近日，兩大頂級學(xué)術(shù)會議錄用結(jié)果相繼揭曉，地平線憑借在機器人算法領(lǐng)域的深度鉆研，共有5篇論文從全球數(shù)萬份投稿中脫穎而出，分別入選NeurIPS 2025與AAAI 2026。

作為人工智能領(lǐng)域公認(rèn)的CCF A類頂會，NeurIPS與AAAI是全球算法創(chuàng)新的“風(fēng)向標(biāo)”。NeurIPS側(cè)重神經(jīng)計算與機器人自主學(xué)習(xí)，AAAI聚焦人工智能全領(lǐng)域突破，二者錄用率常年維持在25%以下，AAAI 2026最終錄用率僅17.6%，競爭強度空前。此次地平線5篇論文入選，是其技術(shù)實力的又一力證。其中，聚焦多模態(tài)融合技術(shù)的IGFuse論文更以卓越創(chuàng)新性斬獲AAAI 2026 Oral資格。

地平線此次入選的論文，均圍繞機器人在虛擬數(shù)據(jù)生成、導(dǎo)航和通用操作的核心難題展開，覆蓋可交互重建、3D生成、具身思維鏈和人類數(shù)據(jù)預(yù)訓(xùn)練等領(lǐng)域的前瞻技術(shù)，為推動具身智能的發(fā)展和應(yīng)用做出貢獻。

IGFuse

“補全”被遮擋的世界，重建可交互3D空間（入選AAAI 2026 Oral）

? 論文名稱：

IGFuse: Interactive 3D Gaussian Scene Reconstruction via Multi-Scans Fusion

? 論文鏈接：

https://arxiv.org/pdf/2508.13153

? 項目主頁：

https://whhu7.github.io/IGFuse/

在計算機視覺和機器人領(lǐng)域，如何完整、真實地重建一個可交互的三維場景，一直是一個難題。傳統(tǒng)方法往往依賴復(fù)雜的多階段流程，比如先做分割，再進行背景補全或修復(fù)，或者需要對每個物體進行密集掃描。這些方式不僅成本高、容易出錯，而且很難擴展到大規(guī)模的應(yīng)用場景。

我們提出的IGFuse提供了一種新的思路：通過多次場景掃描的融合來重建三維高斯場景。在不同掃描中，物體布局的自然移動能夠“揭示”那些在單次掃描里被遮擋的區(qū)域，從而幫助恢復(fù)完整的場景。為了保證重建的質(zhì)量，我們構(gòu)建了分割感知的高斯場，并在不同掃描之間保持光度和語義上的一致。同時，我們設(shè)計了一種偽中間場景狀態(tài)來解決多次掃描之間的對齊問題，并通過協(xié)同剪枝策略不斷優(yōu)化幾何結(jié)構(gòu)。

得益于這些設(shè)計，IGFuse可以在不依賴密集觀測和繁瑣流程的情況下，實現(xiàn)高保真的渲染和物體級別的場景交互。大量實驗驗證了它在不同場景下的泛化能力，也展示了在真實三維重建和從真實到仿真的遷移中強大的應(yīng)用潛力。

未來，該方法將作為一種融合式重建的范式持續(xù)演進，重點拓展到更加復(fù)雜和多樣的場景中，特別是面向長序列觀測下的高質(zhì)量融合重建。這不僅為真實環(huán)境中的持續(xù)感知與狀態(tài)合成提供了堅實基礎(chǔ)，也為具身智能體在長期交互和復(fù)雜任務(wù)中的應(yīng)用開辟了新的可能。

更多可閱讀：《“補全”被遮擋的世界：IGFuse利用場景變化照片重建可交互3D空間》

DIPO

雙狀態(tài)圖像可控生成活動關(guān)節(jié)3D資產(chǎn)（入選NeurIPS 2025）

? 論文題目：

DIPO: Dual-State Images Controlled Articulated Object Generation Powered by Diverse Data

? 論文鏈接：

https://arxiv.org/abs/2505.20460

?項目主頁：

https://rq-wu.github.io/projects/DIPO/

活動關(guān)節(jié)3D資產(chǎn)是具身智能仿真交互場景的核心組成部分，然而受限于其運動學(xué)關(guān)系的復(fù)雜性，高質(zhì)量可用資產(chǎn)極為稀缺。DIPO旨在借助3D生成技術(shù)，以低成本、高可控的方式獲取多樣化活動關(guān)節(jié)3D資產(chǎn)，破解這一行業(yè)痛點。

