AI Agent

Robust Global-Local Behavior Arbitration via Continuous Command Fusion Under LiDAR Errors

通过激光雷达误差下的连续命令融合实现鲁棒的全局-局部行为仲裁

Mohamed Elgouhary, Amr S. El-Wakeel

机构 * West Virginia University（西弗吉尼亚大学） 纠错

专题命中 规划决策 ：planning(abstract)；分类 cs.AI

AI总结 本文提出一种ROS2原生仲裁模块，通过连续融合两个不变且可解释的控制器输出，实现自动驾驶系统在感知不完美和严格实时约束下的全局目标与局部安全反应协调。

"Elementary, My Dear Watson." Detecting Malicious Skills via Neuro-Symbolic Reasoning across Heterogeneous Artifacts

我的爱，华生。通过神经符号推理跨异构工件检测恶意技能

Shenao Wang, Junjie He, Yanjie Zhao, Yayi Wang, Kan Yu, Haoyu Wang

专题命中 规划决策 ：agentic(abstract)；分类 cs.SE

AI总结 本文提出MalSkills框架，通过符号解析与LLM语义分析提取异构工件中的安全敏感操作，构建技能依赖图并进行神经符号推理，实现恶意技能检测，实验表明其在F1得分上优于现有方法。

Compact Conformal Subgraphs

紧凑的共形子图

Sreenivas Gollapudi, Kostas Kollias, Kamesh Munagala, Aravindan Vijayaraghavan

机构 * Google Research（谷歌研究院） ； Department of Computer Science, Duke University（杜克大学计算机科学系） ； Northwestern University（西北大学） 纠错

专题命中 规划决策 ：planning(abstract)；分类 cs.LG

AI总结 本文提出基于图的共形压缩框架，通过选择最小子图保留统计有效性并减少结构复杂度，实现高效共形预测与图压缩的结合，同时揭示了新的算法 regime。

Electricity Price Forecasting: Bridging Linear Models, Neural Networks and Online Learning

电力价格预测：连接线性模型、神经网络和在线学习

Btissame El Mahtout, Florian Ziel

机构 * University of Duisburg-Essen（杜伊斯堡-埃森大学） ； Technical University of Dortmund（多特蒙德工业大学） 纠错

专题命中 规划决策 ：planning(abstract)；分类 cs.LG

AI总结 本文提出一种混合神经网络架构，结合线性和非线性结构，通过伯恩斯坦在线聚合提升预测精度，减少计算成本，降低RMSE和MAE。

Water-Filling is Universally Minimax Optimal

水填充是普遍的最小最大最优

Siddhartha Banerjee, Ramiro N. Deo-Campo Vuong, Robert Kleinberg

机构 * Cornell University（康奈尔大学） 纠错

专题命中 规划决策 ：agent(abstract)；分类 cs.LG

AI总结 本文证明水填充算法在多种目标下是普遍的最小最大最优策略，适用于资源分配问题，无论目标函数、参与者数量或资源可用性如何。

Envisioning global urban development with satellite imagery and generative AI

用卫星影像和生成式AI展望全球城市发展

Kailai Sun, Yuebing Liang, Mingyi He, Yunhan Zheng, Alok Prakash, Shenhao Wang, Jinhua Zhao, Alex "Sandy'' Pentland

机构 * Singapore–MIT Alliance for Research and Technology Centre (SMART)（新加坡-麻省理工学院研究与技术联盟中心） ； Department of Urban Planning, Tsinghua University（清华大学城市规划系） ； Department of Urban Studies and Planning, Massachusetts Institute of Technology（麻省理工学院城市研究与规划系） ； College of Urban and Environmental Sciences, Peking University（北京大学城市与环境学院） ； Department of Urban and Regional Planning, University of Florida（佛罗里达大学城市与区域规划系） ； Stanford Institute for Human-Centered Artificial Intelligence, Stanford University（斯坦福大学以人为本人工智能研究所） 纠错

