AI Agent

CausalVAD: De-confounding End-to-End Autonomous Driving via Causal Intervention

CausalVAD：通过因果干预实现端到端自动驾驶的去混淆

Jiacheng Tang, Zhiyuan Zhou, Zhuolin He, Jia Zhang, Kai Zhang, Jian Pu

机构 * Fudan University（复旦大学） ； Embodiq Robotics Co., Ltd. ； Beijing Institute of Technology（北京理工大学） ； East China Normal University（华东师范大学） 纠错

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

AI总结 本文提出CausalVAD框架，通过因果干预解决端到端自动驾驶中统计相关性与真实因果关系的矛盾，提升规划精度与安全性。

Comments Accepted to CVPR 2026 (Highlight)

Sample-Efficient Neurosymbolic Deep Reinforcement Learning

高效神经符号深度强化学习

Celeste Veronese, Alessandro Farinelli, Daniele Meli

机构 * University of Verona（维罗纳大学） 纠错

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

AI总结 本文提出一种神经符号深度强化学习方法，通过整合背景符号知识提升样本效率和泛化能力，利用部分策略作为先验加速学习，增强可解释性和可信度。

Generative View Stitching

生成视图拼接

Chonghyuk Song, Michal Stary, Boyuan Chen, George Kopanas, Vincent Sitzmann

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Runway ML 纠错

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

AI总结 本文提出生成视图拼接(GVS)，通过并行采样确保生成场景与预定义相机轨迹一致，解决视频生成中因未来条件缺失导致的碰撞问题，实现稳定且一致的相机引导视频生成。

Comments Published at ICLR 2026. Camera-ready Submission. Project website: https://andrewsonga.github.io/gvs

EgoTL: Egocentric Think-Aloud Chains for Long-Horizon Tasks

EgoTL：用于长时任务的目视思考链

Lulin Liu, Dayou Li, Yiqing Liang, Sicong Jiang, Hitesh Vijay, Hezhen Hu, Xuhai Xu, Zirui Liu, Srinivas Shakkottai, Manling Li, Zhiwen Fan

机构 * UMN（明尼苏达大学） ； TAMU（德克萨斯农工大学） ； Brown University（布朗大学） ； McGill University（麦吉尔大学） ； UT Austin（德克萨斯大学奥斯汀分校） ； Columbia University（哥伦比亚大学） ； Northwestern University（西北大学） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出EgoTL，通过构建目视思考链管道，提升长时任务中视觉语言模型和世界模型的推理与规划能力，发现基础模型在作为目视助手或开放世界模拟器方面仍有不足。

Comments https://ego-tl.github.io/

RIRF: Reasoning Image Restoration Framework

RIRF：图像修复推理框架

Wending Yan, Rongkai Zhang, Kaihua Tang, Yu Cheng, Qiankun Liu

机构 * Southwest Jiaotong University（西南交通大学） ； Nanyang Technological University（南洋理工大学） ； Tongji University（同济大学） ； National University of Singapore（新加坡国立大学） ； Tsinghua University（清华大学） 纠错

专题命中 规划决策 ：agentic(abstract)

AI总结 本文提出RIRF框架，通过整合结构化推理流程提升图像修复的可解释性与修复质量，结合推理与修复任务实现统一框架。

Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing

基于空间密度速度势的物理引导强化学习用于无地图赛车

Shathushan Sivashangaran, Apoorva Khairnar, Sepideh Gohari, Vihaan Dutta, Azim Eskandarian

机构 * Autonomous Robots and Vehicles Laboratory, College of Engineering, Virginia Commonwealth University（弗吉尼亚联邦大学工程学院自主机器人与车辆实验室） ； Department of Mechanical Engineering, Virginia Tech（弗吉尼亚理工学院机械工程系） ； Robotics Department, University of Michigan（密歇根大学机器人系） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出一种物理引导的强化学习方法，通过参数化非线性车辆动力学，利用深度神经网络实现时间最优和超车赛车控制，显著提升无地图赛车性能。

Policy-Aware Edge LLM-RAG Framework for Internet of Battlefield Things Mission Orchestration

面向战场物联网任务编排的政策感知边缘大语言模型检索增强生成框架

Om Solanki, Lopamudra Praharaj, Deepti Gupta, Maanak Gupta

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出一种面向战场物联网任务编排的政策感知边缘大语言模型检索增强生成框架，结合轻量检索模块与本地LLM进行任务规划，并通过JudgeLLM验证用户指令以提高可靠性。

