AI Agent

VeriDrive: Verifiable Counterfactual Supervision for Cost-Efficient Vision-Language Planning

VeriDrive: 可验证的反事实监督用于成本高效的视觉-语言规划

Zikai Zhang, Hubert P. H. Shum, Toby P. Breckon

机构 * Department of Computer Science, Durham University（杜伦大学计算机科学系） 纠错

专题命中 规划决策 ：planning(title,abstract)

AI总结 提出VeriDrive框架，通过结构化感知-评估-修正链生成可验证的反事实监督，降低视觉-语言驾驶规划的数据构建成本，并在nuScenes数据集上验证其有效性。

CAPE: Contrastive Action-conditioned Parallel Encoding for Embodied Planning

CAPE: 用于具身规划的条件对比动作并行编码

Cong Chen, Haowen Wang, Zhixiang Zhang, Pei Ren, Zhengping Che

专题命中 规划决策 ：planning(title,abstract)

AI总结 提出CAPE框架，通过对比学习区分不同动作序列的未来结果，实现高效视觉动力学建模，在真实世界和零样本迁移任务中显著提升规划性能并降低推理成本。

Comments 19 pages, 7 figures

Coarse-to-Control: Action-Token Planning for Vision-Language-Action Models

粗到细控制：面向视觉-语言-动作模型的行动令牌规划

Jinhao Wu, Shiduo Zhang, Yicheng Liu, Xiaopeng Yu, Sixian Li, Siyin Wang, Hang Zhao, Jing Huo, Yang Gao, Jingjing Gong, Xipeng Qiu, Yu-Gang Jiang

机构 * Nanjing University（南京大学） ； Shanghai Innovation Institute（上海创新研究院） ； Fudan University（复旦大学） ； Tsinghua University（清华大学） 纠错

专题命中 规划决策 ：planning(title,abstract)

AI总结 提出Coarse-to-Control框架，在动作令牌空间中引入原生规划，通过先预测粗粒度动作令牌序列再生成可执行动作，提升长程任务性能。

Multi-Robot Planning and Control from CCTV Camera Networks in a Real Warehouse

基于真实仓库中闭路电视摄像机网络的多机器人规划与控制

Luke Robinson, Benjamin Ramtoula, Anas Izaaryene, Paul Newman, Daniele De Martini

机构 * Oxford Robotics Institute, University of Oxford, UK（牛津大学机器人研究所，牛津大学，英国） ； Robot Systems Group, Technical University of Munich, Germany（机器人系统组，慕尼黑技术大学，德国） 纠错

专题命中 规划决策 ：planning(title,abstract)

AI总结 提出仅利用分布式CCTV网络和边缘计算实现多机器人协调规划与控制的方法，在真实仓库中验证了四台机器人和30个摄像头的系统，首次实现仅依赖外部摄像头网络的现场多机器人协调。

CRAFT: Coaching Reinforcement Learning Autonomously using Foundation Models for Multi-Robot Coordination Tasks

CRAFT：利用基础模型自主教练强化学习以完成多机器人协调任务

Seoyeon Choi, Kanghyun Ryu, Jonghoon Ock, Negar Mehr

机构 * Department of Mechanical Engineering, University of California Berkeley（机械工程系，加州大学伯克利分校） 纠错

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

AI总结 提出CRAFT框架，利用大语言模型分解任务、生成奖励函数，并通过视觉语言模型优化，实现多机器人协调学习，在四足导航和双臂操作任务中验证有效性。

Think Like a Pilot: Fine-Grained Long-Horizon UAV Navigation

像飞行员一样思考：细粒度长时程无人机导航

Xiangyi Zheng, Xiangyu Wang, Qinan Liao, Zimu Tang, Yue Liao, Dongyue Lyu, Guodong Wang, Junjie Liu, Si Liu

机构 * Colab ； Beihang University（北航） ； Meituan（美团） ； National University of Singapore（新加坡国立大学） 纠错

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

AI总结 提出FLIGHT基准和FLIGHT VLA异步架构，通过低频飞行员推理VLM与高频扩散动作模型解耦，实现无人机长时程语义指令下的平滑连续飞行控制。

Uncertainty-Aware LLM-Guided Policy Shaping for Sparse-Reward Reinforcement Learning