专题命中 规划决策 ：planning(abstract)；分类 cs.AI

AI总结 本文提出一种多模态生成式AI框架，通过整合提示和地理空间控制，生成全球500个最大都会区的高保真城市卫星影像，支持可持续城市发展和场景规划。

Serialized Red-Green-Gray: Quicker Heuristic Validation of Edges in Dynamic Roadmap Graphs

序列化红绿灰：动态道路图中边的快速启发式验证

Yulie Arad, Stav Ashur, Marta Markowicz, James D. Motes, Marco Morales, Nancy M. Amato

机构 * Siebel School of Computing and Data Science, University of Illinois（伊利诺伊大学西贝尔计算与数据科学学院） ； Department of Computer Science, Instituto Tecnológico Autónomo de México (ITAM)（墨西哥自治技术学院计算机科学系） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出Red-Green-Gray框架，通过保守几何近似快速分类道路图边，结合序列化技术提升GPU加速效率，实验证明其在动态环境中显著提升验证速度。

osmAG-Nav: A Hierarchical Semantic Topometric Navigation Stack for Robust Lifelong Indoor Autonomy

osmAG-Nav：一种用于鲁棒长期室内自主性的分层语义拓扑导航栈

Yongqi Zhang, Jiajie Zhang, Chengqian Li, Fujing Xie, Sören Schwertfeger

机构 * ShanghaiTech University（上海科技大学） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出osmAG-Nav导航栈，通过分层语义拓扑地图实现大空间多层环境中的高效导航，降低规划延迟并提升长期定位稳定性。

Comments 42 pages, 10 figures

Reducing Mental Workload through On-Demand Human Assistance for Physical Action Failures in LLM-based Multi-Robot Coordination

通过按需人类协助减少LLM多机器人协调中的心理负荷

Shoichi Hasegawa, Akira Taniguchi, Lotfi El Hafi, Gustavo Alfonso Garcia Ricardez, Tadahiro Taniguchi

机构 * Ritsumeikan University（立命馆大学） ； Kyoto University（京都大学） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出REPAIR框架，通过在LLM多机器人规划中集成远程错误修复，提升任务进度并减少操作员心理负荷。

Comments Under review in IEEE RO-MAN 2026. Project page is https://emergentsystemlabstudent.github.io/REPAIR/

Wan-R1: Verifiable-Reinforcement Learning for Video Reasoning

Wan-R1: 可验证强化学习用于视频推理

Ming Liu, Yunbei Zhang, Shilong Liu, Liwen Wang, Wensheng Zhang

机构 * Iowa State University（爱荷华州立大学） ； Tulane University（杜兰大学） ； Princeton University（普林斯顿大学） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出可验证奖励设计以提升视频推理的泛化能力，通过改进GRPO算法在流基视频模型中训练，验证奖励在复杂迷宫和机器人导航任务中显著提升性能。

Which Reconstruction Model Should a Robot Use? Routing Image-to-3D Models for Cost-Aware Robotic Manipulation

机器人应使用哪种重建模型？为成本感知的机器人操作路由图像到3D模型

Akash Anand, Aditya Agarwal, Leslie Pack Kaelbling

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出SCOUT框架，通过分离重建评分的两个组件，为机器人操作选择适合的3D重建模型，支持动态调整和多维成本约束。

Comments 8 pages, 7 tables, 3 figures. Supplementary material included. Project page: https://scout-model-routing.github.io

Spectral Decomposition of Inverse Dynamics for Fast Exploration in Model-Based Manipulation

逆动力学的谱分解用于基于模型的操纵快速探索

Solvin Sigurdson, Benjamin Riviere, Joel Burdick

机构 * California Institute of Technology（加州理工学院） ； New York University（纽约大学） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出利用逆动力学方程的谱分解生成轨迹的方法，通过正交成分高效探索复杂接触动态，实现长时域规划，展示了在高复杂度领域中的实时能力。