Comments 10 pages, 5 figures, Accepted at AIS 2026

Validation of Satellite Lifetime Predictions at Leonid Space

通过全面回测验证莱昂德空间卫星寿命预测

Scott Shambaugh

专题命中 规划决策 ：planning(abstract)

AI总结 本文通过回测934颗非机动卫星的数据，验证了莱昂德空间卫星寿命预测管道的准确性，展示了预测空间天气条件下的预测性能，并比较了不同工具链的精度。

Comments 31 pages, 19 figures, 2 tables. Revision 1.1

CaRLi-V: Camera-RADAR-LiDAR Point-Wise 3D Velocity Estimation

CaRLi-V：摄像头-雷达-激光雷达点云三维速度估计

Landson Guo, Andres M. Diaz Aguilar, William Talbot, Turcan Tuna, Marco Hutter, Cesar Cadena

机构 * ETH Zürich（苏黎世联邦理工学院） ； Robotic Systems Lab (RSL), ETH Zürich（苏黎世联邦理工学院机器人系统实验室） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出CaRLi-V方法，结合雷达、激光雷达和摄像头数据，通过雷达速度立方体、光流和激光雷达测距，实现点云三维速度估计，优于现有场景流方法。

AMO-ENE: Attention-based Multi-Omics Fusion Model for Outcome Prediction in Extra Nodal Extension and HPV-associated Oropharyngeal Cancer

AMO-ENE：基于注意力的多组学融合模型用于外周淋巴结扩展和人乳头瘤病毒相关口咽癌的预后预测

Gautier Hénique, William Le, Gabriel Dayan, Coralie Brodeur, Kristoff Nelson, Apostolos Christopoulos, Edith Filion, Phuc-Felix Nguyen-Tan, Laurent Letourneau-Guillon, Houda Bahig, Samuel Kadoury

机构 * Centre de recherche du CHUM (CRCHUM)（蒙特利尔大学医疗中心研究中心 (CRCHUM)） ； Centre Hospitalier de l’Université de Montréal (CHUM)（蒙特利尔大学医疗中心 (CHUM)） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出AMO-ENE模型，通过CT影像和临床数据自动检测外周淋巴结扩展并预测治疗预后，结合多模态特征提升预后预测精度。

Text-Conditioned Multi-Expert Regression Framework for Fully Automated Multi-Abutment Design

基于文本条件的多专家回归框架用于全自动多牙冠设计

Mianjie Zheng, Xinquan Yang, Xuefen Liu, Xuguang Li, Kun Tang, He Meng, Linlin Shen

机构 * College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机与软件学院） ； AI Research Center for Medical Image Analysis and Diagnosis, Shenzhen University（深圳大学医学图像分析与诊断人工智能研究中心） ； National Engineering Laboratory for Big Data System Computing Technology, Shenzhen University（深圳大学大数据系统计算技术国家工程实验室） ； School of Artificial Intelligence, Shenzhen University（深圳大学人工智能学院） ； Department of Stomatology, Shenzhen University General Hospital（深圳大学总医院口腔科） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出TEMAD框架，通过整合种植体定位和参数回归，实现多牙冠设计的全自动设计，采用TC-FiLM模块和SPMoE机制提升适应性和精度。

Overview of Hayabusa2 extended mission's flyby of Near-Earth Asteroid (98943) Torifune

Hayabusa2扩展任务对近地小行星(98943)托里富恩的飞越概述

Masatoshi Hirabayashi, Masahiko Hayakawa, Yuya Mimasu, Naru Hirata, Takuya Iwaki, Shunichi Kamata, Kohei Kitazato, Toru Kouyama, Naoya Sakatani, Hajime Yano, Koki Yumoto, Masahiro Fujiwara, Sumito Shimomura, Takanao Saiki, Hiroshi Takeuchi, Eri Tatsumi, Yuichi Tsuda, Yasuhiro Yokota, Makoto Yoshikawa, Satoshi Tanaka, Hayabusa2 Extended Mission Torifune Flyby Working Group

专题命中 规划决策 ：planning(abstract)

AI总结 本文概述了Hayabusa2扩展任务对近地小行星(98943)托里富恩的飞越计划，包括飞越距离、速度及科学探测目标，旨在研究太阳系内物质运输机制和行星防御技术。

