AI Agent

Evaluating Large Language Models as Live Strategic Agents: Provider Performance, Hybrid Decomposition, and Operational Gaps in Timed Risk Play

评估大型语言模型作为实时战略代理：提供商性能、混合分解及时间风险游戏中的操作差距

H. C. Ekne

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

AI总结 本文研究了大型语言模型在实时策略环境中的表现，发现其性能受目标跟踪、执行转换、成本和运行时可靠性等因素影响，支持将LLM作为受限制工作流中的组件进行评估，而非孤立的基准测试对象。

Comments 13 pages, 7 figures. Code and tracked notes: https://github.com/hcekne/risk-game . Public runtime artifact index: https://github.com/hcekne/risk-game/blob/main/docs/article-plans/public_experiment_artifacts.md

Perception or Prejudice: Can MLLMs Go Beyond First Impressions of Personality?

感知还是偏见：大语言模型能否超越个性的第一印象？

Caixin Kang, Tianyu Yan, Sitong Gong, Mingfang Zhang, Liangyang Ouyang, Ruicong Liu, Bo Zheng, Huchuan Lu, Kaipeng Zhang, Yoichi Sato, Yifei Huang

机构 * The University of Tokyo（东京大学） ； Shanda AI Research Tokyo（Shanda AI 研究所东京） ； Dalian University of Technology（大连理工大学） 纠错

专题命中 规划决策 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI

AI总结 本文探讨了多模态大语言模型（MLLMs）在感知个性方面的能力，提出了一种新的任务Grounded Personality Reasoning（GPR），并构建了一个新的数据集MM-OCEAN，通过三重评估体系揭示了MLLMs在人格推理中的偏见问题。

AwareVLN: Reasoning with Self-awareness for Vision-Language Navigation

AwareVLN: 基于自感知的视觉语言导航推理

Wenxuan Guo, Xiuwei Xu, Yichen Liu, Xiangyu Li, Hang Yin, Huangxing Chen, Wenzhao Zheng, Jianjiang Feng, Jie Zhou, Jiwen Lu

机构 * Tsinghua University（清华大学） 纠错

专题命中 规划决策 ：agent(abstract)；planning(abstract)

AI总结 本文提出AwareVLN框架，通过自感知推理机制实现端到端的视觉语言导航，解决了传统方法在理解代理、指令和场景关系上的不足，并在多个数据集上实现了优于现有方法的性能。

Comments Accepted to CVPR 2026. Project page: https://gwxuan.github.io/AwareVLN/

Learning A Unified Risk Map for Autonomous Driving in Partially Observable Environments

在部分可观察环境中学习统一的风险图

Jie Jia, Yaofeng Su, Zeyu Bao, Yun Hong, Bingzhao Gao, Zhongxue Gan, Wenchao Ding

机构 * Fudan University（复旦大学） ； Tongji University（同济大学） 纠错

专题命中 规划决策 ：planning(abstract,abstract_cn)

AI总结 本文提出了一种统一的风险图建模与学习框架，用于部分可观察环境中的自动驾驶，通过时空建模整合交通流风险和碰撞风险，以更精细地评估遮挡引起的危险，并引入扩散基场景生成框架来解决遮挡交互场景稀缺的问题，实验表明该方法在Waymo Open Motion Dataset上显著优于现有方法。

Comments Published in IEEE Robotics and Automation Letters

Abstraction for Offline Goal-Conditioned Reinforcement Learning

离线目标条件强化学习中的抽象

Clarisse Wibault, Alexander Goldie, Antonio Villares, Maike Osborne, Jakob Foerster

机构 * FLAIR, MLRG University of Oxford（FLAIR、MLRG 欧洲大学） 纠错

专题命中 规划决策 ：agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出了一种在离线目标条件强化学习中利用抽象的方法，通过引入相对化选项和不同层次的表示，提高了在相似状态空间上下文中的经验复用能力，从而提升了性能。

Revisiting Regularized Policy Optimization for Stable and Efficient Reinforcement Learning in Two-Player Games

