大模型推理能力

RoboAgent: Chaining Basic Capabilities for Embodied Task Planning

RoboAgent: 通过基本能力串联实现具身任务规划

Peiran Xu, Jiaqi Zheng, Yadong Mu

机构 * Peking University（北京大学） ； XYZ Embodied AI（XYZ具身智能） 纠错

专题命中 规划推理 ：planning(title,abstract)；reasoning(abstract)

AI总结 本文提出RoboAgent，通过串联基本能力实现具身任务规划，利用单个VLM构建能力驱动的规划框架，结合多阶段训练方法提升规划效果。

Comments CVPR 2026

Adaptive Obstacle-Aware Task Assignment and Planning for Heterogeneous Robot Teaming

自适应障碍感知异构机器人协同的任务分配与规划

Nan Li, Jiming Ren, Haris Miller, Samuel Coogan, Karen M. Feigh, Ye Zhao

机构 * Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（佐治亚理工学院机器人与智能机器研究所） ； Lockheed Martin Corporation（洛克希德·马丁公司） 纠错

专题命中 规划推理 ：planning(title,abstract)；reasoning(abstract)

AI总结 本文提出OATH框架，通过自适应Halton序列地图和集群拍卖选择机制，提升异构机器人在障碍密集环境中的任务分配效率与适应性，结合LLM实现实时指令解读。

Comments 24 pages, 19 figures, 5 tables

Decoupling Geometric Planning and Execution in Scalable Multi-Agent Path Finding

解耦几何规划与执行的可扩展多智能体路径寻找

Fernando Salanova, Eduardo Montijano, Cristian Mahulea

专题命中 规划推理 ：planning(title,abstract)；reasoning(abstract)

AI总结 本文提出一种混合优先级框架，将几何规划与执行时的冲突解决解耦，通过几何冲突预emption和去中心化局部控制器实现高效多智能体路径寻找，实验表明方法在大规模实例中具有线性运行时间趋势和100%成功率。

Comments 6 pages, 3 figures, WODES conference paper

Cog-DRIFT: Exploration on Adaptively Reformulated Instances Enables Learning from Hard Reasoning Problems

Cog-DRIFT：通过适应性重新表述实例的探索实现从困难推理问题的学习

Justin Chih-Yao Chen, Archiki Prasad, Zaid Khan, Joykirat Singh, Runchu Tian, Elias Stengel-Eskin, Mohit Bansal

机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

专题命中 规划推理 ：reasoning(title,abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 Cog-DRIFT通过任务重述和自适应课程学习，提升大模型在推理任务中的表现，解决传统方法无法学习困难问题的限制。

Comments 22 pages, 4 figures. Code: https://github.com/dinobby/Cog-DRIFT

Visual Prompt Based Reasoning for Offroad Mapping using Multimodal LLMs

基于视觉提示的越野制图推理使用多模态大语言模型

Abdelmoamen Nasser, Yousef Baba'a, Murad Mebrahtu, Nadya Abdel Madjid, Jorge Dias, Majid Khonji

机构 * Khalifa University（哈利法大学） 纠错

专题命中 规划推理 ：reasoning(title,abstract)；planning(abstract)

AI总结 本文提出一种零样本方法，利用SAM2进行环境分割和多模态大语言模型（VLM）进行可行驶区域推理，通过整合分割图像和原始图像实现越野制图推理，无需专门地形模型。

UniDriveVLA: Unifying Understanding, Perception, and Action Planning for Autonomous Driving

UniDriveVLA: 联合理解、感知与行动规划以实现自动驾驶

Yongkang Li, Lijun Zhou, Sixu Yan, Bencheng Liao, Tianyi Yan, Kaixin Xiong, Long Chen, Hongwei Xie, Bing Wang, Guang Chen, Hangjun Ye, Wenyu Liu, Haiyang Sun, Xinggang Wang

机构 * Huazhong University of Science and Technology（华中科技大学） ； SKL-IOTSC, University of Macau（澳门大学智慧城市物联网国家重点实验室） 纠错

专题命中 规划推理 ：planning(title,abstract)；reasoning(abstract)

AI总结 UniDriveVLA通过专家解耦和三阶段训练策略，解决自动驾驶中感知与推理的冲突，实现空间感知与语义推理的统一，取得nuScenes和Bench2Drive的优异性能。

Comments code has been released at https://github.com/xiaomi-research/unidrivevla

