机器人 / 具身智能

AutoIntervene: Calibrated Intervention for Action-Chunking Imitation Learning Policies

AutoIntervene：用于动作分块模仿学习策略的校准干预方法

Jinhe Tang, Weiming Zhi

机构 * Australian Center For Robotics, The University of Sydney（悉尼大学澳大利亚机器人中心） ； College of Connected Computing, Vanderbilt University（范德堡大学连接计算学院） 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 AutoIntervene是一种在线框架，通过校准的双向切换阈值在动作分块模仿学习策略与操作员间切换控制，提升了真实世界双臂操作任务的适应后成功率并降低了操作员控制时间。

Comments 9 pages, 7 figures

TEMPO: Semantic-Action Decoupled RL Post-Training for Vision-Language-Action Models

TEMPO：面向视觉-语言-动作模型的语义-动作解耦强化学习后训练

Ziheng Liu, Quantao Yang

机构 * School of Computer Science and Technology, Zhejiang Gongshang University（浙江工商大学计算机科学与技术学院） ； KTH Royal Institute of Technology（瑞典皇家理工学院） 纠错

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

AI总结 本文提出TEMPO框架，通过解耦语义投影层与动作专家采用双时间尺度RL后训练，提升VLA模型在操作任务上的性能，在基准与真实任务中均优于现有方法。

Spatiotemporal Agility: Time-Constrained Reinforcement Learning for Vision-Guided Dynamic Quadrupedal Interception

时空敏捷性：面向视觉引导的动态四足机器人拦截的时间约束强化学习

Yidong Zhu, Zibo Dai, Tongning Zhang, Leixin Chang, Hua Chen

机构 * Zhejiang University（浙江大学） ； LimX Dynamics Technology Co., Ltd.（灵蜥动力科技有限公司） 纠错

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

AI总结 本文针对四足机器人动态接球任务，提出结合视觉模块与直接目标条件RL策略的集成框架，构建实时闭环拦截系统，提升了接球成功率并减小了sim-to-real性能差距。