重新审视正则化策略优化以实现稳定且高效的双人博弈强化学习

Kazuki Ota, Takayuki Osa, Motoki Omura, Tatsuya Harada

机构 * The University of Tokyo, Japan（东京大学） ； RIKEN Center for Advanced Intelligence Project, Japan（日本RIKEN高级智能项目中心） 纠错

专题命中 规划决策 ：agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文重新审视了带有反向Kullback-Leibler正则化和熵正则化的策略优化方法，在双人零和设置中从理论和经验角度分析其组合，提供了新的收敛保证并通过合成游戏的数值实验验证了理论结果，并基于正则化策略优化推导出一种实用的模型无关强化学习算法，通过在五个棋盘游戏中进行的全面实验验证了算法的训练效率。

Comments Accepted at ICML 2026

LiteCoOp: Lightweight Multi-LLM Shared-Tree Reasoning for Model-Serving Compiler Optimizations

LiteCoOp: 轻量级多语言模型共享树推理用于模型服务编译器优化

Annabelle Sujun Tang, Christopher Priebe, Lianhui Qin, Hadi Esmaeilzadeh

机构 * A lternative C omputing T echnologies ( ACT ) Lab（替代计算技术实验室） ； University of California San Diego（加州大学圣地亚哥分校） 纠错

专题命中 规划决策 ：agentic(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出LiteCoOp，一种轻量级框架，通过将优化搜索树本身作为多语言模型协作机制，实现编译器优化过程中异构语言模型的协作，从而在降低编译成本的同时提升性能。

A KL-regularization Framework for Learning to Plan with Adaptive Priors

一种基于KL正则化的学习规划框架：具有自适应先验的规划

Álvaro Serra-Gomez, Daniel Jarne Ornia, Dhruva Tirumala, Thomas Moerland

机构 * LIACS, Leiden University, Leiden, The Netherlands（莱顿大学莱顿分校，荷兰） ； Google Deepmind, London, United Kingdom（谷歌DeepMind，英国伦敦） ； University of Oxford, Oxford, United Kingdom（牛津大学，英国牛津） 纠错

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

AI总结 本文提出了一种基于KL正则化的学习规划框架，通过将规划器的动作分布作为先验整合到策略优化中，提升了在高维连续控制任务中模型驱动强化学习的样本效率和长期性能。

Comments Published at ICML2026

Delegated Contracting

委托合同

João Thereze, Udayan Vaidya

专题命中 规划决策 ：agent(abstract,comments)；multi-agent(comments)

AI总结 本文研究了通过知情代理进行委托合同的机制，证明了委托合同可实现的成果等同于集中式贝叶斯机制在主导策略激励兼容和事后个体理性下的结果，并探讨了不同场景下的最优合同限制。

Comments Comments: 51 pages; expanded introduction and related literature, added extensions to interdependent values and multi-agent settings, substantially revised procurement and efficiency applications, new analysis of contracting rights and buy-sell clauses, exposition and references improved

Deep Reinforcement Learning for Flexible Job Shop Scheduling with Random Job Arrivals

基于随机作业到达的灵活作业车间调度的深度强化学习

Yu Tang, Muhammad Zakwan, Efe Balta, John Lygeros, Alisa Rupenyan

机构 * Centre for Artificial Intelligence, Zurich University of Applied Sciences（人工智能中心，苏黎世应用科学大学） ； Inspire AG（Inspire公司） ； Automatic Control Laboratory, ETH Zurich（自动控制实验室，苏黎世联邦理工学院） 纠错

专题命中 规划决策 ：agent(abstract)；分类 cs.AI

AI总结 本文提出了一种基于事件的深度强化学习方法，用于解决具有随机作业到达的灵活作业车间调度问题，通过Proximal Policy Optimization算法和轻量级多层感知机训练智能体，以最小化所有作业的总完成时间，并在不同异质性和作业到达率的数据集上优于单独的调度规则。

