应的约 142 ms 截止时间；分布式方案在 8 架时仍低于 40 ms。实体平台为 4 架 Crazyflie 2.1、TurtleBot 3 目标和 Vicon 100 Hz 状态测量。

鲁棒性与风险

论文在仿真和真实群飞中验证了避碰，但实体系统依赖外部 Vicon，优化也不在微型无人机机载端执行。椭圆压缩会牺牲自由空间，狭窄通道中可能导致无解；邻居未来轨迹只被局部近似，目标速度升高后成功率下降。论文也明确把递归可行性的完整理论证明留作后续工作。

适合谁关注

适合多无人机编队、分布式 MPC、多机器人巡检，以及正在遇到“约束数量比动力学计算更贵”问题的团队。

工程落地启发

工程上可把每个邻居未来占用、静态障碍簇和通信延迟统一压缩为少量椭圆或椭球约束；局部安全过滤只修改上层规划器输出，不负责产生任务目标。对于无 Vicon 环境，应把相对定位协方差写进椭圆膨胀量，并在通信超时后按时间继续扩大安全区域。

3. CorrelationFlow：不用训练网络，以连通域和相关峰估计 LiDAR 动态场景流

公开时间：2026-08-03 最新批次；论文 v1 提交于 2026-07-31。

CorrelationFlow 反向质疑当前 LiDAR scene flow 的主流路线：多数方法使用相似的前馈架构和自监督损失，因此在远距离稀疏点、快速物体和跨传感器域变化下会共同失效。该方法完全不训练网络，把场景流简化为两个经典步骤：在鸟瞰占用图上做时空连通域分割，再通过相关最大值寻找每个簇的位移峰，并把速度传播给簇内点。

作者给出两个版本：稠密版利用多帧历史，对每个簇枚举候选位移；稀疏版只用一对扫描，在边界关键点上匹配轻量占用描述子。它在跨五个数据集、异构传感器和平台的 Argoverse 2 2026 Scene Flow Challenge 多域测试中位列无监督方法第二，并在远距离退化得更平缓。

为什么重要

对动态环境 LIO/SLAM，最有价值的不一定是每个点的高精度三维流，而是可靠识别“哪些结构不应写入静态地图或参与 scan matching”。训练无关的几何方法不依赖某个城市、车辆类别或 LiDAR 型号的数据分布，可作为学习式检测器失效时的第二条证据链。

算法模块

  • 多帧或双帧点云投影到 BEV 占用图；
  • 时空连通域形成候选运动对象；
  • 稠密相关搜索恢复簇级平移；
  • 稀疏边界关键点和局部占用描述子降低计算；
  • 将簇级位移和速度回填到原始点；
  • 可在 LIO 前端生成动态 mask、速度置信度和短时占用预测。

传感器假设与实时性

方法假设相邻 LiDAR 帧间物体旋转可忽略；论文以 10 Hz 点云说明，即使物体以 30°/s 偏航，相邻帧也约旋转 3°。这一假设对车辆和平移占主导的目标较合理，但对快速旋转机械臂、近距离行人肢体和剧烈自运动不一定成立。论文没有给出可直接对标嵌入式平台的完整端到端帧率，稠密版本还需要历史窗口和位移枚举。

鲁棒性、可复现性与风险

优势是无训练、跨域和长距离稳定；风险是连通域会把邻近物体粘连，地面残差和自车位姿误差会制造虚假运动，旋转运动难以由单一平移峰表达。当前 arXiv 页面未给出公开代码，因此短期复现需要自行实现 BEV 栅格、连通域和相关搜索。

适合谁关注

适合动态环境 LiDAR SLAM、自动驾驶/矿区车辆、机器人局部动态避障，以及希望减少数据集和模型部署依赖的团队。

工程落地启发

不要直接让 scene flow 替代 LIO，而应把它作为点级/簇级动态置信度：高速一致运动簇从地图更新中剔除；低置信度簇降低残差权重；静止一段时间后再允许写入长期地图。还应先用当前 LIO 位姿补偿自车运动，否则相关峰会把里程计误差当成物体速度。

4. Barrier Enhanced Flow Matching：把 CBF 直接写进 VLA 动作生成过程

公开时间：2026-08-03 最新批次；论文 v1 提交于 2026-07-31。

《Safe Vision Language Action Models via Barrier Enhanced Flow Matching》将 Control Barrier Function（CBF）与 Flow Matching 策略结合。它不是等模型生成完整 action chunk 后再由外部 QP 修正，而是在 Flow Matching 的生成/去噪过程中修改向量场，使采样轨迹逐步远离不安全区域。

