机器人视觉追踪：先指认再跟踪
推荐指数 64.0 NO. 017 · 2026.07.25
upvotes42comments10
为什么值得看
ReferTrack 提出"先指认目标、再跟踪轨迹"的两阶段范式，用单目前置摄像头解决机器人跟随特定目标的视觉追踪问题。相比端到端 VLA 策略，该方法将决策显式锚定在图像空间的检测框上，规避了抽象空间隐变量难以监督的痛点，对具身智能落地更友好。
媒体预览
编辑判断
当前 EVT 的主流做法是把目标识别和轨迹规划塞进一个 VLA 模型里端到端训，但 CoT 推理藏在抽象 latent 里，出了问题根本不知道怎么 debug。ReferTrack 的解耦设计实际上是把"指哪"和"怎么走"分开监督，前者用检测框做显式对齐，后者基于选中的目标做时序 waypoint 解码。
这个思路和自动驾驶里"感知-预测-规划"的分层架构异曲同工，但 EVT 领域之前很少有人这么干。滑动窗口维护运动线索的设计也比较务实，没有上太重量的记忆机制。
论文热度一般（42 upvotes），但如果你的团队在做人形机器人或跟随机器人的视觉模块，这个架构比直接训一个黑盒 VLA 策略更可控，建议等代码开源后对比下延迟和跟踪精度。
相关内容
移动机器人视觉目标检测与跟踪方法研究综述 针对移动机器人视觉目标检测与跟踪任务，阐述研究背景及意义，分析当前方法研究中的难点，结合特征表达类型和检测步骤对传统方法进行综述。 基于机器视觉的四足机器人目标识别与跟随系统设计 建立基于机器视觉的目标识别与跟随系统框架，提出实现方法，使四足机器人能够准确识别并跟踪目标。 从模糊到清晰：机器人视觉中的目标追踪算法解析 深入探讨基于机器人视觉的目标追踪算法，从基本概念到实际应用，帮助理解这一复杂技术领域。 CN107909603A - 一种面向跟随机器人的视觉跟踪方法 面向跟随机器人的视觉跟踪方法，包括跟踪模板提取、meanshift算法迭代、深度图自适应窗口处理及卡尔曼滤波结合。