自动驾驶

QuickLAP: Quick Language-Action Preference Learning for Semi-Autonomous Agents

QuickLAP: 为半自主代理快速语言-动作偏好学习

Jordan Abi Nader, David Lee, Nathaniel Dennler, Andreea Bobu

专题命中 端到端驾驶 ：autonomous driving(abstract)；分类 cs.RO、cs.AI

AI总结 本研究提出QuickLAP，一种融合物理和语言反馈的贝叶斯框架，用于实时推断奖励函数，通过大规模语言模型提取奖励特征注意力掩码和偏好偏移，从而在半自主驾驶模拟器中将奖励学习误差降低70%，并通过用户研究验证其可理解性和协作性。

Decentralized End-to-End Multi-AAV Pursuit Using Predictive Spatio-Temporal Observation via Deep Reinforcement Learning

基于深度强化学习的去中心化端到端多无人艇追捕

Yude Li, Zhexuan Zhou, Huizhe Li, Yanke Sun, Yenan Wu, Yichen Lai, Yiming Wang, Youmin Gong, Jie Mei

机构 * School of Intelligence Science and Engineering（智能科学与工程学院） ； Guangdong Key Laboratory of Intelligent Morphing Mechanisms and Adaptive Robotics（广东省智能变形机制与自适应机器人重点实验室） ； Shenzhen Key Lab for Advanced Motion Control and Modern Automation Equipments（深圳先进运动控制与现代自动化设备重点实验室） ； Harbin Institute of Technology（哈尔滨工业大学） 纠错

专题命中 端到端驾驶 ：LiDAR(abstract)；分类 cs.RO

AI总结 本文提出一种去中心化端到端多智能体强化学习框架，通过预测时空观测实现自主空中群体在复杂环境中的追捕，提升捕获效率和协同成功率。