机器人 / 具身智能

D-SPEAR: Dual-Stream Prioritized Experience Adaptive Replay for Stable Reinforcement Learning in Robotic Manipulation

D-SPEAR：双流优先经验自适应回放用于稳定机器人操作的强化学习

Yu Zhang, Karl Mason

机构 * School of Computer Science University of Galway Galway, Ireland 纠错

专题命中 模仿学习与强化学习 ：manipulation(title,abstract)；robotic(title,abstract)；分类 cs.RO、cs.AI、cs.LG；robotics(comments)

AI总结 本文提出D-SPEAR双流优先经验自适应回放框架，通过分离actor和critic采样并维护共享回放缓冲区，利用优先回放提升价值学习效率，低误差过渡稳定策略优化，在机器人操作任务中优于SAC、TD3等基线方法。

Comments Accepted at IEEE 11th International Conference on Control and Robotics Engineering (ICCRE 2026)

EmbodMocap: In-the-Wild 4D Human-Scene Reconstruction for Embodied Agents

EmbodMocap: 野外4D人体-场景重建用于具身智能体

Wenjia Wang, Liang Pan, Huaijin Pi, Yuke Lou, Xuqian Ren, Yifan Wu, Zhouyingcheng Liao, Lei Yang, Rishabh Dabral, Christian Theobalt, Taku Komura

机构 * The University of Hong Kong（香港大学） ； Tampere University（坦佩雷大学） ； The Chinese University of Hong Kong（香港中文大学） ； Max-Planck Institute for Informatics（马克斯·普朗克信息学研究所） 纠错

专题命中 模仿学习与强化学习 ：embodied agent(title,abstract)；embodied AI(abstract)；分类 cs.CV

AI总结 本文提出EmbodMocap，利用两部移动iPhone实现低成本、便携式的人体-场景重建，通过联合校准双RGB-D序列，在无静态相机和标记的情况下实现日常环境中的度量尺度和场景一致的重建，提升具身智能研究。

Emergent Dexterity via Diverse Resets and Large-Scale Reinforcement Learning

通过多样重置和大规模强化学习实现涌现的灵巧性

Patrick Yin, Tyler Westenbroek, Zhengyu Zhang, Joshua Tran, Ignacio Dagnino, Eeshani Shilamkar, Numfor Mbiziwo-Tiapo, Simran Bagaria, Xinlei Liu, Galen Mullins, Andrey Kolobov, Abhishek Gupta

机构 * University of Washington（华盛顿大学） ； NVIDIA（英伟达） ； Microsoft Research（微软研究院） 纠错

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

AI总结 本文提出OmniReset框架，通过模拟器重置和固定超参数，实现单奖励函数解决广泛灵巧操作任务，提升鲁棒性和扩展性。

When to ASK: Uncertainty-Gated Language Assistance for Reinforcement Learning

何时提问：用于强化学习的不确定性门控语言帮助

Juarez Monteiro, Nathan Gavenski, Gianlucca Zuin, Adriano Veloso

专题命中 模仿学习与强化学习 ：navigation(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出ASK方法，通过结合小型语言模型和训练好的RL策略，提升模型在分布外任务中的泛化能力，通过不确定性门控机制选择性利用语言模型进行决策，实验显示其在迁移任务中表现稳健。

Comments In Proceedings of International Joint Conference on Neural Networks (IJCNN)

Olaf: Bringing an Animated Character to Life in the Physical World

奥拉夫：将动画角色带入现实世界

David Müller, Espen Knoop, Dario Mylonopoulos, Agon Serifi, Michael A. Hopkins, Ruben Grandia, Moritz Bächer

机构 * Disney Research Imagineering（迪士尼研究与工程） 纠错

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

AI总结 本文通过强化学习结合动画参考，使奥拉夫在现实世界中活动，采用软泡沫裙隐藏不对称腿部，利用球形和平面连杆实现动作控制，并通过温度输入和额外奖励减少过热风险，验证了其在仿真和硬件中的有效性。