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。

2026-06-24 至 2026-06-24 共收录 3 篇信号源：cs.RO, cs.AI, cs.CV, cs.LG

1. 机器人学习 3 篇

2606.17046 2026-06-24 cs.RO cs.CV cs.LG 新提交 85%

几何动作模型用于机器人策略学习

Jisang Han, Seonghu Jeon, Jaewoo Jung, René Zurbrügg, Honggyu An, Tifanny Portela, Marco Hutter, Marc Pollefeys, Seungryong Kim, Sunghwan Hong

机构 * KAIST AI（韩国科学技术院人工智能学院）； ETH Zurich（苏黎世联邦理工学院）； ETH AI Center（苏黎世联邦理工学院人工智能中心）

专题命中机器人学习：robot policy(title)；manipulation(abstract)；world model(abstract)；分类 cs.RO、cs.CV、cs.LG

AI总结提出几何动作模型(GAM)，通过重用预训练几何基础模型(GFM)作为共享骨干，实现语言条件下的操作策略，在仿真和真实机器人任务中优于现有方法。

2606.23754 2026-06-24 cs.RO cs.LG 新提交 79%

机器人安全的可验证基础模型

Davide Corsi, Kyungmin Kim, Roy Fox

机构 * University of California, Irvine（加州大学尔湾分校）

专题命中机器人学习：robot learning(abstract,abstract_cn)；robotic(abstract)；分类 cs.RO、cs.LG

AI总结提出FEARL框架，将策略分解为大控制器和小安全模块，使形式化验证仅应用于安全模块，从而在保持控制器表达能力的同时实现可验证的机器人安全控制。

2606.24049 2026-06-24 cs.RO 新提交 57%

SPACE：从跨机器人数据中学习通用策略

Haeone Lee, Byeongguk Jeon, Suchae Jeong, Jian Kim, Kimin Lee

机构 * KAIST（韩国科学技术院）； Config ； Yonsei University（延世大学）

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

AI总结提出SPACE框架，通过笛卡尔状态增量作为通用动作表示，结合动作适配器处理机器人动力学差异，实现跨本体和硬件的策略学习，显著优于直接预测控制命令的方法。