机器人 / 具身智能

Beyond Binary Success: Sample-Efficient and Statistically Rigorous Robot Policy Comparison

超越二元成功：样本高效且统计严谨的机器人策略比较

David Snyder, Apurva Badithela, Nikolai Matni, George Pappas, Anirudha Majumdar, Masha Itkina, Haruki Nishimura

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Toyota Research Institute (TRI)（丰田研究院） ； Princeton University（普林斯顿大学） 纠错

专题命中 机器人学习 ：robot policy(title,abstract)；manipulation(abstract)；分类 cs.RO

AI总结 本文提出一种样本高效且统计严谨的机器人策略比较框架，适用于多种评价指标，通过安全 anytime-valid 推断实现早期停止，减少评估负担并提升统计严谨性。

Comments 12 + 9 pages, 2 + 5 figures,

UniPrototype: Humn-Robot Skill Learning with Uniform Prototypes

UniPrototype：基于统一原型的人机技能学习

Xiao Hu, Qi Yin, Yangming Shi, Yang Ye

专题命中 机器人学习 ：robot learning(abstract)；manipulation(abstract)；robotic(abstract)；分类 cs.RO、cs.CV

AI总结 本文提出UniPrototype框架，通过共享运动原语实现人机知识迁移，解决机器人学习数据稀缺问题，提升学习效率和任务性能。

Comments This submission was uploaded in error and has been withdrawn. A substantial revision will need to be completed

KoopmanFlow: Spectrally Decoupled Generative Control Policy via Koopman Structural Bias

KoopmanFlow: 通过Koopman结构偏差实现谱解耦的生成控制策略

Chengsi Yao, Ge Wang, Kai Kang, Shenhao Yan, Jiahao Yang, Fan Feng, Honghao Cai, Xianxian Zeng, Rongjun Chen, Yiming Zhao, Yatong Han, Xi Li

专题命中 机器人学习 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO

AI总结 本文提出KoopmanFlow，一种基于Koopman结构偏差的生成控制策略，通过统一多模态潜在空间和视觉上下文，分离全局稳定运动与高频局部修正，提升接触密集任务中的控制精度和参数效率。

Draft-and-Target Sampling for Video Generation Policy

视频生成策略的草稿与目标采样

Qikang Zhang, Yingjie Lei, Wei Liu, Daochang Liu

机构 * South China Normal University（华南师范大学） ； University of Western Australia（西澳大学） 纠错

专题命中 机器人学习 ：robot policy(abstract)；分类 cs.AI、cs.CV

AI总结 本文提出一种无训练的扩散推理范式，通过自play去噪方法提升视频生成效率，实验表明在三个基准上实现2.1倍加速，同时保持高成功率。

History-Aware Visuomotor Policy Learning via Point Tracking

基于点跟踪的视觉-运动政策学习：历史感知

Jingjing Chen, Hongjie Fang, Chenxi Wang, Shiquan Wang, Cewu Lu

专题命中 机器人学习 ：manipulation(abstract)；分类 cs.RO

AI总结 本文提出基于点跟踪的对象中心历史表示，通过压缩历史信息提升视觉-运动策略性能，有效解决记忆需求中的任务阶段识别、空间记忆和动作计数等多方面问题。

Comments accepted by ICRA 2026