KnowDiffuser: A Knowledge-Guided Diffusion Planner with LLM Reasoning

KnowDiffuser: 一种基于知识的扩散规划器与大语言模型推理

Fan Ding, Xuewen Luo, Fengze Yang, Bo Yu, HwaHui Tew, Ganesh Krishnasamy, Junn Yong Loo

机构 * Monash University Malaysia（莫纳什大学马来西亚校区） ； University of Utah（犹他大学） 纠错

专题命中 规划推理 ：reasoning(title,abstract)；planning(abstract)

AI总结 本文提出KnowDiffuser，结合大语言模型的语义理解和扩散模型的生成能力，有效解决自动驾驶中语义到物理的鸿沟问题，实验表明其在开放环和闭环评估中表现优异。

Comments 10pages, 1 figure

SafeDrive: Fine-Grained Safety Reasoning for End-to-End Driving in a Sparse World

SafeDrive: 为稀疏世界中的端到端驾驶进行细粒度安全推理

Jungho Kim, Jiyong Oh, Seunghoon Yu, Hongjae Shin, Donghyuk Kwak, Jun Won Choi

机构 * Seoul National University（首尔大学） 纠错

专题命中 规划推理 ：reasoning(title,abstract)；planning(abstract)

AI总结 SafeDrive提出了一种端到端规划框架，通过轨迹条件化的稀疏世界模型进行显式且可解释的安全推理，实现了在开放循环和闭合循环基准上的最佳性能，有效降低了碰撞率。

Comments Accepted to CVPR 2026, 19 pages, 9 figures

SIMPACT: Simulation-Enabled Action Planning using Vision-Language Models

SIMPACT：基于视觉-语言模型的仿真增强动作规划

Haowen Liu, Shaoxiong Yao, Haonan Chen, Jiawei Gao, Jiayuan Mao, Jia-Bin Huang, Yilun Du

机构 * UMD（马里兰大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Harvard（哈佛大学） ； Amazon FAR（亚马逊FAR） ； UPenn（宾夕法尼亚大学） 纠错

专题命中 规划推理 ：planning(title,abstract)；reasoning(abstract)

AI总结 SIMPACT通过仿真循环世界建模赋予视觉-语言模型物理推理能力，实现高效动作规划，优于现有通用机器人操作模型，在五个复杂真实世界任务中表现优异。

Comments Accepted to CVPR 2026; camera-ready version

Scaling Cross-Environment Failure Reasoning Data for Vision-Language Robotic Manipulation

为视觉-语言机器人操控扩展跨环境故障推理数据

Paul Pacaud, Ricardo Garcia, Shizhe Chen, Cordelia Schmid

机构 * Inria, École normale supérieure, CNRS, PSL Research University（法国国家信息与自动化研究所、巴黎高等师范学院、法国国家科学研究中心、巴黎文理研究大学） 纠错

专题命中 规划推理 ：reasoning(title,abstract)；planning(abstract)

AI总结 本文提出自动框架生成多样化的机器人规划与执行故障数据，构建FailCoT数据集，训练Guardian模型提升故障检测泛化能力。

Comments Code, Data, and Models available at https://www.di.ens.fr/willow/research/guardian/. The paper contains 8 pages, 7 figures, 7 tables

Retrieval-Guided Photovoltaic Inventory Estimation from Satellite Imagery for Distribution Grid Planning

基于卫星图像的检索引导光伏库存估计用于配电网规划

Muhao Guo, Lihao Mai, Erik Blasch, Jafarali Parol, Turki Rakan, Yang Weng

专题命中 规划推理 ：planning(title,abstract)；reasoning(abstract)

AI总结 本文提出Solar-RAG框架，通过图像检索与多模态视觉语言推理结合，提升光伏部署估计的鲁棒性，减少配电网规划中的电压偏差和承载能力误差。

Comments 38 pages, 15 figures

CyberJustice Tutor: An Agentic AI Framework for Cybersecurity Learning via Think-Plan-Act Reasoning and Pedagogical Scaffolding

网络正义导师：一种基于思考-计划-行动推理和教学支架的AI框架，用于网络安全学习

Baiqiang Wang, Yan Bai, Juan Li

专题命中 规划推理 ：reasoning(title,abstract)；planning(abstract)

AI总结 本文提出CyberJustice Tutor，通过Think-Plan-Act推理和教学支架框架，解决传统聊天机器人在网络安全教育中的局限性，验证了其在专业教育中的有效性。