Comments 15 pages, 4 figures, 4 tables, Accepted for publication in Planetary Science Journal

Task-Aware Bimanual Affordance Prediction via VLM-Guided Semantic-Geometric Reasoning

基于VLM引导的语义-几何推理的任务感知双臂 affordance 预测

Fabian Hahne, Vignesh Prasad, Georgia Chalvatzaki, Jan Peters, Alap Kshirsagar

机构 * Department of Computer Science, Technical University of Darmstadt（达姆施塔特工业大学计算机科学系） ； German Research Center for AI (DFKI)（德国人工智能研究中心） ； Centre for Cognitive Science, Technical University of Darmstadt（达姆施塔特工业大学认知科学中心） ； Hessian Center for Artificial Intelligence (Hessian.AI), Darmstadt（黑森州人工智能中心） ； Robotics Institute Germany (RIG)（德国机器人研究所） 纠错

专题命中 规划决策 ：tool use(abstract)

AI总结 本文提出一种任务感知双臂 affordance 预测框架，通过VLM实现跨物体类别和任务描述的泛化，融合多视角RGB-D数据生成全局6自由度抓取候选，结合语义和几何过滤提升任务成功率。

ShelfGaussian: Shelf-Supervised Open-Vocabulary Gaussian-based 3D Scene Understanding

ShelfGaussian：基于货架的开放词汇高斯3D场景理解

Lingjun Zhao, Yandong Luo, James Hays, Lu Gan

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出ShelfGaussian框架，利用货架监督学习方法，结合多模态高斯变换，提升3D场景理解的开放词汇能力，实验显示其在零样本语义占用预测中表现优异。

SimScale: Learning to Drive via Real-World Simulation at Scale

SimScale：通过大规模真实世界模拟学习驾驶

Haochen Tian, Tianyu Li, Haochen Liu, Jiazhi Yang, Yihang Qiu, Guang Li, Junli Wang, Yinfeng Gao, Zhang Zhang, Liang Wang, Hangjun Ye, Tieniu Tan, Long Chen, Hongyang Li

机构 * MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所多模态人工智能系统实验室） ； OpenDriveLab at The University of Hong Kong（香港大学OpenDriveLab） ； Xiaomi EV（小米汽车） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出SimScale框架，通过合成大规模未见状态提升自动驾驶鲁棒性和泛化能力，实验显示在navhard和navtest上分别提升8.6和2.9 EPDMS。

Comments CVPR 2026 Oral. Project page: https://opendrivelab.com/SimScale

Rapid-response characterization of near-Earth asteroid 2024 YR4 during a Torino Scale 3 alert

2024 YR4近地小行星在Torino等级3警报期间的快速响应特征

Maxime Devogèle, Olivier R. Hainaut, Marco Micheli, Petr Pravec, Juan Luis Cano, Francisco Ocaña, Luca Conversi, Nicholas Moskovitz, Julia de León, Zuri Gray, Mikael Granvik, Grigori Fedorets, Jules Bourdelle de Micas, Simone Ieva, Elisabetta Dotto, Tracie Beuden, Carson Fuls, Teddy Kareta, Stefano Bagnulo, Maria Antonella Barucci, Mirel Birlan, Andrea Farina, Kamil Hornoch, Petr Fatka, Peter Kušnirák, Francesca Ferri, Marcello Fulchignoni, Monica Lazzarin, Fiorangela La Forgia, Elena Mazzotta Epifani, Alessandra Mura, Davide Perna, Philippe Bendjoya, Jean-Pierre Rivet, Alberto Cellino

专题命中 规划决策 ：planning(abstract)

AI总结 本文通过光谱和光变曲线分析，确定了2024 YR4的旋转周期、光谱分类及绝对星等，为行星防御提供了关键数据。

Comments 32 pages, 8 figures

Journal ref Alert. J Astronaut Sci 73, 31 (2026)

Dream to Fly: Model-Based Reinforcement Learning for Vision-Based Drone Flight

梦想飞翔：基于模型的强化学习用于基于视觉的无人机飞行

Angel Romero, Ashwin Shenai, Ismail Geles, Elie Aljalbout, Davide Scaramuzza

机构 * Robotics and Perception Group, Department of Informatics, University of Zurich（苏黎世大学信息学系机器人感知组） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出基于模型的强化学习方法，通过像素观测实现无人机敏捷飞行，展示了在模拟和真实世界中的高效表现，推动了基于像素的自主飞行技术发展。

