对抗性攻击与鲁棒性：破解机器学习模型的“视觉盲区”

摘要深度学习模型在图像分类、目标检测、人脸识别等视觉任务中展现出超越人类水平的性能，然而它们普遍存在一个致命的“视觉盲区”——对抗性攻击。攻击者通过在原始图像上添加人眼难以察觉的微小扰动，即可使最先进的神经网络产生完全错误的判断。这一安全漏洞对自动驾驶、医疗影像、智能安防等关键领域构成了严峻威胁。本文系统梳理了对抗性攻击的技术原理与典型方法，深入分析了深度学习模型脆弱性的成因，全面综述了从对抗训练

gello遥操Franka容易触发力矩超限问题解决

在Gello主从遥操Franka机械臂场景中，机器人频繁出现爆红保护、急停锁机问题，极大影响遥操稳定性与数据采集效率。该问题并非硬件故障，核心源于Gello遥控基于位置差解算控制力矩的特性：人工操作抖动、姿态突变、负载惯性会产生瞬时超标力矩，无约束力矩会触发Franka伺服超限保护，同时运动惯性力易被机身碰撞检测算法误判为外部碰撞，最终导致机械臂爆红停机。本文从力位混合控制原理出发，拆解问题本质，

从“建模城市”到“按需查询”：D4RT如何用200+FPS重新定义动态3D世界

D4RT由Google DeepMind与牛津VGG提出，荣获CVPR 2026最佳论文。它摒弃传统逐帧密集重建，采用“编码-查询-解码”统一接口，按需输出任意时空点的3D位置，速度达200+FPS，比前代快300倍，并解耦相机与物体运动，为具身智能提供高效动态场景理解基础。