论文使用平滑 Log-Sum-Exp 聚合 barrier，对整个 action chunk 而不是单个末端动作施加安全约束；作者还给出生成分布与目标分布之间 2-Wasserstein 距离有界的分析，并在两个操作平台和二维导航基准上验证安全性，同时报告成功率没有下降。

为什么重要

VLA 一次输出多步动作时，最终状态安全并不能保证中间每一步安全。传统后置安全层如果只修正首个动作，后续 chunk 仍可能穿过障碍；如果逐点投影，又容易破坏动作的时序连贯和语义意图。把 barrier 融入生成流，理论上可以让整段动作从源头落在安全流形附近。

算法模块

  • Flow Matching/VLA 输出动作分布；
  • 根据机器人状态和环境构造 CBF；
  • 用 Log-Sum-Exp 将多个时刻、多个障碍的 barrier 平滑聚合；
  • 在生成向量场内加入最小安全修正；
  • 保持原始策略参数冻结，无需安全专用数据重新训练；
  • 对最终 action chunk 再进行执行级边界检查。

传感器与模型假设

系统需要可计算 barrier 的状态：例如机械臂关节、末端位姿、障碍距离，或移动机器人位置和局部地图。若只输入 RGB 而没有可信几何/状态估计，CBF 无法凭空提供形式化安全。其保证也依赖动力学模型、障碍状态和控制执行误差在设计假设内。

实时性、鲁棒性与风险

作者称额外计算开销较小，但摘要和公开页面没有给出统一硬件上的毫秒级开销。风险在于多个障碍和长 action chunk 会使 barrier 梯度竞争；模型误差和延迟可能让理论安全集与真实系统错位；Log-Sum-Exp 近似可能掩盖最危险的单点约束。

适合谁关注

适合已经使用 diffusion/flow-matching policy、π0 类 VLA 或 SmolVLA，并希望加入可解释安全约束的机器人团队。

工程落地启发

实际部署不应只依赖“生成内安全”。更稳妥的三层结构是：生成过程中使用 barrier 调整整段动作；action chunk 输出后运行高精度碰撞与动力学检查；执行层继续保留独立 CBF-QP、速度限制和急停。三层使用不同信息源，避免共同失效。

5. WCM：critic 不只回归回报，还要学习未来世界状态

公开时间：2026-08-03 最新批次；论文 v1 提交于 2026-07-31。

WCM（World Critic Model）针对 VLA 强化学习中的部分可观测问题。常规 critic 多从单帧图像或单帧 VLM latent 预测一个标量价值；简单堆叠多帧既昂贵，又只有稀疏回报监督，未必能学到跨时间动力学。WCM 使用轻量 LeJEPA 架构，同时预测未来 latent 和价值，让 critic 的内部表示被迫编码场景变化和动作后果。

它兼容 on-policy、off-policy 流程以及 π0、π0.5、OpenVLA-OFT。论文覆盖 4 个基准、149 个任务，并在 WidowX-250S 上完成 7 类真实操作任务。公开资源包括代码、项目页和 Hugging Face 权重集合。

为什么重要

VLA 后训练正在从“策略是否会模仿”转向“critic 是否真的理解当前任务进度和失败趋势”。如果 critic 只看单帧，它可能无法区分“刚刚成功抓住”“正在滑落”“动作已经不可恢复”等视觉相近但价值完全不同的状态。加入世界预测目标，相当于为价值学习提供更密集的时序监督。

算法模块

  • 历史视觉/状态 latent 编码；
  • LeJEPA 式未来 latent 预测；
  • 价值头估计未来回报；
  • 将 critic 接入 AWR、RECAP 等 off-policy RL 或 on-policy 流程；
  • 以世界预测损失和价值损失联合训练；
  • 用 critic 对策略 rollout 排序、加权或更新。

实时性与数据效率

WCM 约有 1.072 亿可学习参数，明显小于主 VLA，但仍不是微控制器级模块。真实实验每个任务使用 100 条 SFT 轨迹，进行 8 轮 RL、每轮 50 次 rollout；作者称在数百到数千轨迹规模、少于一小时训练内完成迭代。真实任务中，WCM 相对基线在布料折叠、长时清洁、移动目标抓取等任务上均有提升。