不确定性感知的LLM引导策略塑形用于稀疏奖励强化学习

Ujjwal Bhatta, Utsabi Dangol, Sumaly Bajracharya, Rodrigue Rizk, KC Santosh

机构 * USD AI Research Lab（USD人工智能研究实验室） 纠错

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

AI总结 提出ULPS框架，结合校准的大语言模型与不确定性估计，通过A*轨迹微调BERT模型提供动作建议，并用熵机制平衡LLM引导与PPO策略，在MiniGridUnlockPickup基准上显著提升成功率、奖励效率和样本复杂度。

Comments Accepted to the 2026 IEEE Conference on Artificial Intelligence (IEEE CAI). 6 pages, 3 figures. Code available at: https://github.com/USD-AI-ResearchLab/uncertainty-aware-llm-rl

TRACE: Trajectory Reasoning through Adaptive Cross-Step Evidence Aggregation for LLM Agents

TRACE: 通过自适应跨步骤证据聚合的LLM智能体轨迹推理

Vijitha Mittapalli, Shreyaa Jayant Dani, Satya Srujana Pilli, Snigdha Ansu, Mohammadreza Teymoorianfard, Franck Dernoncourt, Hongjie Chen, Yu Wang, Ryan A. Rossi, Nesreen K. Ahmed

机构 * University of Massachusetts at Amherst（马萨诸塞大学阿默斯特分校） ； Adobe Research（Adobe研究） ； Dolby Labs（杜比实验室） ； University of Oregon（俄勒冈大学） ； Cisco（思科） 纠错

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

AI总结 提出TRACE框架，通过TIJ循环识别高信号区域、累积跨步骤证据并合成轨迹级判决，在SHADE-Arena的十个任务域上F1达0.713，召回率0.844，尤其擅长长距离证据链接。

Scenario Generation for Risk-Aware Reinforcement Learning with Probably Approximately Safe Guarantees

面向风险感知强化学习的情景生成与近似安全保证

Mohit Prashant, Arvind Easwaran

机构 * Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 针对强化学习策略对转移扰动敏感导致不安全行为的问题，提出使用变分自编码器近似状态空间分布，通过构造上下界屏障证书并采样非鲁棒区域状态来收紧概率安全保证。

Comments 8 pages, preprint

Robust Driving Control for Autonomous Vehicles: An Intelligent General-sum Constrained Adversarial Reinforcement Learning Approach

自动驾驶鲁棒控制：一种智能一般和约束对抗强化学习方法

Junchao Fan, Qi Wei, Ruichen Zhang, Yang Lu, Jianhua Wang, Xiaolin Chang, Bo Ai

机构 * Beijing Key Laboratory of Security and Privacy in Intelligent Transportation（北京智能交通安全与隐私重点实验室） ； Beijing Jiaotong University（北京交通大学） ； College of Computing and Data Science（计算与数据科学学院） ； Nanyang Technological University（南洋理工大学） ； School of Computer Science and Technology（计算机科学与技术学院） ； Taiyuan University of Technology（太原科技大学） ； School of Electronics and Information Engineering（电子与信息工程学院） 纠错

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

AI总结 针对深度强化学习在自动驾驶中易受对抗攻击的问题，提出智能一般和约束对抗强化学习（IGCARL），通过战略性目标对手和鲁棒驾驶代理的交互训练，在约束优化下提升策略稳定性，实验表明成功率比现有方法提高至少27.9%。

Is US Defense Acquisition Ready to Acquire AI-Enabled Capabilities? Assessing the DoD Software Acquisition Pathway Through a Scenario-Based Policy Analysis

美国国防采办是否准备好采办人工智能赋能能力？通过基于场景的政策分析评估国防部软件采办路径

Daniel Lugo, James C. Davis

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

AI总结 通过基于场景的政策分析，评估美国国防部软件采办路径是否足以应对AI采办的独特需求，发现核心指南中存在可操作性不足，建议增设AI支持子路径并完善工件。

Comments Submitted to ACM Digital Government: Research and Practice Journal on April 2026

Self-evolving LLM agents with in-distribution Optimization

自演化分布内优化的LLM智能体

Yudi Zhang, Meng Fang, Zhenfang Chen, Mykola Pechenizkiy

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

专题命中 规划决策 ：agent(abstract)；分类 cs.LG

AI总结 提出Q-Evolve框架，通过分布内强化学习统一过程奖励标注与策略学习，利用加权隐式Q学习稳定贝尔曼更新，实现智能体自演化，在AlfWorld等任务上优于基线。