Comments 8 pages, 6 Figures, accepted to IEEE ICRA 2026

SPEAR: An Engineering Case Study of Multi-Agent Coordination for Smart Contract Auditing

SPEAR：智能合约审计中的多智能体协调工程案例研究

Indraveni Chebolu, Arnab Mallick, Harmesh Rana

机构 * Centre for Development of Advanced Computing（先进计算发展中心） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；planning(abstract)；workflow(abstract)

AI总结 SPEAR通过多智能体框架提升智能合约审计效率，采用风险感知启发式优先级分配与自动修复策略，实验证明其在协调性、恢复能力和资源利用方面的优势。

Comments Accepted at 14th International Workshop on Engineering Multi-Agent Systems(EMAS @ AAMAS)

Camera Artist: A Multi-Agent Framework for Cinematic Language Storytelling Video Generation

Camera Artist: 一种多智能体框架用于电影语言叙事视频生成

Haobo Hu, Qi Mao, Yuanhang Li, Libiao Jin

机构 * School of Information and Communication Engineering, Communication University of China（中国传媒大学信息与通信工程学院） ； State Key Laboratory for Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机学院多媒体信息处理国家重点实验室） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；workflow(abstract)；agentic(abstract)

AI总结 Camera Artist通过引入专门的 cinematography shot agent，增强了镜头间叙事连贯性和电影语言表达，提升了视频叙事的连贯性和表现力。

Every Response Counts: Quantifying Uncertainty of LLM-based Multi-Agent Systems through Tensor Decomposition

每种回应都重要：通过张量分解量化基于大语言模型的多智能体系统不确定性

Tiejin Chen, Huaiyuan Yao, Jia Chen, Evangelos E. Papalexakis, Hua Wei

机构 * Arizona State University（亚利桑那州立大学） ； University of California, Riverside（加利福尼亚大学河滨分校） 纠错

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

AI总结 本文提出MATU框架，通过张量分解量化多智能体系统中的不确定性，解决多步推理、通信路径变化和拓扑多样性等挑战，提供通用可靠性评估。

Comments Accept to ACL 26

Group-Aware Coordination Graph for Multi-Agent Reinforcement Learning

群体感知协调图用于多智能体强化学习

Wei Duan, Jie Lu, Junyu Xuan

机构 * Australian Artificial Intelligence Institute (AAII), University of Technology（澳大利亚人工智能研究所（AAII），悉尼科技大学） 纠错

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

AI总结 本文提出群体感知协调图，用于捕捉智能体间合作及群体依赖，通过图卷积促进信息交换，并引入群体距离损失增强群体凝聚力。

Comments Accepted by IJCAI 2024. Update Discussion

Adaptive Tuning of Parameterized Traffic Controllers via Multi-Agent Reinforcement Learning

基于多智能体强化学习的参数化交通控制器自适应调节

Giray Önür, Azita Dabiri, Bart De Schutter

机构 * Delft Center for Systems and Control, Delft University of Technology（代尔夫特理工大学系统与控制中心） 纠错

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

AI总结 本文提出一种多智能体强化学习框架，通过自适应调节状态反馈控制器参数，提升交通控制的适应性和效率，实验显示其在复杂交通条件下表现优异且抗干扰能力强。

Comments Accepted for presentation and publication in the proceedings of the 2026 European Control Conference (ECC)

Plasticity-Enhanced Multi-Agent Mixture of Experts for Dynamic Objective Adaptation in UAVs-Assisted Emergency Communication Networks

增强塑性性多智能体专家混合模型用于无人机辅助应急通信网络动态目标适应

Wen Qiu, Zhiqiang He, Wei Zhao, Hiroshi Masui

机构 * Kitami Institute of Technology（北见工业大学） ； University of Electro-Communications（电气通信大学） ； Anhui University of Technology（安徽工业大学） 纠错

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

AI总结 本文提出PE-MAMoE模型，通过增强塑性机制提升无人机在动态目标适应中的性能，实验显示其在用户容量、碰撞减少等方面有显著提升。

Comments 20 pages, 12 figures, 3 tables

Enhancing LLM Problem Solving via Tutor-Student Multi-Agent Interaction

通过导师-学生多智能体交互增强LLM问题解决能力

Nurullah Eymen Özdemir, Erhan Oztop

机构 * Ozyegin University（奥兹耶金大学） 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PETITE框架，通过角色差异化交互提升LLM问题解决性能，对比自一致性、自修正等方法，显示在APPS基准上准确率相近或更高且消耗更少token。