Comments 8 pages, 8 figures, accepted to the 2026 IEEE International Conference on Robotics and Automation

Wan-Weaver: Interleaved Multi-modal Generation via Decoupled Training

Wan-Weaver：通过解耦训练实现交错多模态生成

Jinbo Xing, Zeyinzi Jiang, Yuxiang Tuo, Chaojie Mao, Xiaotang Gai, Xi Chen, Jingfeng Zhang, Yulin Pan, Zhen Han, Jie Xiao, Keyu Yan, Chenwei Xie, Chongyang Zhong, Kai Zhu, Tong Shen, Lianghua Huang, Yu Liu, Yujiu Yang

机构 * Tongyi Lab（通义实验室） ； Tsinghua University（清华大学） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出Wan-Weaver，通过解耦训练实现交错多模态生成，利用文本规划和视觉一致性建模，生成长文本连贯性和视觉一致性。

Comments CVPR 2026 Camera-ready, Webpage: https://doubiiu.github.io/projects/WanWeaver

Training-free Motion Factorization for Compositional Video Generation

无需训练的运动因子分解用于组合视频生成

Zixuan Wang, Ziqin Zhou, Feng Chen, Duo Peng, Yixin Hu, Changsheng Li, Yinjie Lei

机构 * Sichuan University（四川大学） ； The University of Adelaide（阿德莱德大学） ； Nanyang Technological University（南洋理工大学） ； Beijing Institute of Technology（北京理工大学） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出一种无需训练的运动因子分解框架，将复杂运动分解为静止、刚体和非刚体运动三类，通过规划先于生成的范式，提升视频生成中运动多样性的表现。

Comments Accepted by CVPR2026

SAGE: Training Smart Any-Horizon Agents for Long Video Reasoning with Reinforcement Learning

SAGE：基于强化学习训练长视频推理的智能任意时间范围智能体

Jitesh Jain, Jialuo Li, Zixian Ma, Jieyu Zhang, Chris Dongjoo Kim, Sangho Lee, Rohun Tripathi, Tanmay Gupta, Christopher Clark, Humphrey Shi

机构 * Allen AI（艾伦人工智能研究所） ； University of Washington（华盛顿大学） 纠错

专题命中 规划决策 ：agent(abstract)

AI总结 本文提出SAGE系统，通过多轮推理处理长视频并单轮处理简单问题，结合Gemini-2.5-Flash生成合成数据，提出RL后训练方案，并通过SAGE-Bench验证系统有效性，提升视频推理性能达6.1%。

Comments Project Page: https://praeclarumjj3.github.io/sage/

SPREAD: Spatial-Physical REasoning via geometry Aware Diffusion

SPREAD：通过几何感知扩散进行空间-物理推理

Minzhang Li, Kuixiang Shao, Xuebing Li, Yuyang Jiao, Yinuo Bai, Hengan Zhou, Sixian Shen, Jiayuan Gu, Jingyi Yu

专题命中 规划决策 ：AI agent(abstract)

AI总结 SPREAD通过图Transformer联合学习空间和物理关系，利用场景点云进行几何感知，整合可微指导实现碰撞避免和物理一致性，实验显示在空间关系和物理指标上达到SOTA。

Learning Smooth and Robust Space Robotic Manipulation of Dynamic Target via Inter-frame Correlation

通过帧间相关性学习动态目标的平滑和鲁棒空间机械臂操作

Siyi Lang, Hongyi Gao, Yingxin Zhang, Zihao Liu, Hanlin Dong, Zhaoke Ning, Zhiqiang Ma, Panfeng Huang

机构 * Research Center for Intelligent Robotics, School of Astronautics, Northwestern Polytechnical University（西北工业大学航天学院智能机器人研究中心） ； School of Automation, Northwestern Polytechnical University（西北工业大学自动化学院） ； School of Aeronautics and Astronautics, Sichuan University（四川大学空天科学与工程学院） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出一种数据驱动的空间机械臂操作方法，通过利用历史帧与当前帧的时序相关性，实现对未知和非结构化空间环境中动态目标的精确操控。