KAPPS: A knowledge-based CPPS Architecture for the Circular Factory

KAPPS：一种基于知识的闭环工厂CPPS架构

Etienne Hoffmann, Jan-Felix Klein, Sören Weindel, Max Goebels, Sebastian Behrendt, Daniel Hernández, Ratan Bahadur Thapa, Jürgen Fleischer, Kai Furmans, Steffen Staab

机构 * Institute for Material Handling and Logistics (IFL), Karlsruhe Institute of Technology（材料搬运与物流研究所（IFL），卡尔斯鲁厄技术大学） ； Department of Production Engineering, KTH Royal Institute of Technology（生产工程系，皇家理工技术大学） ； Institute of Production Science (wbk), Karlsruhe Institute of Technology（生产科学研究所（wbk），卡尔斯鲁厄技术大学） ； Analytic Computing, Institute for Artificial Intelligence, University of Stuttgart（分析计算，人工智能研究所，斯图加特大学） ； Electronics and Computer Science, University of Southampton（电子与计算机科学，南安普顿大学） 纠错

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

AI总结 本文提出KAPPS，一种基于知识的闭环工厂CPPS架构，旨在解决闭环制造中产品状态变化、动态重构过程和人机知识整合的需求，通过知识图谱和语义接口层实现数据集成与推理，提升制造系统的灵活性和适应性。

Comments Submitted to Journal of Manufacturing Systems (JMS)

S2ED: From Story to Executable Descriptions for Consistency-Aware Story Illustration

S2ED：从故事到可执行描述以实现一致性感知的故事插图

Sijing Yin, Jiamou Liu, Xiao Tang, Yaser Shakib, Qian Liu

机构 * University of Auckland（奥克兰大学） ； Wuhan College of Communication（武汉通信学院） 纠错

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

AI总结 本文提出S2ED框架，通过将完整故事转换为可编辑的可执行描述，提升故事插图的一致性和角色真实性，适用于多帧故事插图的长时程一致性需求。

Comments 6 pages, 5 figures. Accepted by IEEE ICME 2026

Beyond Euclidean Proximity: Repairing Latent World Models with Horizon-Matched Trajectory Reachability Metrics

超越欧几里得距离：通过地平线匹配轨迹可达性度量修复潜在世界模型

Liangyu Li, Shengzhi Wang, Qingwen Liu

机构 * Tongji University（同济大学） 纠错

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

AI总结 本文提出轨迹可达性度量（TRM）作为固定潜在世界模型的后处理终端排名方法，通过训练小的成对头部来改进终端排名，从而提高连续操控任务的性能。

Comments 26 pages, 7 figures

Learning Without Losing Identity: Capability Evolution for Embodied Agents

无需失去身份的学习：体素代理的能力进化

Xue Qin, Simin Luan, John See, Cong Yang, Zhijun Li

机构 * School of Software, Harbin Institute of Technology（哈尔滨工业大学软件学院） ； School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院） ； School of Mathematical and Computer Sciences, Heriot-Watt University（赫瑞-沃德大学数学与计算机科学学院） ； School of Future Science and Engineering, Soochow University（苏州大学未来科学与工程学院） 纠错

专题命中 规划决策 ：agent(abstract)；分类 cs.AI

AI总结 本文提出了一种以能力为中心的体素代理进化范式，通过引入体素能力模块（ECMs）实现持续改进，同时保持代理身份的稳定性，实验表明其在任务成功率和安全性方面优于传统方法。

Comments 12 pages, 2 figures, 7 tables

CCLab: Adversarial Testing of Learning- and Non-Learning-Based Congestion Controllers

CCLab: 学习型和非学习型拥塞控制器的对抗测试

Zhi Chen, Shehab Sarar Ahmed, Chenkai Wang, Brighten Godfrey, Gang Wang

机构 * CCLab 纠错

专题命中 规划决策 ：agent(abstract)；分类 cs.LG

AI总结 本文提出CCLab框架，用于系统评估学习型和非学习型拥塞控制器在对抗性条件下的鲁棒性，发现学习型控制器在对抗测试中比传统算法更鲁棒，并展示了对抗性追踪可用于训练更鲁棒的拥塞控制器。