Comments ICML 2026

Dash2Sim: Closed-Loop Driving Simulation from in-the-wild Dashcam Videos

Dash2Sim: 来自野外行车记录仪视频的闭环驾驶仿真

Anurag Ghosh, Francesco Pittaluga, Khiem Vuong, Angela Chen, Juan Alvarez-Padilla, Manmohan Chandraker, Srinivasa Narasimhan

机构 * Carnegie Mellon University（卡内基梅隆大学） ； NEC Labs America（NEC美国实验室） ； MIT（麻省理工学院） ； UC San Diego（加州大学圣地亚哥分校） 纠错

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

AI总结 提出Dash2Sim框架，将单目行车记录仪视频转化为度量级、地理参考的4D驾驶日志，用于闭环仿真，并构建ROADWork4D基准数据集，验证了施工区场景对规划器的挑战。

Accounting for Context: Shaping Moral Credences for Value Alignment

考虑情境：塑造道德信念以实现价值对齐

Jazon Szabo, Sanjay Modgil

机构 * University of Oxford（牛津大学） 纠错

专题命中 规划决策 ：agent(abstract)；分类 cs.AI

AI总结 本文针对价值对齐中道德多元性问题，提出在聚合道德评估时必须考虑情境因素，并形式化道德不确定性下的决策，揭示弱帕累托原则的违反是辛普森悖论的一种变体。

SCOUT: Semantic scene COverage via Uncertainty-guided Traversal

SCOUT: 基于不确定性引导遍历的语义场景覆盖

Junyu Mao, Sara Ayoubi, Vishnu D. Sharma, Ilija Hadžić, Matthew Andrews

机构 * Nokia Bell Labs, France（诺基亚贝尔实验室，法国） ； Nokia Bell Labs, Murray Hill, NJ, USA（诺基亚贝尔实验室，美国，新泽西州 Murray Hill） ； Imperial College London（帝国理工学院伦敦分校） ； Locus Robotics（Locus机器人技术公司） 纠错

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

AI总结 提出SCOUT框架，通过不确定性引导的遍历规划与概率场景图构建的闭环，使机器人主动探索并逐步理解环境，实现语义场景完整性作为操作目标。

Comments 2026 ICRA Workshop on Uncertainty in Open World Robotics

A Geometric Gaussian Mixture Representation of Plane Curves

平面曲线的几何高斯混合表示

Ali Darijani, Benedikt Stratmann, Jürgen Beyerer

机构 * Fraunhofer IOSB（弗劳恩霍夫研究所） ； KIT, IES（卡尔斯鲁厄理工学院，信息工程系） 纠错

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

AI总结 提出一种用户定义的平面曲线概率多边形表示，通过为每个线段赋予法向不确定性参数，构造高斯混合模型，保留局部几何与法向不确定性，适用于多种曲线类型。

GraphWalker: Patient Analogy Meets Information Gain for Clinical Reasoning with Large Language Models

GraphWalker: 患者类比与信息增益结合用于大型语言模型的临床推理

Yue Fang, Weibin Liao, Yuxin Guo, Jiaran Gao, Hongxin Ding, Jinyang Zhang, Xinke Jiang, Zhibang Yang, Junfeng Zhao, Yasha Wang, Liantao Ma

机构 * School of Computer Science, Peking University, Beijing, China（北京大学计算机学院，北京，中国） ； National Engineering Research Center for Software Engineering, Peking University, Beijing, China（软件工程国家工程研究中心，北京大学，北京，中国） 纠错

专题命中 规划决策 ：agentic(abstract)；分类 cs.LG

AI总结 提出GraphWalker框架，通过联合数据驱动和模型驱动视角、发现患者队列以及采用懒惰贪心搜索，从电子健康记录中检索患者案例进行类比推理，无需参数更新即可提升临床推理性能。

The Latent Space: Foundation, Evolution, Mechanism, Ability, and Outlook

潜空间：基础、演化、机制、能力与展望

Xinlei Yu, Zhangquan Chen, Yongbo He, Tianyu Fu, Guanting Dong, Cheng Yang, Chengming Xu, Yue Ma, Xiaobin Hu, Zhe Cao, Jie Xu, Guibin Zhang, Jiale Tao, Jiayi Zhang, Siyuan Ma, Kaituo Feng, Haojie Huang, Youxing Li, Ronghao Chen, Huacan Wang, Chenglin Wu, Zikun Su, Xiaogang Xu, Kelu Yao, Kun Wang, Chen Gao, Yue Liao, Ruqi Huang, Tao Jin, Zhucun Xue, Cheng Tan, Jiangning Zhang, Wenqi Ren, Yanwei Fu, Yong Liu, Yu Wang, Xiangyu Yue, Yu-Gang Jiang, Shuicheng Yan

