北京大学计算机学院三年级硕士生，获得国家奖学金和三好学生，师从卢宗青副教授——智在无界(BeingBeyond)创始人，研究方向包括具身智能、强化学习、视觉预训练、多模态、智能体，在IROS，NeurIPS，ICLR，ICML，ECCV，CVPR等顶会发表多篇论文，担任NeurIPS，ICLR，ICML，CVPR等顶会审稿人。，为大家着重分享他们团队的工作。：3D视觉工坊很荣幸再次邀请到了北京大学

细分方向众多，包括但不限于：工业3D视觉、三维重建、自动驾驶、具身智能、大模型、扩散模型等科技前沿方向，也涉及视觉竞赛、硬件选型、视觉产品落地经验分享、学术&求职交流等。探讨科研工作难题、交流最新领域进展、分享3D视觉最新顶会论文&代码资料、分享视频(讲解3D视觉重要知识点)、发布高质量的求职就业信息、承接项目。3D视觉包含立体视觉、结构光和TOF，以立体视觉为主。目前已有6400+活跃成员，主要

本科毕业于武汉大学，先后赴香港大学、帝国理工学院、纽约州立大学布法罗分校和香港中文大学（深圳）交流学习。博士期间，他与腾讯 ARC Lab、哈佛大学 Visual Computing Group、新加坡国立大学 Show Lab 等科研机构合作开展了多项研究。其研究方向涵盖多模态大模型、视频理解和城市计算，重点聚焦于构建主动式的多模态视频理解系统，相关成果发表于 NeurIPS、CVPR、ACM

北京大学计算机学院三年级硕士生，获得国家奖学金和三好学生，师从卢宗青副教授——智在无界(BeingBeyond)创始人，研究方向包括具身智能、强化学习、视觉预训练、多模态、智能体，在IROS，NeurIPS，ICLR，ICML，ECCV，CVPR等顶会发表多篇论文，担任NeurIPS，ICLR，ICML，CVPR等顶会审稿人。，为大家着重分享他们团队的工作。：3D视觉工坊很荣幸再次邀请到了北京大学

X-VLA是一种高扩展、简洁的通用视觉-语言-动作（VLA）模型，它通过为每个机器人平台引入实体特定的可学习软提示（Soft Prompts）来有效解决跨实体、异构机器人数据的学习难题。X-VLA是首个实现120min无辅助自主叠衣任务的全开源模型（公开数据、代码与参数），以仅0.9B的参数量在五大权威仿真基准上全面刷新性能纪录，同时，基于X-VLA的解决方案在IROS-AGIBOT World

这几年，自动驾驶的技术流派可谓“神仙打架”：从早期的一体化端到端，到火遍全网的 VLA，再到如今炙手可热的世界模型（World Model），几乎每一家做自动驾驶的公司，都在强调自己那条“独一份”的技术路线。遗憾的是，目前大多数自动驾驶综述在梳理技术路线时，往往把端到端和 VLA 当成两条平行、割裂的路线来讲，很少从统一视角去对比分析。再把 MPC 的可行性反馈给 LLM，形成闭环。图1 端到端自

ScanBot-X1依托多模态传感器融合算法，胜任各类室内外复杂场景，在写字楼、停车场、工业园区、各类隧道、森林、矿场等工作环境下，均能够精准完成三维场景地图构建，可广泛用于地理信息数据采集，林业资产管理、施工测量管理、古建筑数字化保护等作业领域，性能参数如表9所示。重建效果如图5~16所示。：Fast-LIO2、Fast-LIVO、Fast-LIVO、Point-LIO可以设备直接运行实时采集，

传统方法通常依赖大量正常样本进行训练，而在实际生产中，异常样本稀少甚至不存在，能否仅凭少量正常样本就实现精准的异常检测，成为了一项重要挑战。更遗憾的是，传统的多类别提示学习方法（如CoOp）在异常检测任务上表现不佳，因为它们缺乏负样本（异常样本）的对比信息。这样，哪怕没有真实异常图像，模型也能通过这些“虚拟异常描述”来建立对比关系，从而学会区分正常和异常。在手工后缀之外，再增加一组可学习的“异常符

清华大学本、硕，主要研究方向为强化学习、多智能体系统，在NeurIPS，CoRL，RA-L等会议及期刊上发表多篇论文。清华大学在读博士，主要研究方向为强化学习、无人机，在TMech，RA-L等期刊上发表多篇论文。NeurIPS'25 & CoRL'25｜无人机也能打排球吗？，为大家着重分享他们团队的工作。如果您有相关工作需要分享，欢迎文末联系我们。，为大家着重分享他们团队的工作。：3D视觉工坊很荣

如果 Polar-CoT 表示“目标不见了”或“我不确定”，TIM 就会“关上大门”，保持之前的记忆不变，防止被环境中的干扰信息“污染”。的作用就是，不再像以前的方法那样傻傻地去预测目标在图像中的矩形框位置，而是在机器人的自我中心视角下，通过“思考”来推断出目标的相对方位（角度和距离）。我们知道，让机器人像人一样在复杂的环境里持续跟住一个移动目标，其实非常困难，尤其是在目标被遮挡或者周围有长得很像