Comments none

HMPDM: A Diffusion Model for Driving Video Prediction with Historical Motion Priors

HMPDM：一种利用历史运动先验的扩散模型用于驾驶视频预测

Ke Li, Tianjia Yang, Kaidi Liang, Xianbiao Hu, Ruwen Qin

机构 * Department of Civil Engineering, Stony Brook University（石溪大学土木工程系） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出HMPDM模型，通过引入历史运动先验提升驾驶视频预测的时序一致性与视觉质量，实验表明其在Cityscapes和KITTI基准上优于现有方法，FVD指标提升28.2%。

Mimic Intent, Not Just Trajectories

模仿意图，而非仅仅轨迹

Renming Huang, Chendong Zeng, Wenjing Tang, Jintian Cai, Cewu Lu, Panpan Cai

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出MINT方法，通过多尺度频域标记解耦行为意图与执行细节，提升模仿学习的适应性和迁移能力，实验显示其在任务基准和真实机器人上的优越性能。

AVATAR: Reinforcement Learning to See, Hear, and Reason Over Video

AVATAR：通过视频进行视觉、听觉和推理的强化学习

Yogesh Kulkarni, Pooyan Fazli

机构 * Arizona State University（亚利桑那州立大学） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 AVATAR通过离线训练架构和时间优势塑造策略解决多模态长时视频推理中的数据效率、消失优势和信用分配问题，实现跨多个基准测试的优越性能。

Comments CVPR 2026

On the Reliability Limits of LLM-Based Multi-Agent Planning

基于大语言模型的多智能体规划的可靠性极限

Ruicheng Ao, Siyang Gao, David Simchi-Levi

机构 * MIT（麻省理工学院） 纠错

专题命中 多智能体 ：agent(title,abstract)；planning(title,abstract)；multi-agent(title,abstract)；分类 cs.LG

AI总结 本文研究了基于大语言模型的多智能体规划的可靠性极限，通过建模为有限无环决策网络，展示了在无新外部信号时，分布式网络在决策理论上被集中贝叶斯决策者主导，并分析了通信和信息压缩带来的损失。

Comments Technical note

A Multi-agent AI System for Deep Learning Model Migration from TensorFlow to JAX

面向深度学习模型从TensorFlow到JAX迁移的多智能体AI系统

Stoyan Nikolov, Bernhard Konrad, Moritz Gronbach, Niket Kumar, Ann Yan, Varun Singh, Yaning Liang, Parthasarathy Ranganathan

机构 * Google（谷歌） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；workflow(abstract)；分类 cs.AI、cs.SE

AI总结 本文提出一种多智能体AI系统，用于自动迁移TensorFlow深度学习模型至JAX，通过AI规划器、协调器和程序员的协作，显著提升迁移效率，减少6.4至8倍的时间消耗。

AISAC: An Integrated multi-agent System for Transparent, Retrieval-Grounded Scientific Assistance

AISAC：一个集成的多智能体系统，用于透明、基于检索的科学协助

Chandrachur Bhattacharya, Sibendu Som

机构 * Transportation and Power Systems Division, Argonne National Laboratory, USA（美国阿贡国家实验室交通与动力系统部） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；agentic(abstract)；分类 cs.AI、cs.CL

AI总结 AISAC 提供了一个透明的多智能体运行环境，支持长期的证据支持科学推理，通过结构化保证实现角色语义、预算管理、可追溯执行和工具交互可重复性。

InnerPond: Fostering Inter-Self Dialogue with a Multi-Agent Approach for Introspection

InnerPond：通过多智能体方法促进跨自我对话的内省研究

Hayeon Jeon, Dakyeom Ahn, Sunyu Pang, Yunseo Choi, Suhwoo Yoon, Joonhwan Lee, Eun-mee Kim, Hajin Lim