Comments 13 pages for main paper, 16 pages in total

Implicit Safety Alignment from Crowd Preferences

从大众偏好中隐式安全对齐

Qian Lin, Daniel S. Brown

机构 * Kahlert School of Computing, University of Utah（犹他大学计算学校） 纠错

专题命中 规划决策 ：agent(abstract)；分类 cs.AI

AI总结 本文研究如何从大众偏好数据中提取共享的安全标准，并将其转移到下游强化学习任务中以规范智能体行为并确保安全。提出了一种基于大众偏好的安全强化学习框架，通过高级策略将安全对齐的技能组合起来，以安全地解决下游任务。

Comments Accepted to ICML 2026. Conference paper

Broadening Access to Transportation Safety Data with Generative AI: A Schema-Grounded Framework for Spatial Natural Language Queries

通过生成式AI拓宽交通安全管理数据的可及性：一种基于模式的时空自然语言查询框架

Mahdi Azhdari, Eric J. Gonzales

机构 * Department of Civil and Environmental Engineering, University of Massachusetts Amherst（麻省大学阿姆赫斯特分校土木与环境工程系） 纠错

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

AI总结 本文提出了一种基于模式的自然语言接口，利用大型语言模型解释用户意图，同时保持确定性和可审查的执行，以解决交通安全管理数据访问不均的问题，通过整合事故记录、道路属性和地理空间数据，提升公共部门的安全规划能力。

Comments 30 pages, 5 figures

SENIOR: Efficient Query Selection and Preference-Guided Exploration in Preference-based Reinforcement Learning

SENIOR: 在基于偏好的强化学习中高效查询选择与偏好引导探索

Hexian Ni, Tao Lu, Haoyuan Hu, Yinghao Cai, Shuo Wang

机构 * State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） 纠错

专题命中 规划决策 ：agent(abstract)；分类 cs.AI

AI总结 本文提出SENIOR方法，通过高效查询选择和偏好引导探索提升人类反馈效率和策略学习速度，解决基于偏好的强化学习在反馈和样本效率方面的不足。

Comments 8 pages, 8 figures, IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2025)

N3P: Accelerated Automated Parking via a Learning-Based Naturalistic Three-Stage Scheme

N3P：通过基于学习的自然三阶段方案实现加速的自动泊车

Yifan Xue, Toktam Mohammadnejad, Faizan M Tariq, Sangjae Bae, David Isele, Yosuke Sakamoto, Nadia Figueroa, Jovin D'sa

机构 * Honda Research Institute (HRI)（本田研究院） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出N3P，一种基于学习的三阶段框架，用于自动泊车，通过引入中间预备姿态和学习模块预测该姿态，将泊车操作分解为更简单的子问题，从而降低计算复杂度并加速路径生成，实验表明其在垂直和平行泊车场景中显著提升了规划速度，并在成功率和轨迹质量上优于强化学习基线。

Comments Accepted at IEEE Intelligent Transportation Systems Conference (ITSC 2026)

SegGuidedNet: Sub-Region-Aware Attention Supervision for Interpretable Brain Tumor Segmentation

SegGuidedNet: 基于子区域的注意力监督用于可解释性脑肿瘤分割

Hasaan Maqsood, Saif Ur Rehman Khan, Sebastian Vollmer, Andreas Dengel, Muhammad Nabeel Asim

机构 * German Research Center for Artificial Intelligence（德国人工智能研究中心） ； Intelligentx GmbH (intelligentx.com)（Intelligentx GmbH） ； National University of Sciences and Technology (NUST)（国家科学与技术大学） ； Department of Core Informatics, Graduate School of Informatics ,Osaka Metropolitan University（信息学研究生院核心信息学系，大阪 metropolitan 大学） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出SegGuidedNet，一种引入新颖SegAttentionGate模块的三维残差编码器-解码器网络，通过轻量级辅助损失显式监督解码器生成每个肿瘤子区域（坏死核心、周围水肿、增强肿瘤）的空间判别注意力图，从而在无需后处理解释方法的情况下提供免费的空间可解释性，并在BraTS2021和BraTS2023 GLI上实现了优异的分割性能。

