机器人 / 具身智能

Sustainable Transfer Learning for Adaptive Robot Skills

可持续的迁移学习用于适应性机器人技能

Khalil Abuibaid, Vinit Hegiste, Nigora Gafur, Achim Wagner, Martin Ruskowski

机构 * Chair of Machine Tools and Control System, RPTU University Kaiserslautern-Landau（机床与控制系统教席，莱茵兰-普法尔茨凯泽斯劳滕-兰道大学） ； Innovative Factory Systems, German Institute of Artificial Intelligence（创新工厂系统，德国人工智能研究所） 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 本文研究了不同机器人平台间的策略迁移，通过强化学习完成peg-in-hole任务，探讨零样本迁移、微调和从头训练的效果，发现微调能显著提升性能，降低训练时间，支持可持续的机器人学习。

Comments Published in RAAD 2025 (Springer). 7 pages, 5 figures

Journal ref Advances in Service and Industrial Robotics, RAAD 2025, Springer, 2025, pp. 389-397

Learning-Based Strategy for Composite Robot Assembly Skill Adaptation

基于学习的复合机器人装配技能适应策略

Khalil Abuibaid, Aleksandr Sidorenko, Achim Wagner, Martin Ruskowski

机构 * Chair of Machine Tools and Control System, RPTU University Kaiserslautern-Landau（机床与控制系统系，凯撒斯劳滕-兰道大学） ； Innovative Factory Systems, German Institute of Artificial Intelligence（创新工厂系统，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 ：robotic(abstract)；分类 cs.RO

AI总结 本文提出一种基于残差强化学习的复合机器人装配技能适应方法，通过显式预置、后置和不变条件实现模块化和可重用性，提升工业机器人在接触密集任务中的安全性和样本效率。

Comments Accepted at RAAD 2026 (Springer). 6 pages, 4 figures

RAGEN-2: Reasoning Collapse in Agentic RL

RAGEN-2：代理强化学习中的推理崩溃

Zihan Wang, Chi Gui, Xing Jin, Qineng Wang, Licheng Liu, Kangrui Wang, Shiqi Chen, Linjie Li, Zhengyuan Yang, Pingyue Zhang, Yiping Lu, Jiajun Wu, Li Fei-Fei, Lijuan Wang, Yejin Choi, Manling Li

机构 * Northwestern University（西北大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Independent（独立研究者） ； Imperial College London（伦敦帝国学院） ； Oxford University（牛津大学） ； University of Washington（华盛顿大学） ； Microsoft（微软） ； Stanford University（斯坦福大学） 纠错

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

AI总结 研究发现代理强化学习中推理稳定性受模板崩溃影响，通过引入互信息代理提升推理质量与任务表现。