arXiv cs.AI· Zerui Kang, Yishen Lim, Zhouyou Gu, Seungnyun Kim, Seung-Woo Ko, Tony Q. S. Quek, Jihong Park·· 10 天前AI 评分18
VLM 引导的电磁数字孪生在线校准演示：基于 Unitree G1 与 NVIDIA Sionna
Demo: Vision-Language Model-Guided Online Calibration of an Electromagnetic Digital Twin
AI 导读
一个由视觉语言模型（VLM）引导的电磁数字孪生在线校准框架，在 Unitree G1 机器人和 NVIDIA Sionna 上演示，通过两次 VLM 调用完成材质分类与路径点规划。在真实室内场景中，该框架在 20 米行程内实现归一化平均绝对电导率误差 1.74×10⁻⁴，随机初始化无法收敛，随机路径点则需两倍以上行程。
正文 · AI 翻译
摘要：电磁（EM）数字孪生为移动机器人提供无线态势感知，但依赖于随环境变化的材料电导率。在线校准面临初始化敏感性和测量移动成本的问题。我们展示了一个由视觉语言模型（VLM）引导的框架，使用 Unitree G1 机器人和 NVIDIA Sionna，包含两次 VLM 调用：材料分类通过 ITU-R P.2040 将可见材料映射为电导率先验，用于 Sionna 对累积接收信号强度（RSS）测量进行梯度下降；路径点规划利用残差 RSS 校准误差和图像覆盖在线选择下一个测量位置。在真实室内场景中，该框架在 20 m 移动范围内实现了 $1.74\times10^{-4}$ 的归一化平均绝对电导率误差；随机初始化永不收敛，而随机路径点需要超过两倍的移动距离。
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.07081 [cs.RO] |
| （或 arXiv:2610.07081v2 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.07081 由 DataCite 颁发的 arXiv DOI |
|
| 相关 DOI： | https://doi.org/10.1145/3842721.3850098
链接到相关资源的 DOI |
提交历史
来自：Zerui Kang [查看电子邮件]
[v1]
2026年10月5日星期一 11:15:49 UTC（1,326 KB）
[v2]
2026年10月7日星期三 05:08:16 UTC（1,326 KB）
来源：arXiv cs.AI · arxiv.org