总理在政府工作报告中提到具身智能，so！这是个什么玩意？竟也能帮我发高分顶会

3月5日，李强总理在政府工作报告时提到，“将建立未来产业投入增长机制，培育生物制造、量子科技、具身智能、6G等未来产业”。在未来具身智能势必会有爆发式的发展。从学术研究的角度来看，具身智能已成为各大顶会的热门议题。以CVPR 2025为例，具身智能成功跻身热门研究领域前三，充分展现了其重要性。

那么总理提到的具身智能是个什么呢？

目前，具身智能的研究主要集中在四个核心方向：具身感知、具身互动、具身智能体以及虚拟到现实的迁移。这些方向不仅是学术前沿，也为研究者提供了丰富的创新空间。如果你想在顶会上脱颖而出，建议从这四个角度切入研究。

为了助力大家的研究，我精心整理了20篇最新具身智能顶会开源论文，涵盖CVPR、ECCV、ICML等顶级会议。此外，我还准备了40多个经典具身智能数据集，以及一个规模高达三百万的具身大规模数据集，帮助解决数据成本高、数据不足的难题。无论是入门还是深入研究，这些资源都将为你提供强有力的支持。

一、Infer Human’s Intentions Before Following Natural Language Instructions

方法

FISER框架通过将人类的意图作为显式的推理步骤来解决歧义问题。具体来说，框架分为两个阶段：社交推理和身体化推理。

在社交推理阶段，模型需要根据当前状态和人类历史行为的观察来消除自然语言指令的歧义；而在身体化推理阶段，机器人则根据已经明确的任务进行规划和执行。

创新点

1. **显式意图推理：**文章的创新之处在于明确地将人类的意图作为推理过程中的一个中间步骤，而不是试图直接从指令中推断出行动计划。

2. **社交推理与身体化推理的分离：**FISER框架将问题分解为两个部分，分别对应社交和身体化推理，这种分离有助于更有效地处理复杂的任务。

3. **人类计划识别阶段：**文章进一步提出了一个可选的增强阶段，即通过使用一组逻辑谓词来帮助推断人类的总体计划。

在实验验证方面，作者们实现了基于Transformer的模型，并在一个具有挑战性的基准测试HandMeThat上进行了评估。实验结果表明，使用社交推理显式推断人类意图的方法，比纯粹的端到端方法有更好的性能。

二、Revisit Anything: Visual Place Recognition via Image Segment Retrieval

方法

文章首先使用开放集图像分割技术将图像分解为有意义的实体（即“事物”和“材料”），从而创建了一种新的图像表示方法——SuperSegment。

这种方法通过连接图像中的片段及其邻近片段来形成多个重叠的子图。接着，为了有效地将这些SuperSegment编码成紧凑的向量表示，文章提出了一种新颖的因子化特征聚合方法。

创新点

1. **SuperSegment表示法：**文章提出了一种基于片段及其邻域的新图像表示方法，称为SuperSegment。这种方法通过Delaunay三角剖分构建图像片段的图，并使用邻接矩阵来扩展每个片段的上下文，从而生成多个重叠的SuperSegment。

2. **因子化特征聚合：**文章提出了一种新的因子化特征聚合方法，该方法可以有效地处理片段级别的信息以及片段邻域信息，以生成SuperSegment描述符。

3. **基于相似性的加权排名方法：**文章提出了一种将基于片段级别的检索转换为图像级别检索的相似性加权排名方法。

文章通过在多个具有挑战性的数据集上进行实验，证明了所提出的基于片段的检索方法能够在大视角变化下实现位置识别，而基于全局描述符的检索方法在这种情况下表现不佳。SegVLAD在多个基准数据集上达到了新的最高标准。

三、HARMONIC: Cognitive and Control Collaboration in Human-Robotic Teams

方法

文章中提出的HARMONIC架构在两个层面上运作：战略认知层面和战术控制层面。

战略层面负责需要推理的操作，而战术层面则负责基于技能的、自动的、反射性的操作。这种双控制层面的方法允许机器人在实时调整优先级和动作的同时，处理计算延迟、意外情况、安全问题和资源优化。

创新点

1. **元认知和自然语言沟通：**机器人不仅能够理解团队任务和组织结构，还能使用自然语言与人类队友沟通，提供动作和决策的解释，从而增强了透明度和可解释性。

2. **认知策略：**机器人能够推理计划、目标和态度，并能够解释自己和他人的行为原因。

3. **分布式HARMONIC架构：**该架构灵活地整合了认知和机器人控制执行能力，允许机器人在战略和战术层面上进行并行操作。

文章通过模拟实验验证了所提出方法的有效性，实验涉及一个由地面无人车（UGV）、无人机和人类队员组成的异构机器人团队执行联合搜索任务。模拟环境展示了人-机器人团队如何处理复杂场景、不同能力机器人之间的有效动作协调，以及自然人-机器人通信。

工粽浩：AI前沿速递