Propagation-Consistent Wireless Environment Digital Twin Construction Under Sparse Measurements

基于稀疏测量的无线环境数字孪生构建：传播一致性

Junjie Ai, Shurui Xu, Yanqing Ren, Zhuoyu Liu, Weicong Chen, Wankai Tang, Xiao Li, Chao-Kai Wen, Shi Jin

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出了一种无线环境数字孪生（WEDT）构建方法，通过校准场景级电磁特性场，将重建的几何数字孪生转化为传播一致的无线环境表示，实现了从稀疏测量到密集概率监督的转换，并展示了其在不同场景下的有效性。

Comments This work has been submitted to the IEEE for possible publication

3D LULC classification using multispectral LiDAR and deep learning: current and prospective schemes

基于多光谱LiDAR和深度学习的3D土地利用/覆盖分类：当前和未来方案

Narges Takhtkeshha, Aldino Rizaldy, Markus Hollaus, Juha Hyyppä, Fabio Remondino, Gottfried Mandlburger

机构 * D Optical Metrology (3DOM) Unit, Bruno Kessler Foundation (FBK)（3D光学计量（3DOM）单元，布鲁诺·凯塞尔基金会（FBK）） ； Department of Geodesy and Geoinformation, TU Wien（测绘与地理信息系，维也纳技术大学） ； Helmholtz-ZentrumDresden-Rossendorf (HZDR), Helmholtz Institute Freiberg for Resource Technology (HIF)（德累斯顿-罗斯托克赫尔姆霍尔茨研究中心（HZDR），资源技术赫尔姆霍尔茨研究所（HIF）） ； Freie Universität Berlin, Remote Sensing and Geoinformatics（柏林自由大学，遥感与地理信息学） ； Department of Remote Sensing and Photogrammetry, Finnish Geospatial Research Institute FGI, The National Land Survey of Finland（芬兰地理研究所（FGI），芬兰国家土地测绘局） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出了一种基于多光谱LiDAR和深度学习的3D土地利用/覆盖分类方法，介绍了NMCA对齐的L1和L2分类方案，并引入了一个新的多光谱LiDAR基准数据集，评估了七种最先进的深度学习模型，并展示了光谱信息对分类性能的提升。

AesFormer: Transform Everyday Photos into Beautiful Memories

AesFormer: 将日常照片转化为美丽的记忆

Tianxiang Du, Hulingxiao He, Yuxin Peng

机构 * Wangxuan Institute of Computer Technology, Peking University, Beijing, China（王轩计算机技术研究所，北京大学，北京，中国） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出AesFormer框架，通过将审美规划与图像编辑解耦，改进照片的审美质量，同时保持主体身份和场景语义，构建了包含9071对严格对齐图像对的AesRecon基准数据集。

Comments Accepted by ICML 2026

DriveMA: Rethinking Language Interfaces in Driving VLAs with One-Step Meta-Actions

DriveMA: 重新思考驾驶VLAs中的语言接口以单步元动作

Weicheng Zheng, Yixin Huang, Qiao Sun, Derun Li, Hang zhao

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出DriveMA，通过单步元动作替代传统的自然语言推理，解决了驾驶VLAs中语言接口的三个瓶颈问题，实现了更高效的端到端规划。

Comments We withdraw this submission because the current version contains a mismatch between the paper title, conceptual framing, and the intended contribution of the work. To avoid potential misunderstanding by readers, the authors have decided to withdraw this version and substantially revise the title, organization, and presentation before any future submission

ConvNeXt-FD: A Fractal-Based Deep Model for Robust Biomedical Image Segmentation

ConvNeXt-FD：一种基于分形的深度模型用于鲁棒的生物医学图像分割

Joao Batista Florindo, Amanda Pontes de Oliveira Ornelas

机构 * Institute of Mathematics, Statistics and Scientific Computing, Department of Applied Mathematics, University of Campinas（数学、统计与科学计算研究所，应用数学系，坎皮纳斯大学） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出了一种基于分形的深度学习模型ConvNeXt-FD，用于提高生物医学图像分割的鲁棒性，通过结合Dice系数和边界感知正则化项，提升模型对物体边界和形状保真的敏感性。