机构 * National University of Singapore（国立新加坡大学） ； Fudan University（复旦大学） ； Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Renmin University of China（中国人民大学） ； The Chinese University of Hong Kong（香港中文大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； DeepWisdom（深智科技） ； Nanjing University（南京大学） ； Shanghai Jiatong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） ； Tencent Hunyuan（腾讯文深） ； QuantaAlpha（量子阿尔法） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Zhejiang Lab（浙江实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Sun Yat-sen University（中山大学） 纠错

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

AI总结 本文综述潜空间在语言模型中的基础、演化、机制与能力，指出其克服显式空间计算的结构性限制，并展望未来研究方向。

Evaluating AI-based Scientific Knowledge Synthesis with Epidemiological Systematic Reviews

基于流行病学系统评价评估AI科学知识综合

Shreyansh Padarha, Ryan Othniel Kearns, Tristan Naidoo, Lingyi Yang, Łukasz Borchmann, Piotr BŁaszczyk, Christian Morgenstern, Ruth McCabe, Sangeeta Bhatia, Philip H. Torr, Jakob Foerster, Scott A. Hale, Thomas Rawson, Anne Cori, Elizaveta Semenova, Adam Mahdi

机构 * University of Oxford（牛津大学） ； Imperial College London（伦敦帝国理工学院） ； University of Nottingham（诺丁汉大学） ； Snowflake AI Research（Snowflake人工智能研究） ； Independent（独立） 纠错

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

AI总结 提出AgentSLR评估框架，包含自动化工作流和专家标注数据集，测试LLM在流行病学系统评价各阶段能力，发现无模型全面领先，结构化提取是主要瓶颈。

LLM-Augmented Digital Twin for Policy Evaluation in Short-Video Platforms

LLM增强的数字孪生用于短视频平台策略评估

Haoting Zhang, Yunduan Lin, Jinghai He, Denglin Jiang, Zuo-Jun Shen, Zeyu Zheng

机构 * University of California, Berkeley（加州大学伯克利分校） ； The Chinese University of Hong Kong（香港中文大学） ； New York University（纽约大学） ； The University of Hong Kong（香港大学） 纠错

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

AI总结 提出一种LLM增强的四模块数字孪生架构（用户、内容、交互、平台），通过事件驱动执行层和可插拔策略组件，支持在闭环动态下对平台策略（含AI策略）进行可复现的仿真评估。

MatterDoor: Sampling Zero-shot Spatio-semantic Priors using Generative Models

MatterDoor: 使用生成模型采样零样本空间语义先验

Subhransu S. Bhattacharjee, Hao Lu, Dylan Campbell, Rahul Shome

机构 * School of Computing, Australian National University（澳大利亚国立大学计算机学院） 纠错

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

AI总结 针对机器人通过门缝观察时场景结构缺失的问题，提出MatterDoor方法，利用预训练生成模型（VLM引导外推、单目深度估计、语义分割）采样隐藏房间的语义3D点云先验，在Matterport3D基准上验证了零样本空间语义先验的有效性。

Comments Under Review

Safety by Invariance, Liveness through Refinement: Heterogeneous Contract Framework for Co-Design of Layered Control

通过不变性保证安全，通过精化实现活性：分层控制协同设计的异构契约框架

Yoshinari Takayama, Alessio Iovine, Bart Besselink, Guillaume Sandou, Adnane Saoud

机构 * Laboratory of Signals and Systems (L2S), CNRS, CentraleSupelec, Paris-Saclay University, France（信号与系统实验室（L2S），CNRS，CentraleSupelec，巴黎-萨克雷大学，法国） ； College of Computing, University Mohammed VI Polytechnic, Benguerir, Morocco（计算学院，穆罕默德六世理工学院，贝内乌尔，摩洛哥） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 针对分层控制架构缺乏统一规范语言、跨时间尺度互联保证及层间组合分离的问题，提出将安全-活性分解引入异构假设-保证契约框架，通过连续时间层的不变性保证安全，离散时间层的精化实现活性，并形式化层间协调条件。

Comments 21 pages

CATEKAPPA: An R Shiny Application for Design and Analysis of Consistency Tests Based on the Kappa Statistic for Categorical Responses

