机器人 / 具身智能

Look, Zoom, Understand: The Robotic Eyeball for Embodied Perception

看、聚焦、理解：用于具身感知的机器人眼球

Jiashu Yang, Yifan Han, Yucheng Xie, Ning Guo, Wenzhao Lian

机构 * School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Dalian University of Technology（大连理工大学） 纠错

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

AI总结 本文提出EyeVLA框架，通过整合视觉感知、语言理解和物理摄像头控制，实现语言引导的主动视觉感知。该框架在500个真实样本上训练，使机器人在50种不同场景中完成任务的平均完成率为96%。

Beyond Semantic Manipulation: Token-Space Attacks on Reward Models

超越语义操控：奖励模型中的标记空间攻击

Yuheng Zhang, Mingyue Huo, Minghao Zhu, Mengxue Zhang, Nan Jiang

机构 * UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Independent Researcher（独立研究员） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） 纠错

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

AI总结 本文提出Token Mapping Perturbation Attack（TOMPA）框架，通过在标记空间中进行对抗优化，发现非语言标记模式以提升奖励模型性能，揭示了当前RLHF流程的关键漏洞。

Mission-Aligned Learning-Informed Control of Autonomous Systems: Formulation and Foundations

任务对齐的学习引导控制：公式与基础

Vyacheslav Kungurtsev, Monicah Cherop Naibei, Gustav Sir, Akhil Anand, Sebastien Gros, Haozhe Tian, Homayoun Hamedmoghadam

机构 * Czech Technical University in Prague（捷克布拉格工业大学） ； Norwegian University of Science and Technology（挪威科技大学） ； Imperial College London（伦敦帝国理工学院） 纠错

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

AI总结 本文提出一种任务对齐的学习引导控制框架，结合控制、经典规划和强化学习，提升自主系统安全性和可靠性。

Behavior-Constrained Reinforcement Learning with Receding-Horizon Credit Assignment for High-Performance Control

具有递推地 horizon 信用分配的行为约束强化学习

Siwei Ju, Jan Tauberschmidt, Oleg Arenz, Peter van Vliet, Jan Peters

机构 * TU Darmstadt（达姆施塔特工业大学） ； Porsche AG（保时捷股份公司） ； German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心） 纠错

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

AI总结 本文提出一种行为约束强化学习框架，通过递推地 horizon 预测机制和参考轨迹条件化策略，实现超越演示并保持专家行为一致的高性能控制策略。

Contextual Intelligence The Next Leap for Reinforcement Learning

情境智能：强化学习的下一步

André Biedenkapp

机构 * Albert-Ludwigs-Universität（弗莱堡大学） 纠错

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

AI总结 本文提出情境智能的新框架，通过区分环境驱动和代理驱动因素，探索异构情境学习、多时间尺度建模和抽象高层情境整合，以提升强化学习的泛化能力与现实应用效率。

Comments Accepted to AAMAS 2025 (Blue Sky Ideas Track)