机器人 / 具身智能

On the Importance of Tactile Sensing for Imitation Learning: A Case Study on Robotic Match Lighting

关于触觉感知在模仿学习中的重要性：机器人点火任务的案例研究

Niklas Funk, Changqi Chen, Tim Schneider, Georgia Chalvatzaki, Roberto Calandra, Jan Peters

机构 * Technical University of Darmstadt（德累斯顿技术大学） ； LASR Lab, TU Dresden（TU德累斯顿激光实验室） 纠错

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

AI总结 本文提出融合视觉和触觉的模仿学习框架，通过模块化Transformer与流基生成模型提升动态任务中的操作性能，证明触觉信息对学习动态操作的重要性。

Does "Do Differentiable Simulators Give Better Policy Gradients?'' Give Better Policy Gradients?

可微模拟器能否提供更好的策略梯度？

Ku Onoda, Paavo Parmas, Manato Yaguchi, Yutaka Matsuo

机构 * The University of Tokyo（东京大学） 纠错

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

AI总结 本文探讨可微模拟器在策略梯度方法中的有效性，提出DDCG和IVW-H两种方法，通过切换估计器和控制方差提升鲁棒性与样本效率。

Comments ICLR2026

Journal ref The Fourteenth International Conference on Learning Representations. ICLR 2026

Rewind-IL: Online Failure Detection and State Respawning for Imitation Learning

Rewind-IL：在线故障检测与状态重置用于模仿学习

Gehan Zheng, Sanjay Seenivasan, Matthew Johnson-Roberson, Weiming Zhi

机构 * College of Connected Computing, Vanderbilt University（范德比尔特大学连接计算学院） ； School of Computer Science, University of Waterloo（滑铁卢大学计算机科学学院） ； School of Computer Science, The University of Sydney（悉尼大学计算机科学学院） ； Australian Centre for Robotics, The University of Sydney（悉尼大学机器人研究中心） 纠错

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

AI总结 Rewind-IL通过零样本故障检测和状态重置机制，提升模仿学习在长时域任务中的可靠性，解决执行漂移问题。

Comments 9 pages, 8 figures, 6 tables. Project page at https://sjay05.github.io/rewind-il

Refinement of Accelerated Demonstrations via Incremental Iterative Reference Learning Control for Fast Contact-Rich Imitation Learning

通过增量迭代参考学习控制细化加速演示

Koki Yamane, Cristian C. Beltran-Hernandez, Steven Oh, Masashi Hamaya, Sho Sakaino

机构 * OMRON SINIC X Corporation（OMRON SINIC X公司） ； University of Tsukuba（茨口大学） ； Waseda University（早稻田大学） 纠错

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

AI总结 本文提出I2RLC方法，通过逐步提升速度并更新参考轨迹，实现高保真度的加速演示，提升接触密集模仿学习的效率与稳定性。

Comments 8 pages, 11 figures, submitted to IROS 2026

Web-Gewu: A Browser-Based Interactive Playground for Robot Reinforcement Learning

Web-Gewu: 一个基于浏览器的机器人强化学习交互 playground

Kaixuan Chen, Linqi Ye

机构 * School of Future Technology, Shanghai University（上海大学未来技术学院） 纠错

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

AI总结 Web-Gewu 通过 WebRTC 云-边-端架构降低机器人强化学习教育的计算和环境配置门槛，实现低延迟的浏览器端交互和实时可视化。

DynaWeb: Model-Based Reinforcement Learning of Web Agents

DynaWeb：基于模型的Web代理强化学习

Hang Ding, Peidong Liu, Junqiao Wang, Ziwei Ji, Meng Cao, Rongzhao Zhang, Lynn Ai, Eric Yang, Tianyu Shi, Lei Yu

机构 * Shanghai Jiao Tong University（上海交通大学） ； Sichuan University（四川大学） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； McGill University（麦吉尔大学） ； Shanghai AI Lab（上海人工智能实验室） ； Gradient ； University of Toronto（多伦多大学） ； Mila - Quebec AI Institute（魁北克AI研究所） 纠错

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

AI总结 本文提出DynaWeb框架，通过模拟环境提升Web代理的强化学习效率，实验表明其在WebArena和WebVoyager基准上显著提升性能。