关注gongzhonghao【CVPR顶会精选】
写论文最怕什么？不是熬夜改格式，也不是参考文献乱成麻，最怕的是——论文刚写一半，发现你的研究方向已经被别人“抢跑”了。尤其在具身智能这个飞速发展的领域，变化简直像坐过山车：昨天还在用静态数据集训练模型，今天就有人用真实机器人走上街头采集动态交互数据了。
具身智能的研究，起初只是想让机器人“动起来”，而如今，它正向着融合感知、推理、决策和物理交互的全栈能力狂奔，数据规模、任务多样性和跨模态技术都在飞跃式提升。跟不上节奏，论文可能还没投出去，就被新的SOTA甩在了身后。而小图今天要讲的，就是一个能帮你踩中具身智能浪潮而不被淘汰的新思路——它或许正是你下篇论文的灵感来源。
论文一：ECBench: Can Multi-modal Foundation Models Understand the Egocentric World? A Holistic Embodied Cognition Benchmark
方法：
文章通过整合虚拟场景和真实场景，收集了386个RGB-D视频，并由人工标注生成了4324个问答对，确保了数据的多样性和高质量。在评估过程中，采用多轮筛选策略去除仅依赖常识即可回答的问题，确保了评估的严谨性。此外，通过在不同类型的LVLMs上进行广泛实验，验证了ECBench在评估具身认知能力方面的有效性。
创新点：
首次将具身认知能力细分为30个维度，覆盖静态场景、动态场景与幻觉三大类，形成系统化评测框架。
创新引入机器人中心问题设计，强调模型的自我认知与环境关系理解。
提出ECEval混合评分体系，结合多级评分与二元评分，确保开放式与封闭式问题的公平精准评估。
论文链接：
https://cvpr.thecvf.com/virtual/2025/poster/33904
图灵学术论文辅导
论文2：CityWalker: Learning Embodied Urban Navigation from Web-Scale Videos
方法：
作者首先收集2000+小时多地点、多天气、多时间段的城市步行和驾驶视频，并利用视觉里程计提取相对位姿生成动作标签，经过归一化处理消除尺度与形态差异。然后，模型接收历史图像特征、历史轨迹与目标位置编码，通过Transformer生成未来动作与到达状态预测，并在训练中加入特征幻觉损失、方向损失、L1损失和到达状态损失联合优化。最后，通过少量专家数据微调，使模型在真实复杂城市环境中显著优于现有方法，并展现良好的跨域与数据扩展能力。
创新点：
提出利用网络规模的城市步行与驾驶视频，通过视觉里程计自动生成动作标签，实现低成本大规模模仿学习。
设计通用且可扩展的数据处理流程，可跨领域与跨形态迁移导航策略。
引入特征幻觉损失，在预测未来动作的同时引导模型生成更贴近未来观测的表示，提高导航精度。
论文链接：
https://cvpr.thecvf.com/virtual/2025/poster/33371
图灵学术论文辅导
论文三：Ges3ViG: Incorporating Pointing Gestures into Language-Based 3D Visual Grounding for Embodied Reference Understanding
方法：
作者首先整合并标注来自真实机器人和仿真环境的多模态数据，涵盖静态图像、视频与传感器信息，并构建多类型问答任务以全面衡量机器人视觉理解与推理能力。随后，采用多阶段训练策略，先在通用VQA数据上进行预训练以学习基础语言与视觉对齐能力，再在RoboVQA数据上微调以强化机器人相关语义与推理。最后，通过在仿真与真实机器人任务上的评测，将问答性能与实际执行效果进行对比分析，验证模型在真实场景中的适应性与实用性。
创新点：
构建涵盖机器人多场景、多模态任务的RoboVQA数据集，融合真实与仿真数据，覆盖感知、推理、规划等多类问题。
设计面向机器人的视觉语言模型训练流程，使其在理解场景语义的同时具备与机器人控制相关的推理能力。
提出跨模态任务评测方法，将VQA性能与机器人真实任务执行效果关联，确保模型具备可落地性。
论文链接：
https://cvpr.thecvf.com/virtual/2025/poster/35108
本文选自gongzhonghao【CVPR顶会精选】