現(xiàn)有方法普遍依賴單圖像輸入，難以有效捕捉物體部件間的運動關(guān)聯(lián)，導(dǎo)致生成結(jié)果在結(jié)構(gòu)合理性與運動一致性上存在明顯短板，無法滿足復(fù)雜場景的應(yīng)用需求。為此，我們提出的DIPO方案開辟新的解決路徑：通過輸入物體“靜止?fàn)顟B(tài)圖”與“關(guān)節(jié)活動狀態(tài)圖”這一對雙態(tài)圖像，編碼關(guān)鍵運動信息。設(shè)計雙圖像擴散模型，精準(zhǔn)捕捉圖像對間的關(guān)聯(lián)特征，進而生成可靠的部件布局與關(guān)節(jié)參數(shù)。同時引入基于思維鏈 (CoT) 的圖推理器，推斷部件間的鉸鏈關(guān)系，大幅提升結(jié)構(gòu)理解的準(zhǔn)確性。為增強模型對復(fù)雜物體的泛化能力，我們構(gòu)建了自動化數(shù)據(jù)集增廣流程，并發(fā)布了大規(guī)模數(shù)據(jù)集PM-X，為模型訓(xùn)練提供充足支撐。

實驗表明，DIPO在活動關(guān)節(jié)3D資產(chǎn)生成任務(wù)中顯著超越現(xiàn)有基準(zhǔn)模型，僅需兩張圖像即可實現(xiàn)高保真、高可控的關(guān)節(jié)式3D物體生成。該方法為具身智能仿真領(lǐng)域提供了高效的鉸鏈3D物體生成解決方案，尤其適用于需精準(zhǔn)控制部件運動的核心場景。

更多可閱讀：《DIPO：應(yīng)用于具身智能仿真的3D鉸鏈物體生成新范式》

AuxThink

視覺語言導(dǎo)航任務(wù)的推理范式（入選NeurIPS 2025）

? 論文題目：

Aux-Think: Exploring Reasoning Strategies for Data-Efficient Vision-Language Navigation

? 論文鏈接：

https://arxiv.org/abs/2505.11886

?項目主頁：

https://horizonrobotics.github.io/robot_lab/aux-think/index.html

視覺語言導(dǎo)航 (VLN) 任務(wù)的核心挑戰(zhàn)，是讓機器人在復(fù)雜環(huán)境中聽懂指令、看懂世界，并果斷行動。我們系統(tǒng)性地引入推理任務(wù)，探索其在導(dǎo)航策略學(xué)習(xí)中的作用，并首次揭示了VLN中的“推理崩塌”現(xiàn)象。研究發(fā)現(xiàn)：無論是行動前推理 (Pre-Think) ，還是行動后推理 (Post-Think) ，一旦在測試階段顯式生成推理鏈，反而更容易讓機器人迷失方向。

Aux-Think提出一種更實用的路徑：在訓(xùn)練階段引入推理任務(wù)作為輔助監(jiān)督，引導(dǎo)模型習(xí)得更清晰的決策邏輯；而在測試階段，則徹底省去推理生成，直接進行動作預(yù)測。把推理用在該用的地方，模型在任務(wù)中反而更快、更準(zhǔn)、更省。Aux-Think不僅有效避免了測試階段的推理幻覺，也為“推理應(yīng)在何時、如何使用”提供了清晰答案，進一步拓展了數(shù)據(jù)高效導(dǎo)航模型的能力邊界。

Aux-Think為解決測試階段推理引發(fā)的導(dǎo)航問題提供了新的思路。通過在訓(xùn)練階段引入推理指導(dǎo)，在測試階段去除推理負(fù)擔(dān)，Aux-Think能夠讓機器人更加專注于任務(wù)執(zhí)行，從而提高其導(dǎo)航穩(wěn)定性和準(zhǔn)確性。實驗表明，Aux-Think在數(shù)據(jù)效率與導(dǎo)航表現(xiàn)方面優(yōu)于當(dāng)前領(lǐng)先方法。這一突破性進展將為機器人在實際應(yīng)用中的表現(xiàn)奠定更為堅實的基礎(chǔ)，也為具身推理策略提供了重要啟示。

更多可閱讀：《Aux-Think：為什么測試時推理反而讓機器人「誤入歧途」？》

MonoDream

視覺語言導(dǎo)航任務(wù)的想象力機制（入選AAAI 2026）

? 論文題目：

MonoDream: Monocular Vision-Language Navigation with Panoramic Dreaming

? 論文鏈接：

https://arxiv.org/abs/2508.02549

?項目主頁：

https://horizonrobotics.github.io/robot_lab/monodream/

傳統(tǒng)VLN方法普遍依賴全景RGB-D傳感器，以獲得全方位視野和幾何線索，但這種方案成本高、功耗大、系統(tǒng)復(fù)雜。相比之下，單目相機雖然普及易部署，卻長期被認(rèn)為“能力不足”。MonoDream提出了另一條路徑——不靠增強傳感器，而是激發(fā)大模型中潛藏的“時空想象力”。這一思路與認(rèn)知科學(xué)高度契合：預(yù)測編碼理論與神經(jīng)影像研究都指出，人類能憑局部視覺主動重建不可見空間，并用于規(guī)劃行動。