鲁棒性与风险

世界预测能改善 OOD 价值判别，但 critic 仍可能在新机器人、新相机或新奖励定义上失配。价值错误会系统性放大到策略更新；真实机器人 RL 还涉及碰撞、设备磨损和奖励投机。论文按任务分别训练真实 critic，尚不能视为一个即插即用的跨任务通用价值模型。

适合谁关注

适合做 VLA 强化学习后训练、真实机器人离线/在线 RL、长时序操作和 critic 诊断的团队。

工程落地启发

第一步不必直接在线更新策略。可以先冻结 VLA，用 WCM 对已有成功/失败轨迹做价值曲线诊断：检查价值是否在错误接触、停滞和碰撞前下降；确认 critic 有可解释区分能力后，再把它用于离线重加权或保守 off-policy 更新。

6. ActFovea：用视觉—动作时序一致性给冻结 VLA 加运行时安全壳

公开时间：2026-08-03 最新批次；论文 v1 提交于 2026-07-31。

ActFovea 是一个无需重训、无需修改底层 VLA 的运行时保护层。它利用运动学、本体状态和最近动作构造 action-conditioned foveated regions，只保留接触相关区域和预测运动走廊；随后检查视觉运动、观测新鲜度、几何变化、本体状态和动作转移是否一致。

遇到可恢复干扰时，系统构造针对该干扰的候选观测，并在接受前验证新 action chunk；如果观测冻结或被重放、无法可靠恢复，则进入有界安全失败流程。基于 π0 和 LIBERO 的闭环实验中，局部视觉覆盖干扰下成功率由 49.3% 提升到 90.3%；动作漂移和视觉延迟下分别提升 7.0 和 9.8 个百分点；冻结画面重放试验全部触发及时安全失败。

为什么重要

真实机器人最危险的 VLA 故障往往不是模型完全不会任务，而是摄像头延迟、旧帧重放、局部遮挡、动作执行偏差导致“看到的世界、机器人实际状态和正在执行的 chunk”失去同步。ActFovea 把这一问题从泛化能力转成可监测的一致性问题，且不要求重新训练大模型。

算法模块

  • 根据运动学和最近 action chunk 预测运动走廊；
  • 构造与动作相关的局部视觉关注区域；
  • 检查视觉光流/变化、本体状态和动作转移一致性；
  • 针对覆盖、延迟、漂移生成候选恢复观测；
  • 对恢复后 action chunk 做二次验证；
  • 不可信时触发停止、撤回或重新观测。

实时性与可复现性

论文未给出统一毫秒级开销，但代码已经公开，仓库包含 LIBERO 评测和环境说明。其公开配置面向 Ubuntu 22.04、Python 3.11、NVIDIA GPU，并建议至少约 12 GiB 显存；这说明它当前更适合桌面 GPU 或 Jetson 高端平台，而非轻量端侧控制器。

鲁棒性与风险

ActFovea 能检测时序不一致，但不能证明动作在几何和动力学上安全；若视觉、本体状态和动作同时被一致地污染，它可能无法发现。foveated region 也可能漏掉周边突然进入的障碍，因此仍需独立全局碰撞感知。

适合谁关注

适合已经部署 π0/OpenVLA 类策略、无法重新训练基础模型，但希望快速补充延迟、遮挡和旧帧防护的团队。

工程落地启发

可将其作为 VLA supervisor，而不是修改主策略：相机帧必须带硬件时间戳和单调序号；执行器回报与 action chunk 建立对应 ID；任何旧帧、状态超时或视觉—运动不一致都截断剩余 chunk；恢复动作必须重新过碰撞检查和底层控制器限幅。

7. AI Coding：测试通过不等于验证了缺陷，Agent 需要“补丁前失败、补丁后通过”的证据

公开时间：2026-08-03 软件工程最新批次；论文 v1 提交于 2026-07-30。

《Validation Evidence in LLM Repair Agents》研究 Coding Agent 最常用却最容易被误解的信号：测试通过。作者提出 BSG-VA，在每次验证命令执行时保存准确 worktree 状态，提取仅与测试有关的补丁，并把同一命令分别重放到原始缺陷版本 B、Agent 候选版本 S 和开发者金标准版本 G。

