机器人 / 具身智能

Disentangled World Models: Learning to Transfer Semantic Knowledge from Distracting Videos for Reinforcement Learning

解耦世界模型：从干扰视频中学习转移语义知识以用于强化学习

Qi Wang, Zhipeng Zhang, Baao Xie, Xin Jin, Yunbo Wang, Shiyu Wang, Liaomo Zheng, Xiaokang Yang, Wenjun Zeng

机构 * MoE Key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University（上海交通大学人工智能研究院教育部人工智能重点实验室） ； Ningbo Institute of Digital Twin, Eastern Institute of Technology, Ningbo, China（东方理工高等研究院宁波数字孪生研究院） ； Ningbo Key Laboratory of Spatial Intelligence and Digital Derivative, Ningbo, China（宁波市空间智能与数字衍生重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； Shenyang Institute of Computing Technology, Chinese Academy of Sciences（中国科学院沈阳计算技术研究所） ； Shenyang CASNC Technology Co., Ltd（沈阳中科数控技术股份有限公司） 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 本文提出了解耦世界模型，通过离线到在线的潜在蒸馏和灵活解耦约束，从干扰视频中学习语义知识，提升强化学习的样本效率。

Comments Accepted by ICCV 2025. Project page: https://qiwang067.github.io/diswm

Secure Planning Against Stealthy Attacks via Model-Free Reinforcement Learning

通过模型无关强化学习实现对隐蔽攻击的安全规划

Alper Kamil Bozkurt, Yu Wang, Miroslav Pajic

机构 * Duke University（杜克大学） 纠错

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

AI总结 本文提出利用模型无关强化学习在未知随机环境中实现安全规划，通过将攻击者与控制器视为博弈双方，以线性时序逻辑公式表达其目标，解决在未知环境中满足LTL公式的问题。

Journal ref 2021 IEEE International Conference on Robotics and Automation (ICRA), Xi'an, China, 2021, pp. 10656-10662

Biologically Inspired Event-Based Perception and Sample-Efficient Learning for High-Speed Table Tennis Robots

生物启发的事件感知与高效学习方法用于高速乒乓球机器人

Ziqi Wang, Jingyue Zhao, Xun Xiao, Jichao Yang, Yaohua Wang, Shi Xu, Lei Wang, Huadong Dai

机构 * National University of Defence Technology（国防科技大学） ； Defense Innovation Institute, AMS（军事科学院国防科技创新研究院） ； Qiyuan Lab（启元实验室） 纠错

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

AI总结 本文提出生物启发的高速乒乓球机器人方法，结合事件感知与高效学习，通过异步感知和稀疏数据实现高效检测与决策，提升目标返回精度35.8%。

Causal Process Models: Reframing Dynamic Causal Graph Discovery as a Reinforcement Learning Problem

因果过程模型：将动态因果图发现重新表述为强化学习问题

Turan Orujlu, Christian Gumbsch, Martin V. Butz, Charley M Wu

机构 * University of Tübingen（图宾根大学） ； MPI for Biological Cybernetics（马克斯·普朗克生物控制论研究所） ； University of Amsterdam（阿姆斯特丹大学） ； TU Darmstadt（达姆施塔特工业大学） 纠错

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

AI总结 本文提出因果过程模型，通过将动态因果图构建视为多智能体强化学习问题，实现了从视觉观测中学习稀疏时间变化因果图，提升可解释性和计算效率。

Control Synthesis from Linear Temporal Logic Specifications using Model-Free Reinforcement Learning

基于线性时序逻辑规范的控制合成使用无模型强化学习

Alper Kamil Bozkurt, Yu Wang, Michael M. Zavlanos, Miroslav Pajic

机构 * Duke University（杜克大学） 纠错

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

AI总结 本文提出一种强化学习框架，用于在未知随机环境中基于线性时序逻辑规范合成控制策略，通过无模型强化学习最大化满足LTL公式概率，确保算法收敛至最优策略。

Journal ref 2020 IEEE International Conference on Robotics and Automation (ICRA), Paris, France, 2020, pp. 10349-10355