视觉与机器人

机器人 / 具身智能

机器人、具身智能、机器人学习、操作、导航和具身世界模型。

2026-06-19 至 2026-06-19 共收录 3 篇信号源：cs.RO, cs.AI, cs.CV, cs.LG

1. 模仿学习与强化学习 3 篇

2606.19632 2026-06-19 cs.RO cs.AI cs.LG cs.LO cs.MA 新提交 67%

Formal Verification of Learned Multi-Agent Communication Policies via Decision Tree Distillation

通过决策树蒸馏对学习到的多智能体通信策略进行形式化验证

Ahmad Farooq, Kamran Iqbal

机构 * University of Arkansas at Little Rock（阿肯色大学小石城分校）

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

AI总结提出通过决策树蒸馏将多智能体强化学习策略转化为可解释模型，并利用PRISM进行形式化验证，确保安全属性转移至原始网络，在无人机编队任务中实现88.9%属性满足率。

Comments 9 pages, 3 figures, 7 tables. Accepted at the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026), Pittsburgh, Pennsylvania, USA, September 27-October 1, 2026

2605.22748 2026-06-19 cs.RO cs.AI cs.LG cs.MA 版本更新 67%

Superhuman Safe and Agile Racing through Multi-Agent Reinforcement Learning

通过多智能体强化学习实现超人类安全且敏捷的赛车

Ismail Geles, Leonard Bauersfeld, Markus Wulfmeier, Davide Scaramuzza

机构 * Robotics and Perception Group, University of Zurich（苏黎世大学机器人与感知组）； Google DeepMind（谷歌DeepMind）； Nomagic

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

AI总结本文提出通过多智能体强化学习在高速四旋翼赛车中实现安全且敏捷的性能，展示了多智能体交互对真实世界交互安全性的关键作用，同时在高速赛车中超越人类飞行员并减少碰撞率。

Comments 12 pages (+4 supplementary). Website: https://rpg.ifi.uzh.ch/marl

2606.19690 2026-06-19 cs.LG 新提交 57%

Multi-Granular Attention-Driven Reinforcement Learning Framework for Web Intelligent Enhancement Systems

多粒度注意力驱动的强化学习框架用于Web智能增强系统

Navin Chhibber, Deepak Singh, Anokh Kishore, Nikita Chawla, K. Anguraj

机构 * Infinity Tech Group ； Gainwell Technologies ； Capital One ； Sunnyvale, CA, USA（美国硅谷）； Department of Electronics and Communication Engineering（电子与通信工程系）； Sona College of Technology（Sona科技学院）； Independent Researcher（独立研究员）； Salem, India（印度塞拉姆）

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

AI总结提出MGAR-WIES框架，通过语义图建模、注意力机制和自适应强化学习，解决Web环境中异构动态数据的语义理解与可扩展性问题，在准确率上达到80%。

Comments 2026 3rd International Conference on Integrated Intelligence and Communication Systems (ICIICS), 6 Pages