Geometry-Aligned LLM Fine-Tuning for Sequential Narrow-Opening Planning

几何对齐的LLM微调用于序列狭窄开口规划

Al Jaber Mahmud, Xuan Wang

机构 * George Mason University（乔治·马歇尔大学） 纠错

专题命中 规划推理 ：planning(title,abstract)；reasoning(abstract)

AI总结 本文提出几何对齐的LLM微调框架，通过多阶段狭窄开口序列规划实现长视距几何推理，采用失败驱动LoRA监督微调与GRPO优化提升路径可行性。

Comments 8 pages, 3 figures

MACRO-LLM: LLM-Empowered Multi-Agent Collaborative Reasoning under Spatiotemporal Partial Observability

MACRO-LLM：基于时空部分可观测性的LLM赋能多智能体协作推理

Handi Chen, Running Zhao, Xiuzhe Wu, Edith C. H. Ngai

专题命中 规划推理 ：reasoning(title,abstract)；planning(abstract)

AI总结 本文提出MACRO-LLM，通过三个模块解决多智能体在时空部分可观测性下的协作推理问题，验证了其在复杂任务中的鲁棒性。

From Scanning Guidelines to Action: A Robotic Ultrasound Agent with LLM-Based Reasoning

从扫描指南到行动：基于LLM的机器人超声代理

Yuan Bi, Yiping Zhou, Pei Liu, Feng Li, Zhongliang Jiang, Nassir Navab

专题命中 规划推理 ：reasoning(title,abstract)；planning(abstract)

AI总结 本文提出一种基于LLM的自主机器人超声扫描框架，通过动态调用软件工具实现自主扫描，提升适应性和透明度。

Comments Code: https://github.com/yuan-12138/RUSSAgent; Video: https://youtu.be/pfMOc4e2IGA

Surg-R1: A Hierarchical Reasoning Foundation Model for Scalable and Interpretable Surgical Decision Support with Multi-Center Clinical Validation

Surg-R1：一种用于可扩展且可解释的外科决策支持的分层推理基础模型，具有多中心临床验证

Jian Jiang, Chenxi Lin, Yiming Gu, Zengyi Qin, Zhitao Zeng, Kun Yuan, Yonghao Long, Xiang Xia, Cheng Yuan, Yuqi Wang, Zijie Yue, Kunyi Yang, Yuting Zhang, Zhu Zhuo, Dian Qin, Xin Wang, NG Chi Fai, Brian Anthony, Daguang Xu, Guy Rosman, Ozanan Meireles, Zizhen Zhang, Nicolas Padoy, Hesheng Wang, Qi Dou, Yueming Jin, Yutong Ban

专题命中 规划推理 ：reasoning(title,abstract)；chain-of-thought(abstract)

AI总结 Surg-R1通过四阶段流水线训练的分层推理模型，在多中心临床验证中实现了更高的准确率和可解释性，优于现有模型。

SVLL: Staged Vision-Language Learning for Physically Grounded Embodied Task Planning

SVLL：分阶段视觉-语言学习用于物理基础的具身任务规划

Yuyuan Yang, Junkun Hong, Hongrong Wang, Honghao Cai, Xunpeng Ren, Ge Wang, Mingcong Lei, Shenhao Yan, Jiahao Yang, Chengsi Yao, Xi Li, Yiming Zhao, Yatong Han, Jinke Ren

机构 * FNii-Shenzhen, CUHKSZ（FNii深圳，CUHKSZ） ； SSE, CUHKSZ（SSE，CUHKSZ） ； SAI, CUHKSZ（SAI，CUHKSZ） ； Shenzhen University（深圳大学） ； University of Sydney（悉尼大学） ； Harbin Engineering University（哈尔滨工程大学） ； Ising AI 纠错

专题命中 规划推理 ：planning(title,abstract)；reasoning(abstract)

AI总结 SVLL 通过分阶段学习和 Bias-DPO 对齐目标，实现稳健的物理基础具身任务规划，提升任务成功率并减少物理约束违规。

Senna-2: Aligning VLM and End-to-End Driving Policy for Consistent Decision Making and Planning

Senna-2：对齐视觉语言模型与端到端驾驶策略以实现一致的决策与规划

Yuehao Song, Shaoyu Chen, Hao Gao, Yifan Zhu, Weixiang Yue, Jialv Zou, Bo Jiang, Zihao Lu, Yu Wang, Qian Zhang, Xinggang Wang

机构 * Huazhong University of Science & Technology（华中科技大学） ； Horizon Robotics 纠错

专题命中 规划推理 ：planning(title,abstract)；reasoning(abstract)