机构 * hci+d lab.（hci+d 实验室） ； Seoul National University（首尔国立大学） ； Department of Communication（传播学系） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；planning(abstract)；分类 cs.AI

AI总结 InnerPond通过多智能体系统探索自我多重性，用户通过与AI共同创作内在声音和对话，揭示了支持内省的AI工具设计方法。

Comments 25 pages, 10 figures, Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems (CHI '26)

From Questions to Queries: An AI-powered Multi-Agent Framework for Spatial Text-to-SQL

从问题到查询：一种基于AI的多智能体框架用于空间文本到SQL

Ali Khosravi Kazazi, Zhenlong Li, M. Naser Lessani, Guido Cervone

机构 * Geoinformation and Big Data Research Laboratory, Department of Geography, The Pennsylvania State University（宾夕法尼亚州立大学地理系地理信息与大数据研究实验室） ； Institute for Computational and Data Sciences and Department of Geography, The Pennsylvania State University（宾夕法尼亚州立大学计算与数据科学研究所及地理系） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；planning(abstract)；分类 cs.AI

AI总结 本文提出一种基于AI的多智能体框架，解决空间文本到SQL中的复杂问题，通过分阶段解释、模式绑定、逻辑规划和执行审查提升空间查询的鲁棒性。

OEMA: Ontology-Enhanced Multi-Agent Collaboration Framework for Zero-Shot Clinical Named Entity Recognition

OEMA：基于本体的多智能体协作框架用于零样本临床命名实体识别

Xinli Tao, Xin Dong, Xuezhong Zhou

机构 * Department of Artificial Intelligence, Beijing Key Lab of Traffic Data Analysis ； Mining , School of Computer Science \& Technology, Beijing Jiaotong University , Beijing , 100044 , China 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI、cs.CL

AI总结 本文提出OEMA框架，通过多智能体协作提升零样本临床NER性能，结合自标注器、判别器和预测器，实现接近监督学习的准确率。

Comments 12 pages, 4 figures, 4 tables

Journal ref JAMIA Open, 2026, ooag049

Multi-Agent Dialectical Refinement for Enhanced Argument Classification

多智能体辩证细化用于增强论证分类

Jakub Bąba, Jarosław A. Chudziak

机构 * Faculty of Electronics 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI、cs.CL

AI总结 本文提出MAD-ACC框架，通过多智能体辩论解决论证分类不确定性，实现85.7%的宏F1分数，无需领域特定训练，提供可解释的辩论记录。

Comments Accepted for publication in the proceedings of ACIIDS 2026

Unlocking LLM Repair Capabilities Through Cross-Language Translation and Multi-Agent Refinement

通过跨语言翻译和多代理优化解锁LLM修复能力

Wenqiang Luo, Jacky Wai Keung, Boyang Yang, Jacques Klein, Tegawende F. Bissyande, Haoye Tian, Bach Le

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.SE

AI总结 本文提出LANTERN方法，通过跨语言翻译和多代理迭代修复，提升LLM在多语言程序修复中的能力，尤其在Rust等较少使用语言上表现突出。

Discovering mathematical concepts through a multi-agent system

通过多智能体系统发现数学概念

Daattavya Aggarwal, Oisin Kim, Carl Henrik Ek, Challenger Mishra

机构 * University of Cambridge（剑桥大学） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

AI总结 本文提出一种多智能体模型，用于计算数学发现，通过实验、证明尝试和反例的交互，自主恢复多面体数据的同调概念，验证局部过程优化对数学有趣性的影响。

Comments Added link to code base

Multi-Agent Actor-Critics in Autonomous Cyber Defense

多智能体Actor-Critic在自主网络防御中的应用

Mingjun Wang, Remington Dechene

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

AI总结 本文探讨了多智能体Actor-Critic算法在自主网络防御中的应用，通过模拟网络攻击场景，展示了该方法在快速检测和应对网络威胁方面的有效性，提升了自主防御系统的性能。

Comments 6 pages. 2 figures