CATEKAPPA：基于Kappa统计量进行分类响应一致性检验设计与分析的R Shiny应用

Zheng Gai, Li Xincheng, Jiang Wangyingjie, Zhao Panwei

专题命中 规划决策 ：planning(abstract)

AI总结 针对分类数据一致性检验中样本量确定和Kappa系数计算两大难题，开发了集成样本量规划与一致性分析的R Shiny应用CATEKAPPA，支持Cohen's、Fleiss'和Light's Kappa，并提供自动解释。

Comments 10 pages, 4 figures; This open-source R package CATEKAPPA is available on CRAN at https://CRAN.R-project.org/package=catekappa, source code repository is hosted at https://github.com/satellite837/catekappa. Manuscript planned for submission to Journal of Statistical Software (JSS). Supplementary R package source code uploaded as ancillary file

Affordance-Based Hierarchical Reinforcement Learning for Quadruped Pedipulation

基于可负担性的四足机器人层级强化学习操控

Tuba Girgin, Jose Castelblanco, Gabriel Rodriguez, Emre Girgin, Cagri Kilic

机构 * Embry-Riddle Aeronautical University（埃姆布里-瑞德航空航天大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 提出三级层级强化学习框架，利用姿态和交互点可负担性引导导航与操控策略，在仿真和真实环境中实现自主物体操控。

Comments This paper is submitted to Wiley Journal of Field Robotics

Test-Time Trajectory Optimization for Autonomous Driving

自动驾驶的测试时轨迹优化

Yihong Xu, Eloi Zablocki, Yuan Yin, Elias Ramzi, Ellington Kirby, Alexandre Boulch, Matthieu Cord

机构 * valeo.ai ； Sorbonne Université（索邦大学） ； CNRS（国家科学研究中心） ； ISIR（信息科学研究所） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 提出TOAD方法，在测试时使用交叉熵方法优化轨迹，无需重新训练即可提升多种规划器的性能。

CANote: Empowering Fact-checking Note Writing Through Scaffolded and Provenance-based Human-AI Collaboration

CANote: 通过支架式和基于来源的人机协作增强事实核查笔记撰写

Shuning Zhang, Jingruo Chen, Yuwei Chuai, Dai Shi, Yifan Wang, Xin Yi, Hewu Li

专题命中 规划决策 ：workflow(abstract)

AI总结 提出CANote系统，通过子主张提取、证据链接和结构化草稿辅助用户撰写高质量辟谣笔记，显著提升非专家用户的笔记质量至专家水平。

Mission-Level Runtime Assurance Framework for Autonomous Driving

自动驾驶任务级运行时保证框架

Chieh Tsai, Salim Hariri

机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 提出一种评估驾驶安全与任务完成能力的运行时保证框架，通过监控系统拒绝不可行命令，实验证明其优于仅关注平台安全的方法。

STRIPS-WM: Learning Grounded Propositional STRIPS-style World Models from Images

STRIPS-WM：从图像学习基于命题的STRIPS风格世界模型

Abhiroop Ajith, Constantinos Chamzas

机构 * Worcester Polytechnic Institute（沃斯特理工学院） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 提出STRIPS-WM框架，从图像转换中学习符号化世界模型，用于机器人视觉任务规划，提升规划成功率。

PhyRoGen: Synthetic Generation of Physical Robot Manipulation Puzzles Using Procedural Content Generation

PhyRoGen：使用程序化内容生成物理机器人操作谜题的合成生成

Lennart Julian Droß, Andreas Orthey, Marc Toussaint

机构 * Technical University of Berlin（柏林技术大学） ； Robotics Institute Germany（德国机器人研究所） 纠错

专题命中 规划决策 ：planning(abstract)

AI总结 提出PhyRoGen框架，利用程序化内容生成自动创建机器人操作谜题的合成数据集，生成的24个谜题可在1-300秒内求解，并在物理仿真中验证可操作性。

Comments 8 pages, accepted at CASE 2026

Sustainability by Design in Decentralized Autonomous Organizations: An Empirical Review of Governance, Innovation, and Institutional Design

去中心化自治组织中的可持续性设计：治理、创新与制度设计的实证综述

Yutian Wang, Luyao Zhang

专题命中 规划决策 ：agent(abstract)

AI总结 本研究通过比较ERC-8004（DAO治理）与Google A2A（企业联盟治理）两种标准，利用LLM驱动的比较管道分析大规模治理话语，探讨去中心化自治组织如何通过设计嵌入可持续性。