AI总结 Senna-2通过三阶段训练范式对齐视觉语言模型与端到端驾驶策略，提升决策与规划的一致性，增强驾驶安全性和效率。

Comments 15 pages, 8 figures. Project page: https://ambitious-idiot.github.io/senna2-project

Evolving Demonstration Optimization for Chain-of-Thought Feature Transformation

链式推理特征转换的进化演示优化

Xinyuan Wang, Kunpeng Liu, Arun Vignesh Malarkkan, Yanjie Fu

专题命中 规划推理 ：chain-of-thought(title,abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文提出一种通过进化轨迹经验优化LLM驱动的特征转换方法，提升转换多样性与下游任务性能。

Open-World Task and Motion Planning via Vision-Language Model Generated Constraints

开放世界任务与运动规划 via 视觉-语言模型生成的约束

Nishanth Kumar, William Shen, Fabio Ramos, Dieter Fox, Tomás Lozano-Pérez, Leslie Pack Kaelbling, Caelan Reed Garrett

机构 * NVIDIA Research（NVIDIA研究） ； MIT CSAIL 纠错

专题命中 规划推理 ：planning(title,abstract)；reasoning(abstract)

AI总结 本文提出OWL-TAMP方法，通过整合视觉-语言模型生成的约束，提升开放世界任务与运动规划的性能，实现对自然语言目标的处理能力。

Comments A version of this paper appears in IEEE Robotics and Automation Letters (RA-L) Volume 11, Issue 3

RecThinker: An Agentic Framework for Tool-Augmented Reasoning in Recommendation

RecThinker: 一种用于推荐中的工具增强推理的代理框架

Haobo Zhang, Yutao Zhu, Kelong Mao, Tianhao Li, Zhicheng Dou

专题命中 规划推理 ：reasoning(title,abstract)；planning(abstract)

AI总结 RecThinker通过动态规划和主动工具调用，提升推荐系统中信息获取和推理能力，实现更优的用户-物品匹配。

Kinodynamic Task and Motion Planning using VLM-guided and Interleaved Sampling

基于VLM引导和交错采样的运动动力学任务与动作规划

Minseo Kwon, Young J. Kim

机构 * Department of Computer Science and Engineering（计算机科学与工程系） 纠错

专题命中 规划推理 ：planning(title,abstract)；reasoning(abstract)

AI总结 本文提出一种基于VLM引导和交错采样的运动动力学任务与动作规划方法，通过混合状态树联合决策任务和运动，提升规划效率和成功率。

Direct Contact-Tolerant Motion Planning With Vision Language Models

直接接触容忍的运动规划与视觉语言模型

He Li, Jian Sun, Chengyang Li, Guoliang Li, Qiyu Ruan, Shuai Wang, Chengzhong Xu

机构 * State Key Laboratory of Internet of Things for Smart City (SKL-IOTSC), University of Macau（物联网智能城市国家重点实验室，澳门大学） ； Shenzhen Institutes of Advanced Technology (SIAT), Chinese Academy of Sciences（深圳先进技术研究院，中国科学院） ； Department of Electrical and Computer Engineering, The University of Hong Kong（香港大学电子与计算机工程系） 纠错

专题命中 规划推理 ：planning(title,abstract)；reasoning(abstract)

AI总结 本文提出直接接触容忍运动规划方法，利用视觉语言模型实现接触感知导航，提升机器人在拥挤环境中的鲁棒性和效率。

VideoChat-M1: Collaborative Policy Planning for Video Understanding via Multi-Agent Reinforcement Learning

VideoChat-M1: 通过多智能体强化学习实现视频理解的协作策略规划

Boyu Chen, Zikang Wang, Zhengrong Yue, Kainan Yan, Chenyun Yu, Yi Huang, Zijun Liu, Yafei Wen, Xiaoxin Chen, Yang Liu, Peng Li, Yali Wang

机构 * Shenzhen Key Lab of Computer Vision and Pattern Recognition（深圳计算机视觉与模式识别重点实验室） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； VIVO AI Lab（VIVO人工智能实验室） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shenzhen Campus of Sun Yat-sen University（孙逸仙大学深圳校区） ； Shanghai Jiao Tong University（上海交通大学） ； Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院） ； Dept. of Comp. Sci. & Tech., Institute for AI, Tsinghua University（清华大学计算机科学与技术系，人工智能研究院） 纠错