在 110 个任务、643 次 rollout、3730 个验证事件中，46.0% 的可比较正向事件并不具备区分缺陷的能力；23.8% 的基线 rollout 最终关闭任务时，全部正向证据都无法证明测试覆盖了所报告的 bug。把“该测试在原始缺陷版本上是否失败”的结果反馈给 Agent，相比只提醒其注意验证，可将证据不足的关闭率降低 7.8 个百分点，并把缺陷区分证据提高 7.4 个百分点，但作者也谨慎指出，实际效应大小仍有不确定性。

为什么重要

Agent 很容易运行已有回归测试、看到绿色结果后宣布修复完成，但这些测试可能在修改前就一直通过。对真实研发流程而言，“通过了多少测试”远不如“是否存在能区分补丁前后行为的测试”重要。

工程价值

该方法不要求训练新模型，而是改造 Agent harness 和 CI 证据模型：

  • 每个验证命令绑定精确 commit/worktree；
  • 保存测试新增部分与产品代码修改部分；
  • 在原始缺陷状态上重放测试，确认它确实失败；
  • 在候选补丁和金标准/预期行为上比较；
  • 把测试证据分为 bug-discriminating、仅回归、无关或误导；
  • 没有区分性证据时，不允许 Agent 自动关闭 Issue 或合并 PR。

是否适合接入真实研发流程

非常适合，尤其适合 Codex、Claude Code、Copilot coding agent 和自建多 Agent 修复流水线。它应在隔离 worktree 或容器中运行，缓存依赖并限制网络，以免重放成本过高。对无法稳定重放的端到端测试，可以退化为保存输入、输出、环境镜像和失败签名，而不是简单跳过对照。

风险

部分 bug 依赖时间、外部服务、硬件或并发条件，无法可靠重放；金标准补丁在真实项目中通常不存在；重复运行可能成本较高。更现实的部署目标是强制 B/S 对照，而不是要求每次都具备 G。

经典论文回顾

iSAM2：用 Bayes Tree 奠定现代增量因子图后端

发表时间与历史位置：论文于 2011 年先在 ICRA 体系公开，完整期刊版发表于 2012 年 2 月《International Journal of Robotics Research》31(2)，第 216–235 页。它处在图优化 SLAM 从“周期性全量重算”走向“每次新测量都增量平滑”的关键节点。

解决的核心问题

在线 SLAM 不断加入里程计、视觉、LiDAR、IMU 和回环因子。早期增量方法虽然能更新线性系统，但非线性问题仍需要定期全量重线性化和变量重排序，回环出现时延迟容易突然升高。iSAM2 试图只重新计算真正受到新因子影响的局部结构，同时保持接近批量平滑的精度。

关键数学思想与算法模块

  • 将因子图通过稀疏消元转换成 Bayes Net；
  • 再把条件概率的团结构组织为有向 Bayes Tree；
  • 新因子只影响从相关变量所在 clique 到根的一部分子树；
  • 删除受影响 clique、局部重新消元，再接回未受影响子树；
  • 使用 fluid relinearization，只对偏离线性化点足够大的变量重线性化；
  • 使用增量变量重排序，控制 fill-in 和长期计算增长；
  • 通过 update() 连续加入新变量与新因子，随时计算当前平滑估计。

传感器与模型假设

iSAM2 与具体传感器无关，但要求测量能写成可微因子，并在当前线性化点附近用局部高斯近似。错误数据关联、强非高斯噪声和灾难性回环并不会被 Bayes Tree 自动解决，仍需要鲁棒核、开关约束、GNC、语义验证或前端几何检查。

当年为什么重要

它第一次把稀疏矩阵因子分解的变化直观映射到概率图上的局部树编辑，使增量非线性优化不再依赖周期性 batch step。现代视觉惯性、LiDAR 惯性、多机器人和后端回环系统大量使用的“只更新受影响部分”思想，都可追溯到这一结构。

今天仍然有效的思想

  • 因子图统一表达异步多传感器约束；
  • 回环只触发受影响 clique 的局部重算；
  • 变量排序与算法本身同样决定实时性；
  • 重线性化应由状态变化触发，而不是每次全量执行；
  • 后端可以持续平滑，而前端保持高频里程计输出；
  • IMU 预积分、GPS/RTK、轮速、视觉和 LiDAR 因子可在同一图中组合。

