机器人 / 具身智能

Object-Centric World Models from Few-Shot Annotations for Sample-Efficient Reinforcement Learning

基于少量标注的面向对象世界模型用于样本高效强化学习

Weipu Zhang, Adam Jelley, Trevor McInroe, Amos Storkey, Gang Wang

机构 * University of Edinburgh（爱丁堡大学） ； Beijing Institute of Technology（北京理工大学） 纠错

专题命中 模仿学习与强化学习 ：world model(title,abstract)；分类 cs.CV、cs.LG

AI总结 本文提出OC-STORM框架，通过面向对象表示提升MBRL在复杂视觉领域的样本效率，实验证明其在Atari和Hollow Knight中的优越性能。

PanoEnv: Exploring 3D Spatial Intelligence in Panoramic Environments with Reinforcement Learning

PanoEnv：探索基于强化学习的全景环境中3D空间智能

Zekai Lin, Xu Zheng

机构 * University of Glasgow（格拉斯哥大学） ； HKUST(GZ)（香港科技大学（广州）） 纠错

专题命中 模仿学习与强化学习 ：robotics(abstract)；分类 cs.CV

AI总结 PanoEnv通过强化学习框架提升VLMs在全景环境中3D空间推理能力，实现更高准确率和语义评分。

Gauss-Newton accelerated MPPI Control

Gauss-Newton加速的MPPI控制

Hannes Homburger, Katrin Baumgärtner, Moritz Diehl, Johannes Reuter

机构 * Institute of System Dynamics, HTWG Konstanz - University of Applied Sciences（系统动力学研究所，霍特廷根应用科学大学） ； Department of Microsystems Engineering (IMTEK), University of Freiburg（微系统工程系（IMTEK），弗赖堡大学） ； Department of Microsystems Engineering (IMTEK)（微系统工程系（IMTEK）） ； Department of Mathematics, University of Freiburg（数学系，弗赖堡大学） 纠错

专题命中 模仿学习与强化学习 ：robotics(abstract)；分类 cs.RO

AI总结 本文提出Gauss-Newton加速的MPPI方法，通过结合雅可比重构和二次广义高斯-牛顿方法，提升MPPI在高维问题中的可扩展性和计算效率。

Comments 6 pages, 3 figures, submitted to the IFAC World Congress 2026, parts of this preprint are directly taken from Chapter 3 of the main author's PhD thesis with title "Optimal Control for Efficient Vessel Operation: From Theory to Real-World Applications"