机器人 / 具身智能

Dream to Fly: Model-Based Reinforcement Learning for Vision-Based Drone Flight

梦想飞翔：基于模型的强化学习用于基于视觉的无人机飞行

Angel Romero, Ashwin Shenai, Ismail Geles, Elie Aljalbout, Davide Scaramuzza

机构 * Robotics and Perception Group, Department of Informatics, University of Zurich（苏黎世大学信息学系机器人感知组） 纠错

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

AI总结 本文提出基于模型的强化学习方法，通过像素观测实现无人机敏捷飞行，展示了在模拟和真实世界中的高效表现，推动了基于像素的自主飞行技术发展。

Comments 8 pages, 6 Figures, accepted to IEEE ICRA 2026

SafeAdapt: Provably Safe Policy Updates in Deep Reinforcement Learning

SafeAdapt: 在深度强化学习中提供安全的策略更新

Maksim Anisimov, Francesco Belardinelli, Matthew Wicker

机构 * 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 ：navigation(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出SafeAdapt方法，通过引入Rashomon集在连续强化学习中提供安全策略更新的正式保证，确保在下游适应过程中源任务的安全性。

Comments Code available at: https://github.com/maxanisimov/provably-safe-policy-updates

Advantage-Guided Diffusion for Model-Based Reinforcement Learning

基于优势的扩散模型用于基于模型的强化学习

Daniele Foffano, Arvid Eriksson, David Broman, Karl H. Johansson, Alexandre Proutiere

机构 * KTH Royal Institute of Technology（瑞典皇家理工学院） ； Digital Futures（数字未来） 纠错

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

AI总结 本文提出AGD-MBRL，通过利用智能体的优势估计引导反向扩散过程，提升长周期回报。采用SAG和EAG两种引导方法，改进了短周期视角下的扩散模型MBRL性能。

Boosted Distributional Reinforcement Learning: Analysis and Healthcare Applications

提升分布强化学习：分析与医疗应用

Zequn Chen, Wesley J. Marrero

机构 * Thayer School of Engineering, Dartmouth College（达特茅斯学院塞耶工程学院） 纠错

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

AI总结 本文提出BDRL算法，通过优化个体结果分布并确保相似代理的可比性，提升医疗决策的一致性和效果。

Comments Preprint. 40 pages,11 figures. Supplementary appendix included

Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing

基于空间密度速度势的物理引导强化学习用于无地图赛车

Shathushan Sivashangaran, Apoorva Khairnar, Sepideh Gohari, Vihaan Dutta, Azim Eskandarian

机构 * Autonomous Robots and Vehicles Laboratory, College of Engineering, Virginia Commonwealth University（弗吉尼亚联邦大学工程学院自主机器人与车辆实验室） ； Department of Mechanical Engineering, Virginia Tech（弗吉尼亚理工学院机械工程系） ； Robotics Department, University of Michigan（密歇根大学机器人系） 纠错

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

AI总结 本文提出一种物理引导的强化学习方法，通过参数化非线性车辆动力学，利用深度神经网络实现时间最优和超车赛车控制，显著提升无地图赛车性能。

Temporal Transfer Learning for Traffic Optimization with Coarse-grained Advisory Autonomy

基于粗粒度建议自主性的交通优化时序迁移学习

Jung-Hoon Cho, Sirui Li, Jeongyun Kim, Cathy Wu

机构 * Department of Civil and Environmental Engineering, Massachusetts Institute of Technology（麻省理工学院土木与环境工程系） ； Laboratory for Information & Decision Systems, Massachusetts Institute of Technology（麻省理工学院信息与决策系统实验室） ； Department of Mechanical and Automotive Engineering, Seoul National University of Science and Technology（首尔科学技术大学机械与汽车工程系） 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 本文提出时序迁移学习算法，通过零样本迁移解决自动驾驶中的粗粒度建议任务，验证了其在混合交通场景中的有效性。

Comments 18 pages, 12 figures

Journal ref IEEE Transactions on Robotics, 2026