MonoDream通過統(tǒng)一導(dǎo)航表征 (UNR) 與隱式全景想象 (Latent Panoramic Dreaming，LPD) ，在訓(xùn)練過程中逼迫模型僅憑單目畫面推測出完整的RGB-D潛特征，形成全景結(jié)構(gòu)理解與未來路徑預(yù)測。關(guān)鍵在于，這種“想象”并不是額外生成模塊，而是直接融入導(dǎo)航?jīng)Q策邏輯，成為模型內(nèi)部的結(jié)構(gòu)認(rèn)知。進入部署階段后，MonoDream無需全景、無需深度、無需顯式重建——僅用一枚普通相機即可決策。

實驗表明，MonoDream在R2R-CE與RxR-CE中以單目取得SOTA表現(xiàn)，顯著縮小與全景方案的差距，證明單目瓶頸不在傳感器，而在想象力的缺失。MonoDream重新定義了單目能力邊界，并指出一種未來路徑：具身智能將不一定需要依賴傳感器增強，而通過內(nèi)在世界模型與想象推演也能實現(xiàn)自主決策與探索。

更多可閱讀：《MonoDream：機器人僅憑單目相機，也能通曉全景、洞悉深度和預(yù)見未來》

H-RDT

基于人類操作數(shù)據(jù)的跨本體機器人學(xué)習(xí)（入選AAAI 2026）

? 論文題目：H-RDT: Human Manipulation Enhanced Bimanual Robotic Manipulation

? 論文鏈接：

https://arxiv.org/abs/2507.23523

?項目主頁：

https://embodiedfoundation.github.io/hrdt

機器人操作領(lǐng)域的VLA模型普遍基于跨本體機器人數(shù)據(jù)集預(yù)訓(xùn)練，這類方法存在兩大局限：不同機器人本體和動作空間的差異導(dǎo)致統(tǒng)一訓(xùn)練困難；現(xiàn)有大規(guī)模機器人演示數(shù)據(jù)稀缺且質(zhì)量參差不齊。得益于近年來VR/AR頭顯和3D視覺技術(shù)的顯著進步，當(dāng)前只需極低成本即可采集大量帶有精確人手關(guān)節(jié)標(biāo)注的第一人稱人類操作視頻。

為此，我們提出基于大規(guī)模人類操作數(shù)據(jù)預(yù)訓(xùn)練的VLA模型H-RDT (Human to Robotics Diffusion Transformer) 。H-RDT是一個具有20億參數(shù)的擴散Transformer，使用流匹配來建模雙臂機器人的復(fù)雜動作分布。H-RDT采用兩階段訓(xùn)練范式：1）在大規(guī)模第一人稱人類數(shù)據(jù)上預(yù)訓(xùn)練；2）通過模塊化動作編解碼器在機器人數(shù)據(jù)上進行微調(diào)，實現(xiàn)跨本體遷移。實驗表明，H-RDT在仿真和真實場景中的多種本體上表現(xiàn)優(yōu)異，對比主流VLA模型具有明顯優(yōu)勢。

H-RDT模型的跨本體遷移能力與少樣本學(xué)習(xí)效率，為機器人在不同場景下的快速適應(yīng)與高效操作提供了可能，有望推動智能家居、工業(yè)制造、醫(yī)療護理等多領(lǐng)域的智能化應(yīng)用升級。H-RDT模型曾參加CVPR 2025 RoboTwin雙臂機器人比賽獲真機賽冠軍。

更多可閱讀：《H-RDT：基于人類操作數(shù)據(jù)的跨本體機器人學(xué)習(xí)》

關(guān)于地平線機器人實驗室

地平線機器人實驗室是地平線三大創(chuàng)新實驗室之一，聚焦具身智能基礎(chǔ)算法和框架的研發(fā)，推動通用機器人的實現(xiàn)。團隊具有Manipulation、Mobility和Real2Sim三個主要研究方向，致力于探索機器人技術(shù)的工業(yè)化落地。

團隊在CVPR、NeurIPS、IROS、AAAI等頂尖學(xué)術(shù)會議發(fā)表論文20余篇，已開源的代碼庫獲收藏超1000次。曾獲張江國際人形機器人技巧挑戰(zhàn)賽雙臂協(xié)作仿真賽第一名，CVPR2025 RoboTwin雙臂協(xié)作真機賽第一名。