Comments 7 pages, 3 figures, This work is under review for conference appearance

Wireless Communication Enhanced Value Decomposition for Multi-Agent Reinforcement Learning

无线通信增强的价值分解用于多智能体强化学习

Diyi Hu, Bhaskar Krishnamachari

机构 * University of Southern California（南加州大学） 纠错

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

AI总结 本文提出CLOVER框架，通过无线通信图增强价值分解，提升多智能体强化学习的收敛速度和性能。

Creator Incentives in Recommender Systems: A Cooperative Game-Theoretic Approach for Stable and Fair Collaboration in Multi-Agent Bandits

推荐系统中的创作者激励：一种基于合作博弈的稳定且公平的多智能体老虎机方法

Ramakrishnan Krishnamurthy, Arpit Agarwal, Lakshminarayanan Subramanian, Maximilian Nickel

机构 * Courant Institute, New York University（纽约大学库朗数学研究所） ； Indian Institute of Technology Bombay（印度理工学院孟买分校） ； FAIR, Meta AI（Meta AI 基础人工智能研究团队） 纠错

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

AI总结 本文提出基于合作博弈的多智能体老虎机模型，分析推荐系统中创作者激励问题，证明在同质智能体下博弈凸性，提出基于 regrets 的支付规则，实验显示支付与Shapley公平性的一致性与差异。

Comments Accepted in AISTATS 2026 as an Oral Presentation

Bandwidth-constrained Variational Message Encoding for Cooperative Multi-agent Reinforcement Learning

带宽约束的变分信息编码用于协作多智能体强化学习

Wei Duan, Jie Lu, En Yu, Junyu Xuan

机构 * University of Technology Sydney（悉尼科技大学） 纠错

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

AI总结 本文提出带宽约束的变分信息编码（BVME），通过学习高斯后验分布并利用KL散度正则化，解决多智能体强化学习中信息传输的带宽限制问题，在多个基准测试中表现出色。

Comments Accepted by AAMAS 2026 (oral) with appendix

Bayesian Ego-graph Inference for Networked Multi-Agent Reinforcement Learning

基于贝叶斯的 ego 图推断用于网络化多智能体强化学习

Wei Duan, Jie Lu, Junyu Xuan

机构 * Australian Artificial Intelligence Institute（澳大利亚人工智能研究所） ； University of Technology Sydney（悉尼科技大学） 纠错

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

AI总结 本文提出 BayesG 框架，通过贝叶斯变分推断学习稀疏交互结构，提升网络化多智能体强化学习在大规模交通控制任务中的性能。

Comments Accepted at NeurIPS 2025. Correction to ELBO Derivation (Equations 33 and Final Objective). https://openreview.net/forum?id=3qeTs05bRL

Inferring Latent Temporal Sparse Coordination Graph for Multi-Agent Reinforcement Learning

推断多智能体强化学习中的潜在时序稀疏协调图

Wei Duan, Jie Lu, Junyu Xuan

机构 * Australian Artificial Intelligence Institute (AAII), Faculty of Engineering and Information Technology, University of Technology Sydney（澳大利亚人工智能研究所（AAII），悉尼科技大学工程与信息技术学院） 纠错

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

AI总结 本文提出一种潜在时序稀疏协调图(LTS-CG)用于多智能体强化学习，通过历史观测计算智能体对概率矩阵，构建稀疏图以捕捉依赖关系和不确定性，同时减少计算复杂度并提升协作效率。

Comments Accepted by IEEE TNNLS on 17-Nov-2024. Update Discussion

Generative AI Agent Empowered Power Allocation for HAP Propulsion and Communication Systems

生成式AI代理赋能的高海拔平台推进与通信系统功率分配

Xiaoyu Xing, Dingyi Lu, Peng Yang, Zehui Xiong, Xianbin Cao, Tony Q. S. Quek

专题命中 多智能体 ：agent(title,abstract)；AI agent(title,abstract)

AI总结 本文提出生成式AI代理用于高海拔平台功率分配，解决推进与通信系统耦合问题，提出Q3E算法提升通信质量和能效。