Entropy-Guided Self-Supervised Learning for Medical Image Classification

熵引导的自监督学习用于医学图像分类

Joao Florindo, Viviane Moura

机构 * Institute of Mathematics, Statistics and Scientific Computing（数学、统计与科学计算研究所） ； Department of Applied Mathematics, University of Campinas（应用数学系，坎皮纳斯大学） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出了一种结合自监督学习和迁移学习的深度学习框架，通过使用熵引导的掩码自动编码器和ImageNet预训练模型，提升医学图像分类的性能和鲁棒性。

Higher Order Reasoning for Collaborative Communicationless Mobile Robot Operations

高阶推理用于无通信协作移动机器人操作

Jonathan Reasoner, Nicola Bezzo

机构 * Department of Electrical and Computer Engineering, University of Virginia（弗吉尼亚大学电气与计算机工程系） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文提出了一种基于高阶推理的动态认知规划框架，使机器人能够在无通信环境下实现隐式协调和长周期规划，通过仿真和实物实验验证了其在通信受限领域中提升任务完成效率的能力。

Safe and Steerable Geometric Motion Policies for Robotic Dexterous Manipulation

安全且可操控的几何运动策略用于机器人灵巧操作

Albert Wu, Riccardo Bonalli, Thomas Lew, C. Karen Liu

机构 * Computer Science Department, Stanford University（斯坦福大学计算机科学系） ； Laboratory of Signals and Systems, University of Paris-Saclay, CNRS, CentraleSupélec（巴黎-萨克雷大学信号实验室，CNRS，CentraleSupélec） ； Toyota Research Institute（丰田研究院） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本研究提出SafePBDS框架，通过几何一致的方法计算最优且可证明安全的配置流形加速度，以实现机器人灵巧操作中的目标和约束的持续协调，并在模拟和Franka Panda-Allegro手平台上验证了其在灵巧抓取和手部重定向中的高效规划和安全保障。

Comments 24 pages, 10 figures, 5 tables. Project page and demo video: https://tml.stanford.edu/safe-pbds

Motion Design for Grasp-Based Dynamic Locomotion in Microgravity

微重力环境下基于抓取的动态移动运动设计

Chaerim Moon, Joohyung Kim, Justin K. Yim

机构 * Department of Mechanical Science and Engineering at the University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校机械科学与工程系） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 本文针对微重力环境下多肢体机器人系统基于抓取的动态移动问题，提出了一种可参数化的移动规划框架，通过调整步态模式、步长、移动速度和名义姿态等参数，评估其在稳定性和驱动需求方面的性能。研究结果表明，扩大可行接触力空间并抑制脉冲全身动力学可提升移动性能。

Flying Together: Human-Guided Immersive Shared Control for Aerial Robot Teams in Unknown Environments

Flying Together: Human-Guided Immersive Shared Control for Aerial Robot Teams in Unknown Environments

Lou De Bel-Air, Luca Morando, Ruitao Chen, Keru Wang, Benjamin Jarvis, Charbel Toumieh, Yang Zhou, Ken Perlin, Dario Floreano, Giuseppe Loianno

机构 * New York University（纽约大学） ； Ecole Polytechnique Federale de Lausanne（洛桑联邦理工学院） ； University of California Berkeley（加州大学伯克利分校） 纠错

专题命中 规划决策 ：agent(abstract)

AI总结 本文提出了一种基于虚拟现实的共享控制框架，用于在约束和未知环境中操作无人机团队，通过实时用户引导探索，提升在无结构环境中的自主导航能力。核心方法是一种基于用户引导的运动原语规划器，结合阻抗控制器，使操作员能够灵活影响团队行为并引导无人机前往自主规划器可能忽略的感兴趣区域。

Comments Accepted at IEEE International Conference in Robotics and Automation, Vienna 2026