已经被后续方法替代或扩展的部分

固定高斯和正确关联假设已被 switchable constraints、DCS、GNC、riSAM 等鲁棒方法扩展；超长任务常采用 fixed-lag smoother、子图边缘化或分层地图，而不是无限增长的全局树；多机器人系统需要分布式或通信受限优化；大规模离线重建有时更适合并行/GPU batch 优化。iSAM2 仍是强基线，但不是所有场景的最终答案。

公开代码、数据与可复现性

iSAM2 已集成在 BSD 许可证的 GTSAM 中，提供 C++、Python 和 MATLAB 接口。当前稳定文档线为 GTSAM 4.2。复现并不难，但工程性能高度依赖变量排序、relinearizeThreshold、relinearizeSkip、因子噪声、边缘化策略和回环验证质量。

对当前工程项目的重新解读

对多 LiDAR、远置 IMU、轮速、RTK 和反光标志融合系统，iSAM2 的价值不只是“加入更多因子”，而是明确管理哪些变量会被新观测影响。高频 LIO 可在局部窗口内运行，低频 RTK、反光板和回环作为全局因子进入图；外参、时间偏移等慢变量应设置不同的重线性化和可观测性策略，避免一次异常全局因子引发大范围错误重算。

今日结论

今天没有值得硬凑的全新通用 SLAM 前端，但导航与控制栈出现了三项很有工程意义的变化。第一，规划器开始从“单一路径膨胀”升级到区域级多同伦搜索；第二，多机器人安全控制通过约束压缩和局部固定维度优化解决扩展性；第三，LiDAR 动态感知重新证明经典几何在跨域和远距离条件下仍有价值。

VLA 安全也正在形成分层结构：Barrier Enhanced Flow Matching负责生成过程中的约束，ActFovea负责运行时视觉—动作一致性，WCM负责后训练阶段的时序价值判断。三者解决的问题不同，不能互相替代。真实机器人仍应保留独立状态估计、碰撞检测、速度/力矩限制和急停。

AI Coding 侧最应立即落地的不是再换一个模型，而是改变“完成”的定义：只有能证明测试在补丁前失败、补丁后通过，才能作为修复证据。Agent 的每个验证动作都应绑定精确 worktree 和可回放环境。

最值得深入研究或尝试复现的方向

  1. 多同伦 GCS + 局部轨迹优化用于 MID360 无人机：复现公开的 path-free GCS，接入 ESDF 或局部占用图，输出 2–4 条拓扑不同走廊，再用 MINCO、MPC 或 MPPI 比较速度、扰动风险和最小净空。
  2. CorrelationFlow 动态 mask 接入 LIO：先做自车运动补偿，再用 BEV 连通域和相关峰生成动态簇；比较“硬剔除、鲁棒降权、延迟写图”三种策略对长走廊、车辆和行人场景的地图稳定性。
  3. VLA 三层安全壳：冻结主 VLA，组合 ActFovea 时序一致性、Flow Matching 内部 barrier 和底层独立 CBF/限速器；重点测试旧帧重放、相机延迟、动作漂移和近障接触，而不是只测干净任务成功率。

参考资料

  1. Homotopy-Aware Corridor Generation without Predefined Reference Paths
    • 论文：https://arxiv.org/abs/2607.29513
    • 代码与视频：https://github.com/HauserDong/path-free-gcs-corridors
  2. MROPE
    • 论文：https://arxiv.org/abs/2607.29203
  3. CorrelationFlow
    • 论文：https://arxiv.org/abs/2607.29237
  4. Safe Vision Language Action Models via Barrier Enhanced Flow Matching
    • 论文：https://arxiv.org/abs/2607.29569
  5. WCM
    • 论文：https://arxiv.org/abs/2607.29613
    • 代码：https://github.com/sylvestf/WCM
    • 项目页：https://sylvestf.github.io/wcm-homepage/
    • 权重：https://huggingface.co/collections/Sylvest/wcm
  6. ActFovea
    • 论文：https://arxiv.org/abs/2607.29169
    • 代码：https://github.com/SunnyYWD/ActFovea
  7. Validation Evidence in LLM Repair Agents
    • 论文：https://arxiv.org/abs/2607.28871
  8. iSAM2
    • 作者论文页：https://www.cs.cmu.edu/~kaess/pub/Kaess12ijrr.html
    • DOI：https://doi.org/10.1177/0278364911430419
  9. GTSAM
    • 文档：https://gtsam.org/docs/
    • 代码：https://github.com/borglab/gtsam
  10. arXiv Robotics 最新公开列表
    • https://arxiv.org/list/cs.RO/recent