机器人 / 具身智能

Correct-by-Construction Behavior Tree Synthesis from Signal Temporal Logic Specifications with Application to Robotic Missions

从信号时序逻辑规范构建正确的行为树合成及其在机器人任务中的应用

Jiaheng Dong, Jingyi Huang, Liang Han

专题命中 其他机器人 ：robotic(title)；robotics(abstract)；分类 cs.RO

AI总结 研究从信号时序逻辑规范合成构建正确的行为树，通过将工作空间建模为定时转换系统并抽象为区域图，引入增强状态空间，利用分层定点算法计算获胜集，证明正确性并推导复杂度界限，经仿真和实验验证了方法的有效性和可部署性。

Comments 8 pages, 9 figures. This work has been submitted to the IEEE for possible publication

Fabric Pneumatic Artificial Muscles Based on the Drawstring Principle

基于拉绳原理的织物气动人工肌肉

Chendong Liu, Dapeng Yang, Yiming Dai, Li Jiang, Hong Liu

专题命中 其他机器人 ：robotics(abstract)；分类 cs.RO

AI总结 受纺织拉绳原理启发提出新型织物气动人工肌肉DPAM，收缩时无额外径向变形，机械性能出色，负载能力超自重800倍等，通过仿生机器人和工业生产线验证实用性，为软机器人设计提供新思路。

On the Limits of Sampling-Based Reachability: Geometry, Dynamics, and Sample Complexity

论基于采样的可达性极限：几何、动力学与样本复杂度

Jixian Liu, Ihab Tabbara, Hussein Sibai, Enrique Mallada

机构 * Johns Hopkins University（约翰斯·霍普金斯大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） 纠错

专题命中 其他机器人 ：robotics(abstract)；分类 cs.RO

AI总结 研究基于采样的可达性极限，通过将其视为几何支持估计，确定正则属性使恢复适定，界定样本复杂度，证明相关属性不可去除，实验表明对抗采样不改变缩放比例，揭示了初始集几何、动力学和采样定律对可达性估计的影响。

From Agent Failure Paths to Quantified Residual Risk: A Compositional Framework for Resilient Agentic AI

从智能体故障路径到量化残余风险：一种用于弹性智能体人工智能的组合框架

Hassan Karim, Sai Sitharaman, Deepti Gupta, Danda B. Rawat

专题命中 其他机器人 ：embodied AI(abstract)；分类 cs.AI

AI总结 研究智能体人工智能风险表示问题，提出CPSAINT和FRIESA-K结合故障机制与风险估计，通过单独惩罚报告治理可观测性，形式化结构可组合性，在两个场景展示框架，获支持跨域推理等的紧凑内核。

Finite-Agent Stochastic Differential Games on Large Graphs: II. Graph-Based Architectures

大图上的有限智能体随机微分博弈：II. 基于图的架构

Ruimeng Hu, Jihao Long, Haosheng Zhou

机构 * Department of Mathematics, and Department of Statistics and Applied Probability, University of California, Santa Barbara（数学系和应用概率统计系，加州大学圣芭芭拉分校） ； Institute for Advanced Algorithms Research（高级算法研究所） ； University of California, Santa Barbara（加州大学圣芭芭拉分校） 纠错

专题命中 其他机器人 ：robotics(abstract)；分类 cs.LG

AI总结 研究图上随机微分博弈中纳什均衡计算问题，提出NTM架构，对前馈神经网络施加图引导稀疏化以减少可训练参数。将其纳入两种博弈求解器得到稀疏变体，实验表明该方法性能与全可训练方法相当且计算效率更高。