机器人 / 具身智能

RoboLineage: Agent-Native Data Lifecycle Governance Across Robot Policy Iterations

RoboLineage：跨机器人策略迭代的智能体原生数据生命周期治理

Qian Luo, Wentao Guo, Zhennan Qin, Nanchun Guo, Yunhan Zhao, Yi Ma, Yanchao Yang

机构 * Transcengram ； The University of Hong Kong（香港大学） ； Beijing Institute of Technology（北京理工大学） 纠错

专题命中 机器人学习 ：robot policy(title,abstract)；manipulation(abstract)；分类 cs.RO

AI总结 提出RoboLineage系统，通过将数据收集、审查、训练、评估等步骤表示为类型化谱系工件，实现机器人策略迭代的显式生命周期管理，提升迭代速度与可审计性。

EgoInfinity: A Web-Scale 4D Hand-Object Interaction Data Engine for Any-View Robot Retargeting and Video-to-Action Robot Learning

EgoInfinity: 一个面向任意视角机器人重定向与视频到动作机器人学习的网络规模4D手物交互数据引擎

Gaotian Wang, Kejia Ren, Andrew Morgan, Yiting Chen, Howard H. Qian, Podshara Chanrungmaneekul, Kaiyu Hang

机构 * Rice University（莱斯大学） ； Robotics and AI Institute（机器人与人工智能研究所） 纠错

专题命中 机器人学习 ：robot learning(title,abstract)；manipulation(abstract)；分类 cs.RO

AI总结 提出EgoInfinity引擎，从互联网视频自动生成4D手物交互数据，实现跨机器人形态的动作重定向与技能学习，无需人工标注。

Comments 24 pages. Project page: https://huggingface.co/spaces/Rice-RobotPI-Lab/EgoInfinity

PoLAR: Factorizing Extent and Mode in Latent Actions for Robot Policy Learning

PoLAR：分解潜在动作中的程度和模式用于机器人策略学习

Youngjoon Jeong, Jihwan Yu, Minsoo Jo, Junha Chun, Taesup Kim

机构 * Seoul National University（首尔国立大学） 纠错

专题命中 机器人学习 ：robot policy(title,abstract)；分类 cs.RO、cs.AI、cs.LG

AI总结 提出PoLAR方法，通过径向方向结构分解潜在动作中的程度和模式，利用时间偏移作为程度代理，在双曲空间中实现，提升下游策略性能。

Comments Project Page: https://joon-stack.github.io/PoLAR

Unified Motion-Action Modeling for Heterogeneous Robot Learning

统一运动-动作建模用于异构机器人学习

Yunhao Cao, Shitong Liu, Chao Feng, Meryl Zhang, Xuanchen Lu, Andrew Owens, Kuan Fang

机构 * Cornell University（康奈尔大学） 纠错

专题命中 机器人学习 ：robot learning(title)；分类 cs.RO；manipulation(comments)

AI总结 提出UMA模型，利用3D物体运动轨迹作为共享接口，通过掩码生成目标统一视觉运动控制和动力学建模，实现跨异构数据源的多任务预训练，并在部署时支持多种推理模式。

Comments https://uma-manipulation.github.io/

Robot Self-Improvement via Human-Video Dynamics Models

机器人通过人类视频动力学模型自我改进

Hanzhi Chen, Anran Zhang, Simon Schaefer, Kejia Chen, Shi Chen, Daniel Cremers, Oier Mees, Stefan Leutenegger

机构 * ETH Zurich（苏黎世联邦理工学院） ； Technical University of Munich（慕尼黑工业大学） ； Microsoft（微软） ； MCML（慕尼黑机器学习中心） 纠错

专题命中 机器人学习 ：robot learning(abstract)；manipulation(abstract)；分类 cs.RO、cs.CV

AI总结 提出DGAC方法，利用人类视频学习跨本体的动作、动力学和价值表征，使机器人能从自身失败中自主改进，在7个真实操作任务中将成功率从40%提升至81%。

Duet: Dual-Robot Understanding via Efficient Teaching

Duet: 通过高效教学实现双机器人理解

Yiqi Zhao, Ruohai Ge, Celina Shiyu Wang, Junjie Ye, Muchen Xu, Minhao Li, Sergey Zakharov, Basile Van Hoorick, Vitor Campagnolo Guizilini, Leonidas Guibas, Gaurav S. Sukhatme, Jyotirmoy V. Deshmukh, Yue Wang

机构 * University of Southern California（南加州大学） ； Toyota Research Institute（丰田研究所） ； Stanford University（斯坦福大学） 纠错

专题命中 机器人学习 ：robot learning(abstract)；manipulation(abstract)；分类 cs.RO

AI总结 提出DUET框架，利用VR遥操作和人类协作先验，通过预训练与微调结合，实现双机器人移动操作的高效学习，显著降低数据采集成本。