专题命中 规划推理 ：planning(title,abstract)；reasoning(abstract)

AI总结 VideoChat-M1通过多智能体强化学习实现视频理解的协作策略规划，显著提升复杂视频任务的性能。

Comments Accepted by CVPR 2026

Benefits and Pitfalls of Reinforcement Learning for Language Model Planning: A Theoretical Perspective

强化学习在语言模型规划中的利弊：一种理论视角

Siwei Wang, Yifei Shen, Haoran Sun, Shi Feng, Shang-Hua Teng, Li Dong, Yaru Hao, Wei Chen

机构 * Microsoft Research Asia（微软亚洲研究院） ； Peking University（北京大学） ； Harvard University（哈佛大学） ； University of Southern California（南加州大学） 纠错

专题命中 规划推理 ：planning(title,abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文从理论角度分析强化学习在语言模型规划中的利弊，揭示探索的重要性及Q学习在多样性保持方面的优势。

IMR-LLM: Industrial Multi-Robot Task Planning and Program Generation using Large Language Models

IMR-LLM：基于大语言模型的工业多机器人任务规划与程序生成

Xiangyu Su, Juzhan Xu, Oliver van Kaick, Kai Xu, Ruizhen Hu

机构 * Shenzhen University（深圳大学） ； SpeedBot Robotics Co., Ltd.（SpeedBot机器人科技有限公司） ； Carleton University（卡尔顿大学） ； Institute of AI for Industries, Chinese Academy of Sciences（中国科学院工业人工智能研究所） 纠错

专题命中 规划推理 ：planning(title,abstract)；reasoning(abstract)

AI总结 IMR-LLM通过大语言模型实现工业多机器人任务规划与程序生成，结合析取图和过程树，提出高效任务计划和可执行程序生成方法，并构建了多复杂度层次的IMR-Bench基准。

ImagiDrive: A Unified Imagination-and-Planning Framework for Autonomous Driving

ImagiDrive: 一种用于自动驾驶的统一想象与规划框架

Jingyu Li, Bozhou Zhang, Xin Jin, Jiankang Deng, Xiatian Zhu, Li Zhang

机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； Shanghai Innovation Institute（上海创新研究院） ； Eastern Institute of Technology（技术东院） ； Imperial College London（伦敦帝国理工学院） ； University of Surrey（萨里大学） 纠错

专题命中 规划推理 ：planning(title,abstract)；reasoning(abstract)

AI总结 ImagiDrive通过整合视觉-语言模型和驾驶世界模型，实现自动驾驶中的统一想象与规划循环，提升场景生成和决策预测的准确性与效率。

Comments Accepted for publication in 2026 IEEE International Conference on Robotics and Automation (ICRA)

One Demo Is All It Takes: Planning Domain Derivation with LLMs from A Single Demonstration

一个演示就足够：从单个演示中利用LLM进行规划域推导

Jinbang Huang, Yixin Xiao, Zhanguang Zhang, Mark Coates, Jianye Hao, Yingxue Zhang

机构 * Huawei Noah’s Ark Lab（华为诺亚实验室） ； McGill University（麦吉尔大学） 纠错

专题命中 规划推理 ：planning(title,abstract)；reasoning(abstract)

AI总结 PDDLLM通过结合LLM推理与物理模拟，从单个演示中自动推导规划域，提升长时间跨度任务规划的自动化与可靠性。

Comments Published as a conference paper at ICLR 2026

CAPER: Constrained and Procedural Reasoning for Robotic Scientific Experiments

CAPER：用于机器人科学实验的约束和程序性推理

Jinghan Yang, Jingyi Hou, Xinbo Yu, Wei He, Yifan Wu

机构 * University of Science and Technology Beijing（北京科技大学） ； Beijing Information Science and Technology University（北京信息科技大学） 纠错

专题命中 规划推理 ：reasoning(title,abstract)；planning(abstract)

AI总结 CAPER通过约束和程序性推理框架提升机器人在科学实验中的可控性、鲁棒性和数据效率。

UniPlan: Vision-Language Task Planning for Mobile Manipulation with Unified PDDL Formulation

UniPlan: 为移动操作统一PDDL形式的视觉-语言任务规划

Haoming Ye, Yunxiao Xiao, Cewu Lu, Panpan Cai

专题命中 规划推理 ：planning(title,abstract)；reasoning(abstract)

AI总结 UniPlan通过统一PDDL形式实现视觉-语言任务规划，提升大规模室内移动操作的规划效率和效果。